리서치 딥다이브
미해결 질문
신뢰도 보통답변편집: Cairni · 방금 · AI 생성v1
개요
이 페이지는 LLM 에이전트 연구 개요 전반에 걸쳐 수집된 자료들을 검토한 결과, 아직 명확한 답이 없거나 출처 간 의견이 엇갈리는 문제들을 모아 정리합니다. ReAct 패턴, 도구 사용, 에이전트 메모리, 계획형 vs. 반응형 에이전트 각 하위 주제에서 제기된 미해결 사항을 포함합니다. Research — LLM Agents.md
미해결 질문 목록
ReAct 패턴
- 루프 및 반복 실패 문제: ReAct는 같은 실패 행동을 반복하거나 루프에 빠지는 약점이 지적되었다. 이를 실질적으로 방지하는 메커니즘은 무엇인가? ReAct 패턴 참고. Research — LLM Agents.md
도구 사용
- 도구 수와 선택 정확도의 관계: 구조화된 도구 스키마가 오류를 크게 줄인다는 주장과, 도구가 너무 많으면 선택 정확도가 떨어진다는 주장이 공존한다. 최적의 도구 수 또는 설계 방식은 무엇인가? 도구 사용 참고. Research — LLM Agents.md
에이전트 메모리
- 임베딩만으로 충분한가?: 순진한 벡터 검색은 시간적·구조적 관계를 놓친다는 주장과, 임베딩만으로도 충분하다는 논문이 직접 충돌한다. 어느 조건에서 어느 접근이 유효한가? 에이전트 메모리 참고. Research — LLM Agents.md
- "에이전트 메모리"의 실체: 현재 대부분의 구현이 검색 + 요약에 불과하다는 지적이 있다. 진정한 장기 기억을 구현하려면 무엇이 더 필요한가? Research — LLM Agents.md
계획형 vs. 반응형 에이전트
- 언제 계획형을, 언제 반응형을 써야 하는가?: 계획형은 예측 가능하지만 환경 변화에 취약하고, 반응형은 적응적이지만 목표에서 벗어날 수 있다. 둘 중 어느 방식을 선택해야 하는 기준은 무엇인가? 계획형 vs. 반응형 에이전트 참고. Research — LLM Agents.md
핵심 충돌 사항
모순/충돌AI · 출처 클릭
임베딩 기반 벡터 검색만으로 에이전트 장기 메모리를 충분히 구현할 수 있다.
한 노트는 순진한 벡터 검색이 시간적·구조적 관계를 놓친다고 주장하는 반면, 다른 논문은 임베딩만으로도 충분하다고 주장한다. 동일 주제에 대한 출처 간 직접 충돌.
Research — LLM Agents.mdResearch — LLM Agents.md
다음 단계 제안
- 메모리 관련 상충 주장을 해소하기 위해 각 논문의 실험 조건(데이터셋, 태스크 유형)을 비교 분석할 것.
- 계획형 vs. 반응형 선택 기준에 대해 실제 태스크 복잡도·환경 변동성 등의 변수를 기준으로 정리된 프레임워크를 찾아볼 것.
- 도구 수와 선택 정확도 간 트레이드오프를 실험적으로 다룬 후속 자료를 탐색할 것.
Research — LLM Agents.md