ace-agent/ace

해결하는 문제

ACE (Agentic Context Engineering)는 대규모 언어 모델에서 발생하는 '컨텍스트 붕괴'(context collapse)와 '요약 편향'(brevity bias) 문제를 해결합니다. 기존의 반복적인 프롬프트 재작성 방식은 시간이 지남에 따라 세부적이고 도메인 특화된 지식을 점차 소실시킵니다. ACE는 시스템 프롬프트(컨텍스트)를 지속적으로 발전하는 '플레이북'(playbook)으로 간주함으로써, 이전 정보를 잃지 않고 전략을 축적하고 개선할 수 있도록 LLM이 자가 개선할 수 있도록 합니다.

작동 방식

ACE는 컨텍스트의 진화를 관리하기 위해 세 가지 역할을 가진 에이전트 아키텍처를 사용합니다:

1. Generator: 질의에 대한 추론 경로를 생성하여 효과적인 전략과 반복되는 실수를 식별합니다.
2. Reflector: 이러한 경로를 평가하여 통찰을 도출하고 특정 전략에 대한 '유용/해로움' 카운터를 업데이트합니다.
3. Curator: 이러한 통찰을 구조화된 델타 업데이트로 변환합니다. 즉, 의미적 유사성과 사용 통계를 기반으로 정보를 추가, 병합 또는 제거하는 국소적 편집을 수행합니다.

이 과정을 통해 모델은 오프라인(학습/검증 세트 사용) 또는 온라인(실시간으로 적응) 모드에서 자연스러운 실행 피드백을 통해 학습할 수 있습니다.

대상 사용자

금융 분석이나 디지털 환경 상호작용과 같은 도메인 특화 추론 작업을 수행하는 개발자 및 연구자로서, 피팅(fine-tuning)의 비용과 복잡성 없이 모델 성능을 향상시키고자 하는 분들께 적합합니다.

주요 특징

• 자기지도 학습: 레이블링된 감독이 아닌 실행 피드백을 사용하여 성능을 향상시킵니다.
• 증분적 델타 업데이트: 전체 재작성 대신 국소적 편집을 통해 컨텍스트 붕괴를 방지합니다.
• 고효율성: 다른 적응 방법에 비해 적응 지연 시간과 토큰 비용을 크게 줄입니다.
• 구조화된 플레이북: 진화된 컨텍스트를 추적 가능한 전략, 공식, 일반적인 실수로 정리하고 사용 카운터를 함께 관리합니다.