BookWorld 논문 리뷰: 소설 세계관을 그대로 옮긴 LLM 다중 에이전트 시뮬레이션의 구조와 평가
딥러닝 논문읽기 모임이 소개한 BookWorld 논문 리뷰. 소설에서 캐릭터와 세계관을 추출해 롤 에이전트와 월드 에이전트로 나누고, 장면 단위 시뮬레이션으로 새 이야기를 만들어내는 구조와 평가 방식을 정리했다.
핵심 내용 읽기 →
AI TOPIC
LLM 에이전트 최신 뉴스와 핵심 해설
LLM 에이전트 관련 핵심 뉴스와 활용 인사이트 17편을 최신순으로 모았습니다.
실행 기반 AI 연구 자동화: 아이디어를 GPU로 돌려 검증한 스탠퍼드 연구, 진화 탐색은 되고 RL은 막혔다
AI가 낸 연구 아이디어는 심사에서 사람보다 높은 점수를 받았지만 실제로 실험을 돌리자 점수가 6.0에서 4.13으로 무너졌다. 스탠퍼드 연구팀이 아이디어를 자동으로 코드로 옮겨 GPU에서 검증하는 환경을 만들고 무엇이 통했는지 정리했다.
핵심 내용 읽기 →
AI2 오토디스커버리 발표 정리: 베이지안 서프라이즈 보상과 비선형 탐색으로 데이터에서 가설을 찾는 법
앨런 AI 연구소 연구자가 alphaXiv 강연에서 데이터셋만 주고 가설을 스스로 찾게 하는 시스템을 설명한다. 언어 모델의 믿음 변화량을 보상으로 삼는 방식과 비선형 탐색의 효과, 남은 한계까지 정리했다.
핵심 내용 읽기 →
구글 빅 슬립·코드멘더 정리: AI 에이전트가 보안 취약점을 찾아 자동으로 고치는 구조와 한계
구글 보안 총괄들이 밝힌 AI 취약점 자동화 전략. 깊은 메모리 버그를 오탐 없이 찾아내는 빅 슬립과, 패치를 여러 겹으로 검증해 오픈소스에 178건을 반영한 코드멘더의 작동 방식과 남은 한계를 정리했다.
핵심 내용 읽기 →
체인 오브 소트 모니터링이란: OpenAI 안전 연구자가 짚은 AI 감시의 새 기회와 사라질 위험
AI가 사람의 말로 생각을 풀어 쓰는 지금이 그 의도를 미리 읽어 낼 기회라는 발표를 정리했다. 감시가 통하는 이유와 대규모 강화학습·구조 변화로 이 기회가 곧 닫힐 수 있는 네 가지 위험, 그리고 연구자가 제안한 대응책을 함께 다룬다.
핵심 내용 읽기 →
LLM 에이전트 평가 입문: 스캐폴딩 설계와 엘리시테이션, 반복되는 실패 모드까지 정리
AI 안전 교육 프로그램 ARENA의 강의가 LLM 에이전트 평가의 기본 구조를 짚었다. 스캐폴딩 설계와 위키피디아 게임 실습, 능력을 최대한 끌어내는 엘리시테이션, 루프에 갇히는 실패 모드까지 정리했다.
핵심 내용 읽기 →
LLM 에이전트 기초 강의: 도구 호출·환경 표현·ReAct 계획과 멀티 에이전트
카네기멜런대 고급 NLP 강의가 정리한 LLM 에이전트의 구성 요소. 도구를 부르는 두 가지 방식과 웹 환경 표현, 환경 이해를 돕는 프롬프트, 계획 수정과 오류 복구, 멀티 에이전트의 한계를 실제 사례로 짚는다.
핵심 내용 읽기 →
MINDcraft 논문 공개: 마인크래프트에서 LLM 에이전트들이 협업하는 법을 측정하다
마인크래프트에서 LLM 에이전트를 움직이는 오픈소스 프로젝트 MINDcraft가 심사 중인 학술 논문으로 정리됐다. 재료를 나눠 가진 봇들이 대화로 협력해 아이템을 만들고 요리하고 건축하는 과제로 모델의 협업 능력을 비교한다.
핵심 내용 읽기 →
IASEAI 2026 정리: AI 실패 탐지와 대응, 법 위반 벤치마크부터 증언 아카이브 보호까지
IASEAI 2026 세션에서 연구자 9명이 AI 실패를 찾아내고 대응하는 방법을 발표했다. EU 법 위반 벤치마크, 모델의 성능 은폐 탐지, 기만적 정렬 평가, 위임 판단 이론, 증언 아카이브 보호까지 핵심 내용을 정리했다.
핵심 내용 읽기 →
코드 월드 모델과 오토 하네스 — 딥마인드 연구자가 말하는 LLM 게임 에이전트의 두 가지 해법
구글 딥마인드 연구자가 LLM으로 게임 에이전트를 만드는 두 방식을 소개했다. 게임 규칙 자체를 코드로 합성하는 코드 월드 모델과, 반칙 수만 걸러 주는 가벼운 하네스를 스스로 진화시키는 방법이다.
핵심 내용 읽기 →
트레이딩에이전트 논문 정리 — 애널리스트·리서치·트레이더·리스크 4단계 AI 팀의 백테스트 성과와 한계
주식 판단을 AI 하나가 아니라 역할을 나눈 AI 팀에게 맡긴 트레이딩에이전트 연구. 강세파와 약세파가 토론하고 리스크 팀이 다시 걸러내는 4단계 구조와, 애플·구글·아마존 세 종목 백테스트에서 드러난 성과와 한계를 정리했다.
핵심 내용 읽기 →
구글 딥마인드 진단 AI 논문 정리: 대화형 의료 AI가 1차 진료의를 앞선 조건과 한계
네이처에 실린 구글 딥마인드의 대화형 진단 AI 논문을 다룬 발표를 정리했다. 가상 환자 연기자와의 채팅 실험에서 진단 정확도와 공감 지표 모두 실제 1차 진료의를 앞섰지만, 텍스트 한계와 책임 소재 문제가 남았다.
핵심 내용 읽기 →
LLM 에이전트 신뢰성의 열쇠 '하네스 엔지니어링': 상태 머신으로 통제하기
AI 음성 튜터 Ace 개발자들이 소개한 하네스 엔지니어링. 모델에 제어 흐름을 맡기지 않고 상태 머신으로 통제해 작은 모델로도 안정적인 에이전트를 만드는 방법을 정리했다.
핵심 내용 읽기 →
MCP 코드 모드 논쟁: LLM에 도구를 API 코드로 주면 나을까, Yannic 반론
Cloudflare의 코드 모드는 MCP 도구를 TypeScript API로 바꿔 LLM이 코드로 호출하게 한다. 왜 더 잘 되는지, 여러 호출을 미리 엮는 방식의 한계와 대안을 Yannic Kilcher가 짚는다.
핵심 내용 읽기 →
프롬프트 캐싱으로 LLM 에이전트 추론 비용 줄이기: KV 캐시와 서버 라우팅 원리
클로드 코드 같은 AI 코딩 에이전트는 매 턴 같은 프롬프트 앞부분을 반복 전송한다. 이 영상은 트랜스포머의 KV 캐시를 재사용하는 프롬프트 캐싱이 추론 비용을 어떻게 낮추는지, 캐시를 깨뜨리는 실수와 서버 라우팅·보안 이슈까지 설명한다.
핵심 내용 읽기 →
LLM 에이전트 개념 쉽게 이해하기: 메모리·계획·행동 모듈과 RAG의 결정적 차이
LLM 에이전트는 대규모 언어 모델을 중심에 두고 메모리·계획·행동 모듈로 환경과 상호작용하는 시스템이다. 이 영상은 '엎질러진 것 치우기' 예시로 단순 LLM, RAG를 붙인 LLM, 그리고 에이전트가 계획을 세우는 방식이 어떻게 다른지 설명한다.
핵심 내용 읽기 →
LLM 도구(tool)란? 에이전트 하네스 Pi로 이해하는 툴 정의와 실행
면접 단골 질문 '도구란 무엇인가'를 오픈소스 코딩 하네스 Pi를 예로 풀어, LLM이 외부 환경과 상호작용하는 방법과 read·bash 등 툴의 정의·설명문·실행 구조를 단계별로 설명한다.
핵심 내용 읽기 →