[논문리뷰] ReCode: Unify Plan and Action for Universal Granularity Control

링크: 논문 PDF로 바로 열기

저자: Zhaoyang Yu, Jiayi Zhang, Huixue Su, Yufan Zhao, Yifan Wu, Mingyi Deng, Jinyu Xiang, Yizhang Lin, Lingxiao Tang, Yingchao Li, Yuyu Luo, Bang Liu, Chenglin Wu

핵심 연구 목표

현재 LLM 기반 에이전트의 주요 한계점인 고정된 결정 세분성(granularity) 문제를 해결하고, 인간처럼 유연하게 다양한 세분성 수준에서 의사결정을 내릴 수 있는 능력을 부여하는 것입니다. 특히, 고수준 계획과 저수준 행동 간의 경직된 분리를 극복하여 에이전트의 동적 적응성과 일반화 능력을 향상시키는 것을 목표로 합니다.

핵심 방법론

본 논문은 **RECODE (Recursive Code Generation)**라는 새로운 패러다임을 제안합니다. 이는 계획과 행동을 단일 코드 표현으로 통합하며, 고수준 계획을 추상적인 플레이스홀더 함수로 취급하고 이를 실행 가능한 원시 행동에 도달할 때까지 재귀적으로 하위 함수로 분해합니다. 이 재귀적 접근 방식은 계획과 행동 간의 경계를 허물고, 계층적이고 다중 세분성 학습 데이터를 자연스럽게 생성하여 모델이 복잡한 작업을 학습하는 데 기여합니다.

주요 결과

ALFWorld, WebShop, ScienceWorld 등 다양한 환경에서 실험한 결과, ReCode는 GPT-4o mini를 사용하여 평균 점수 **60.8%**를 달성하여 기존 베이스라인 대비 20.9% 향상된 성능을 보였습니다. 특히, ReAct 대비 78.9%, CodeAct 대비 84.4% 더 적은 비용으로 우수한 성능을 달성했으며, 학습 데이터 측면에서도 ReAct의 12,833개 데이터 쌍에 비해 3,500개 데이터 쌍만으로 더 나은 결과를 보여 탁월한 데이터 효율성을 입증했습니다.

AI 실무자를 위한 시사점

ReCode는 LLM 기반 에이전트가 복잡한 실제 환경에서 유연하게 계획하고 행동할 수 있는 강력한 프레임워크를 제공합니다. 재귀적 코드 생성과 단일 코드 표현을 통해 고수준 전략과 저수준 실행을 통합하는 방식은 에이전트 개발 시 모듈성과 확장성을 크게 향상시킬 수 있습니다. 또한, 데이터 효율성은 대규모 데이터 수집 및 라벨링의 어려움을 겪는 실무 환경에서 매우 중요한 이점으로 작용할 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.