GEA: 인간 설계 수준 달성, 추가 추론비용 없이 배포

기업 AI의 난제와 GEA의 제안

오늘날 모델 위에 구축된 에이전트는 라이브러리 교체나 워크플로 변경만으로도 쉽게 깨지고, 이를 고치려면 인간 엔지니어의 손이 필요하다. UC 산타바버라 연구진은 이러한 문제를 해결하기 위해 그룹 진화형 에이전트(GEA)를 제안했다. GEA는 에이전트 집단이 경험을 공유하고 혁신을 재사용하며 세대를 거듭해 스스로 개선되도록 설계되어, 복잡한 코딩·소프트웨어 공학 과제에서 기존 자기개선 프레임워크를 크게 앞질렀다.

'개별 중심' 자기진화의 한계

다수의 에이전틱 AI 시스템은 고정된 아키텍처에 의존해 초기 설계의 한계를 넘기 어렵다. 생물학적 비유에 기대어 단일 부모-자손의 분기 트리를 따르는 방식은 가지치기된 계보 간 지식이 단절되어, 효율적인 테스트 워크플로나 유용한 디버깅 도구 같은 발견이 함께 사라지는 '사일로'를 낳는다. 연구진은 "AI 에이전트는 생물 개체가 아니다"라며, 진화를 개인이 아닌 집단 단위로 재구성한 GEA의 필요성을 제기한다.

GEA의 핵심 메커니즘: 집단 단위 진화와 공유 기억

그룹 진화형 에이전트(GEA) 설계 원리

GEA는 성능(문제 해결 능력)과 새로움(다른 에이전트와의 차별성)을 결합해 부모 집단을 선발한다. 개별 부모에게만 배우던 기존과 달리, 자식 집단은 부모 집단 전체의 진화 흔적을 물려받아 안정성과 혁신을 동시에 확보한다.

GEA 집단 경험 공유 메커니즘

코드 수정 이력, 성공 사례, 도구 호출 기록 등 모든 부모의 경험이 '공유 풀'에 축적된다. 대형 언어모델이 구동하는 리플렉션 모듈이 이를 분석해 고성능 디버깅 도구의 채택, 테스트 워크플로 개선 같은 패턴을 추출하고, 다음 세대를 위한 고수준 '진화 지침'을 생성한다. 이렇게 그룹 수준에서 통찰을 전수해 개별 계보의 한계를 넘는다.

객관적 과제에 강한 GEA, 창의 과제의 주의점

성공 신호가 명확한 코딩·테스트 영역에서 GEA의 '하이브 마인드' 접근이 특히 효과적이다. 반면 창작 등 비결정적 영역에서는 평가 신호가 약해 저품질 경험이 노이즈로 섞일 수 있어, 더 강한 경험 필터링이 필요하다는 지적이 제기된다.

실험 결과: 성능, 견고성, 확장성

DGM 대비 성능 도약

최신 자기진화 기준선인 Darwin Godel Machine(DGM)과 비교해, SWE-bench Verified에서 GEA는 71.0%로 기준선 56.7%를 크게 상회했고, 다중 언어 코드 생성 벤치마크 Polyglot에서도 88.3%로 기준선 68.3%를 앞질렀다.

GEA 기반 자가치유와 실패 복원력

의도적으로 버그를 주입한 실험에서 GEA는 평균 1.4회 반복만에 치명적 결함을 복구했지만 기준선은 5회가 필요했다. 집단 내 '건강한' 구성원이 손상된 에이전트를 진단·보완하는 구조 덕분이다.

인간 설계 프레임워크와의 비교

엔터프라이즈 관점에서 중요한 결과로, GEA는 SWE-bench에서 오픈소스 최고 수준의 인간 설계 프레임워크인 OpenHands에 필적하는 71.0%를 기록했고, Polyglot에서는 인기 도우미 Aider(52.0%)를 크게 상회했다. 또한 GEA는 공유 경험을 통해 유용한 도구와 절차가 최상위 에이전트로 확산되며, 최상위 GEA는 17개 조상(개체군의 28%)의 특성을 통합한 반면 기준선 최상위는 9개에 그쳤다. 사실상 집단의 모범 사례를 집대성한 '슈퍼 직원'을 만들어낸 셈이다.

엔터프라이즈 적용과 비용·거버넌스

추가 추론비용 없이 배포되는 GEA

그룹 진화형 에이전트(GEA)는 (1) 진화, (2) 추론/배포의 두 단계로 구분된다. 진화가 끝나면 단일 ‘진화된 에이전트’만 운영에 배치하므로, 일반 단일 에이전트와 비교해 엔터프라이즈 추론 비용은 사실상 변하지 않는다.

모델 교체 내성 및 가드레일

Claude로 진화한 에이전트가 GPT-5.1이나 GPT-o3-mini 같은 다른 계열로 엔진을 바꿔도 이점이 유지되는 등 전이성이 확인됐다. 동시에 기업 환경에서는 샌드박스 실행, 정책 제약, 검증 계층 같은 비진화 가드레일을 통해 자기수정의 리스크를 통제할 수 있다.

GEA 도입을 위한 필수 구성요소

기존 에이전트 프레임워크 위에 (a) 진화 흔적을 저장하는 경험 아카이브, (b) 집단 패턴을 요약하는 리플렉션 모듈, (c) 통찰에 따라 코드를 수정하는 업데이트 모듈의 3가지만 추가하면 실무 구현이 가능하다. 이로써 그룹 진화형 에이전트(GEA)의 장점을 빠르게 흡수할 수 있다.

향후 로드맵

하이브리드 진화 파이프라인

초기에는 소형 모델이 탐색을 맡아 다양한 경험을 축적하고, 후반에는 강한 모델이 그 경험을 바탕으로 진화를 이끄는 ‘하이브리드’ 파이프라인이 유망한 방향으로 제시된다. 이를 통해 GEA의 효율과 범용성을 한층 끌어올릴 수 있다.