에이전트형 대규모 언어 모델이 관찰과 행동을 중개하는 소프트웨어인 하네스 안에 들어가면 추론 능력 손실을 보인 것으로 기록돼 왔다. 연구진은 이 손실을 보정하려고 AutoOnboarder라는 자동화 시스템을 제안했다. 2026년 10월 15일 arXiv에 공개한 논문에서 이 시스템을 소개했다.
AutoOnboarder는 신입 직원을 교육하듯 에이전트를 특정 업무에 맞춘다. 지도 역할을 맡은 '온보더(Onboarder)' 코딩 에이전트가 대상 에이전트의 파운데이션 모델, 프롬프트, 하네스 소스 코드를 반복해서 고치며 성능을 높이고 비용을 낮춘다.
실제 온보딩처럼 온보더에게 주어지는 예시는 수십 개뿐이다. 평가 데이터는 별도의 가상 머신에 격리해 유출을 막았다.
연구진은 유전체 시퀀싱 검사의 사전승인(prior authorization) 서류 제출 업무로 시스템을 만들고 시험했다. 이렇게 온보딩한 에이전트는 Gemini 3.5 Flash 기준선과 같거나 더 나은 성능을 내면서 비용은 최대 29배 낮았다고 밝혔다.
온보딩된 에이전트는 여전히 완벽하지 않고, 온보딩 과정마다 최종 성능이 크게 달랐다. 연구진은 이후 온보딩 시스템에 구조화된 사고 인터페이스, 통제된 인터넷 접근, 넓은 모델 탐색 공간을 갖춘 견고한 온보더 환경이 필요하다고 결론지었다.
출처
이 기사는 아래 자료를 바탕으로 정리했습니다. 제목을 누르면 원문이 새 창으로 열립니다.
