스카우트: 웹페이지 변경 사항을 사전에 모니터링하는 "디지털 직원" (유토리 아이(@yutori_ai) 팀 제공). 핵심 개념: "수동적 대응"에서 "능동적 협력"으로의 전환 🤖 기존의 AI 에이전트는 일반적으로 반응형이며 장기간에 걸쳐 매우 복잡한 작업을 처리하는 데 어려움을 겪습니다. Scouts는 고품질 결과물을 유지하고 비용을 효율적으로 관리하면서 몇 주 또는 몇 달 동안 지속적으로 작동할 수 있는 능동형 다중 에이전트 시스템을 구축하는 것을 목표로 합니다. 기술 아키텍처의 핵심 구성 요소 🛠️ 유토리는 단일 모델이 매우 긴 컨텍스트와 복잡한 작업을 처리하는 데 있어 한계를 극복하기 위해 "분할 정복" 전략을 사용합니다. • 다중 에이전트 분업: "코디네이터"를 사용하여 여러 "하위 에이전트"를 지휘합니다. 코디네이터는 전체적인 로직을 담당하고, 하위 에이전트는 특정 도구 호출을 담당합니다. 이를 통해 컨텍스트 과부하를 방지하고 다양한 하위 작업에 가장 비용 효율적인 상황별 모델을 선택할 수 있습니다. • 의도 강화: 코디네이터는 모호한 사용자 요구 사항을 고도로 구조화된 조건부 지침으로 변환합니다. 실험 결과, 강화된 지침은 검색 결과의 재현율을 두 배 이상 높이고 더욱 정확한 결과를 도출하는 것으로 나타났습니다. • 도구 우선순위 지정: 에이전트는 비용, 속도 및 신뢰성을 기준으로 도구의 우선순위를 정하도록 학습됩니다. 예를 들어, 정찰을 위해 비용이 저렴한 Google 검색을 먼저 사용하고, 그 가치를 확인한 후에만 비용이 많이 들고 속도가 느린 브라우저 자동화 도구를 사용할 수 있습니다. • 지속성 및 재시도: 소셜 미디어와 같이 변동성이 큰 플랫폼에서는 API 오류가 빈번하게 발생합니다. 이 아키텍처는 재시도 메커니즘을 통합하여, 오류 발생 시 완전히 포기하는 대신 에이전트가 다양한 쿼리 전략이나 도구 조합을 시도하도록 합니다. "기억의 왜곡"과 진정성 확보의 어려움을 다룬 이 글에서는 장기적인 과제에서 쉽게 간과되는 두 가지 함정과 그 해결책을 구체적으로 제시합니다. 1. 보고서 아카이브 내 키워드 검색: 기존 방식은 이전 보고서를 컨텍스트에 직접 붙여넣는 것이지만, 이는 "사용성 편향"을 초래하여 에이전트가 오래된 정보에 지나치게 집중하고 전체적인 맥락을 간과하게 만듭니다. 유토리는 반복적인 키워드 매칭을 통해 관련성 있는 부분을 추출하는 검색 가능한 보고서 아카이브를 구축하여 컨텍스트를 오염시키지 않고 장기 기억을 유지합니다. 2. 비판적 사실 확인 웹사이트는 종종 잡음과 편향으로 가득 차 있습니다. 반면 Scouts는 비판적인 시각을 염두에 두고 설계되었습니다. Scouts는 여러 출처의 주장을 검증하고, 해당 출처의 신뢰도를 평가하며, 소셜 미디어의 과장된 주장이나 검색 요약의 축약으로 인한 오판을 방지합니다. 사용자 피드백 기반의 폐쇄 루프 시스템 스카우트의 발전은 알고리즘뿐만 아니라 사용자 의견에도 달려 있습니다. 사용자는 보고서의 특정 구간, 부분 또는 전체적인 동작 수준에 대한 피드백을 제공할 수 있습니다. 이러한 피드백은 검토 및 편집 가능한 가이드라인으로 변환되어 향후 실행에 반영됩니다. 즉, 시스템은 시간이 지남에 따라 사용자의 개인적인 선호도에 더욱 부합하게 될 것입니다.
