ATH-MaaS/Marco-DeepResearch

해결하는 문제

Marco DeepResearch는 복잡한 실제 작업에서 AI 에이전트와 인간 전문가 사이의 격차를 해결합니다. 특히 법적 또는 의료 분야와 같은 도메인 특화 추론, 계층적 규칙 적용, 대규모 정보 탐색(깊이와 폭 모두), 그리고 과적합 없이 에이전트의 기술과 기억을 진화시킬 수 있는 능력의 한계를 해결합니다.

작동 방식

이 프로젝트는 에이전트의 능력을 향상시키기 위한 벤치마크와 프레임워크 세트를 제공합니다:

• Table-as-Search: 장기적인 검색을 테이블 완성 작업으로 간주하는 멀티에이전트 프레임워크로, '광범위(Wide)'와 '심층(Deep)' 하위 에이전트를 계층적으로 조율하여 상태를 추적하고 효과적으로 계획합니다.
• UMEM (Unified Memory Extraction and Management): 에이전트가 상호작용 추적에서 인사이트를 추출하고 관리하는 방식을 최적화하는 자기 진화형 메모리 시스템으로, 기계적 암기 방지를 목표로 합니다.
• Search2Skill: 평가 기준 기반 강화 학습을 사용하여 외부 검색 결과에서 재사용 가능한 전문 도메인 기술을 추출하는 프레임워크입니다.
• 벤치마크: 무역 관세에서 계층적 규칙 적용을 테스트하는 HSCodeComp와 깊이와 폭 모두의 정보 탐색을 평가하는 DeepWideSearch를 포함합니다.

대상 사용자

이 프로젝트는 전문 분야(예: 전자상거래, 무역, 법무)용 프로덕션 수준의 에이전트를 개발하는 AI 연구자 및 개발자, 그리고 장기적 계획과 자기 진화형 에이전트 메모리에 종사하는 사람들에게 적합합니다.

주요 특징

• 자기 진화 능력: UMEM은 전문가의 격차에서 자율적으로 학습함으로써 고객 서비스 에이전트의 튜닝 시간을 수일에서 수분으로 단축합니다.
• 고성능 에이전트: Marco-DeepResearch-8B 모델과 전용 에이전트 오케스트레이터를 포함합니다.
• 도메인 특화 성공: 일반 목적 LLM과 비교해 국제 무역에서 HS 코드 분류 성능에 큰 향상을 보였습니다.
• 구조적 계획: 'Table-as-Search' 접근 방식을 사용하여 비즈니스 인텔리전스 작업에서 엔티티의 리콜률과 속성의 완전성을 향상시킵니다.