한 줄 요약
DynaFlow는 자유형 멀티에이전트 오케스트레이션을 학습하여 88.08%의 정확도를 달성한 프레임워크이다.
핵심 기여도
- **DynaFlow**라는 프레임워크를 제안하여, 메인 에이전트가 자유형 실행 가능한 워크플로우를 생성할 수 있도록 했다.
- **Qwen3.5-27B** 백본 모델을 사용한 6개 벤치마크에서 **88.08%**의 정확도를 달성했으며, 가장 강력한 기존 기반선을 **10.90% 포인트** 초과했다.
- **트레이드미스 필터링**을 통해 **비지원된 전제**, **편향된 검증**, **정보 흐름 결함**을 제거한 **2단계 학습**을 도입했다.
- **서브에이전트는 고정** 상태로 유지하며, 오케스트레이션 학습과 실행자 능력 향상을 분리했다.
핵심 아이디어
DynaFlow는 기존 멀티에이전트 시스템에서 흔히 사용되는 고정된 협업 구조의 한계를 극복하기 위해, 메인 에이전트가 **자유형 실행 가능한 워크플로우**를 생성하고 실행하는 방식을 도입했다. 이는 **sequential 또는 parallel 실행**, **구조화된 정보 교환**, **검증**을 통해 서브에이전트를 조율한다.
기존 연구는 워크플로우 생성에 **제한된 템플릿**이나 **단일 결정**을 사용했지만, DynaFlow는 **실행 결과와 트레이스**를 기반으로 **반복적인 오케스트레이션 결정**을 내리는 방식을 채택했다. 이는 **cross-stage 정보 흐름**을 핵심 차원으로 삼아, 중간 결과를 명시적으로 사용하고 검증하며 개선하도록 유도한다.
기술적 접근법
- **메인 에이전트**는 **서브에이전트**를 조율하며, 직접 답변하거나, 일반 도구를 사용하거나, **태스크별 워크플로우 프로그램**을 생성할 수 있다.
- **실행 인터페이스**를 통해 서브에이전트의 책임, 순차/병렬 의존성, 중간 출력의 전달 및 검증을 코드로 정의한다.
- **예산 제한 런타임**이 프로그램을 실행하고, 출력과 실행 트레이스를 반환한다.
- **2단계 학습**을 통해 메인 에이전트만 학습:
1. **디스틸된 워크플로우 트레이드미스**로 초기 학습
2. **비지원 전제**, **편향 검증**, **정보 흐름 결함**이 있는 예시를 제거한 **커레이션된 데이터**로 정제
주요 결과
- **6개 벤치마크**(수학적 추론, 과학 질문 답변, 멀티홉 검색)에서 **Forced 모드**에서 **88.08%**의 정확도를 달성.
- **가장 강력한 기존 기반선**(동일 Qwen3.5-27B 백본) 대비 **+10.90% 포인트** 개선.
- **Dynamic 모드**에서는 **47.1%**의 질문에 워크플로우 없이 답변하면서도 정확도를 유지.
- 학습 후 **중간 출력의 사용, 검증, 개선**이 더 명확해졌으며, **cross-stage 정보 흐름**이 핵심 차원으로 나타남.
의의 및 한계
DynaFlow는 고정된 서브에이전트를 활용하면서도, **오케스트레이션 학습**을 효과적으로 수행함으로써, 기존 멀티에이전트 시스템의 **유연성 부족** 문제를 해결한다. 특히, **2단계 학습**과 **트레이드미스 필터링**을 통해 **신뢰성 있는 정보 흐름**을 강화하고, **중간 결과의 개선**을 촉진한다.
하지만, **서브에이전트의 정보 전달 신뢰성**이나 **독립적 검증 능력**은 학습되지 않으며, **다중 턴 트레이드미스**를 포함한 학습이 필요하다는 한계가 있다. 또한, **결정적 오케스트레이션**이 아닌 **동적 조정**을 요구하는 상황에서의 확장성도 추가 연구가 필요하다.
실용적 활용
DynaFlow는 **복잡한 문제 해결**, **과학적 질문 답변**, **다중 단계 검색** 등에서 유용하게 활용될 수 있다. 특히, **고정된 에이전트를 재사용하면서도 유연한 협업 구조**를 요구하는 산업 및 연구 환경에서 적용 가능하다.