AI Agents That Matter - 논문 리뷰

https://arxiv.org/abs/2407.01502

AI Agents That Matter

 

저는 AI Agent에 대한 방법론을 확인해 보고 싶었는데 이 논문은 벤치마크에 대한 논문이었습니다.

기존 벤치마크는 정확도에만 집중해서 그에 따라오는 비용은 무시했습니다.
그리하여 불필요한 연산이 엄청나게 늘어난 에이전트들이 나오기 시작했습니다.

또한 데이터 셋의 다양성이 부족해 오버피팅이 일어나기도 하고, 평가 방식이 다 달라 표준화도 부족하였습니다.

 

이를 해결하기 위해 비용-정확도를 동시에 최적화하고, 데이터셋의 분포를 이동하기도 하며, 정확도 이외에도 실행 비용, 재현 가능성, 실제 환경에서의 유용성 등 메트릭의 다 차원화를 이루었습니다.

Base line로는 Retry(동일한 모델로 여러번 재 시도), Warming(낮은 temperature에서 재시도 시 점진적으로 온도를 증가시켜 확률적 탐색을 강화), Escalation(간단한 모델로 시작해 복잡한 모델로 전환) 등이 있습니다.

 

 

 

논문 요약: AI Agents That Matter

1. 문제가 무엇인가?

• 문제점 요약:
  1. 비용과 정확도 불균형: 현재 AI 에이전트 벤치마크는 정확성에 지나치게 집중해 실제 애플리케이션에서 중요한 비용을 무시함.
  2. 비교 평가의 모호성: 모델 개발자와 실제 애플리케이션 사용자(다운스트림 개발자)의 벤치마크 요구사항이 혼재되어 혼란을 초래함.
  3. 오버피팅 문제: 대부분의 에이전트 벤치마크는 보류 데이터셋이 부적절하거나 없어서 모델이 특정 데이터에 과적합되는 문제를 초래함.
  4. 재현 가능성 부족: 평가 표준화 부족으로 인해 결과 재현성이 떨어지고 과대평가된 결과를 낳음.

---

2. 사용된 방법은?

• 비용-정확도 동시 최적화:
  • 정확도와 비용 간의 Pareto 곡선을 활용하여 두 메트릭을 동시에 최적화하는 새로운 접근 방식 제안.
  • DSPy 프레임워크를 수정하여 HotPotQA에서 비용 절감과 정확도 유지를 입증.
• 단순 기준선 설정:
  • 기존 복잡한 에이전트 구조와 비교하여 단순하고 비용 효율적인 기준선을 도입(예: Retry, Warming, Escalation 전략).
• 오버피팅 방지:
  • 일반화 수준에 따라 적합한 보류 데이터셋 정의.
  • 예: 특정 작업 전용, 도메인 전반, 또는 다목적 에이전트를 평가하는 경우 각기 다른 보류 전략 제안.
• 평가 표준화:
  • 벤치마크와 평가 스크립트의 표준화를 촉진하여 결과 재현성을 높이고 신뢰성 확보.

---

3. 결과는?

• 비용 절감 효과:
  • DSPy 프레임워크의 수정으로 GPT-3.5 기반 에이전트에서 비용을 53% 감소시키면서 정확도를 유지.
  • 간단한 기준선이 복잡한 에이전트 아키텍처와 유사한 정확도를 제공하면서 비용 효율적임을 입증.
• 오버피팅 및 편향 문제 식별:
  • 대부분의 에이전트 벤치마크가 보류 데이터셋 부족으로 인해 특정 작업에만 최적화된 모델을 양산.
• 표준화 필요성 강조:
  • 평가 재현성을 높이기 위해 프레임워크와 스크립트의 명확한 정의 필요.

---

4. 한계점은?

• 적용 범위 제한:
  • 제안된 방법론은 특정 벤치마크(HotPotQA, HumanEval)에 국한되어 있으며, 다른 벤치마크나 실제 애플리케이션에 일반화되지 않을 수 있음.
• 복잡성 증가:
  • 비용-정확도 최적화를 위한 설정 및 하이퍼파라미터 튜닝 과정이 시간과 자원을 요구함.
• 휴먼 인 더 루프(Human-in-the-loop) 평가 부족:
  • 실제 사용 사례에서 사람이 개입하는 시나리오를 포함한 평가가 부족하여 결과가 과소평가될 위험이 있음.

---

5. 논문의 타당성과 아쉬운 점

• 타당성:
  • 비용 효율성과 정확도를 동시에 고려한 접근은 실제 애플리케이션의 요구를 충족시키는 데 유용.
  • 오버피팅 문제와 재현 가능성 부족을 해결하기 위한 명확한 프레임워크 제공.
• 아쉬운 점:
  • 제안된 평가 프레임워크가 초기 단계에 머물러 있으며, 다양한 도메인에 적용하기 위한 후속 연구가 필요함.
  • 복잡한 작업이나 장기적인 환경 변화(drifts)를 모델링하기 위한 실험적 증거 부족.

---

연구 방향 제안

1. 휴먼 인 더 루프 통합:
   • 실제 사용 사례에서 인간 피드백을 반영한 에이전트 평가를 통해 더욱 현실적인 성능 분석.
2. 다양한 도메인 벤치마크 적용:
   • HotPotQA 외에도 의료, 금융, 제조 등 다양한 도메인에서 비용-정확도 최적화 모델을 검증.
3. 에이전트 일반화 수준 강화:
   • 도메인 간 또는 다목적 에이전트를 위한 보다 강력한 보류 데이터셋 설계.
4. 실시간 평가 프레임워크 개발:
   • 비용 변화 및 모델 개선을 실시간으로 반영할 수 있는 동적 벤치마크 시스템 구축.

 

그럼 기존의 Agent들은 어땠는지 논문을 기반으로 설명해줘

논문에서 제시된 기존 AI 에이전트의 문제점과 특성은 다음과 같이 요약됩니다:

---

1. 기존 에이전트의 평가와 문제점

(1) 비용에 대한 고려 부족

• 대부분의 기존 에이전트는 정확도에만 초점을 맞춤.
  • 정확도를 높이기 위해 다수결 추론(retry) 또는 복잡한 전략(예: 디버깅, 반성(reflection))을 사용함.
  • 이러한 방법은 실행 비용을 급격히 증가시킴.
  • 예: SWE-Agent는 한 번의 작업에 최대 $4까지 소요되며, 이는 수십만 개의 토큰 처리를 의미함.
• 효율성 문제: 동일한 정확도를 제공하면서도 단순한 전략(예: "retry")이 더 적은 비용으로 가능했음.

---

(2) 복잡한 구조와 과도한 설계

• 복잡한 구조:
  • SOTA(State-of-the-Art) 에이전트는 다단계 접근법(예: 디버깅, 계획, 하위 목표 분해)을 사용해 높은 정확도를 달성하려 함.
  • 하지만 이는 비효율적인 비용 구조로 이어짐.
  • Reflexion, LATS와 같은 에이전트는 비슷한 정확도를 제공하는 단순한 "warmed retry"와 비교해 훨씬 더 많은 비용이 소모됨.
• 불필요한 설계:
  • 논문에 따르면 "System 2" 접근법(계획, 반성 등)이 실제로 정확도 개선에 기여했다는 명확한 증거가 부족.
  • 예: 기존 복잡한 에이전트 설계가 간단한 기준선(예: retry, warming)보다 명확히 나은 성과를 보여주지 못함.

---

(3) 벤치마크 중심의 설계와 오버피팅

• 특정 벤치마크에 과도하게 최적화:
  • 에이전트가 특정 데이터셋(예: HumanEval, WebArena)에 오버피팅.
  • 예: STeP 에이전트는 WebArena의 Reddit 작업에서 특정 URL 구조를 하드코딩하여 높은 점수를 얻음.
  • 이런 설계는 실제 환경의 변화(drifts)에는 매우 취약.
• 보류 데이터셋 부족:
  • 대부분의 에이전트 벤치마크는 보류 데이터셋을 적절히 설계하지 않음.
  • 일반화 능력을 평가하지 않아 실제 애플리케이션에 적합하지 않은 모델이 양산됨.

---

(4) 재현 가능성과 표준화 부족

• 재현성 문제:
  • 동일한 벤치마크에서도 에이전트 평가 방법이 제각각임.
  • 예: HumanEval에서 일부 에이전트는 테스트 케이스가 없는 작업을 제거하거나, 기존 데이터셋을 수정하여 결과가 일관되지 않음.
• 표준화 부족:
  • LLM 벤치마크와 다르게 에이전트 벤치마크는 정적 입력/출력을 넘어 환경과의 동적 상호작용을 포함하므로 평가가 더욱 복잡.
  • Reddit 같은 사이트의 속도 제한(rate limits)과 같은 외부 요인이 평가 결과에 영향을 미침.

---

2. 기존 에이전트의 주요 사례

(1) Reflexion, LATS, LDB 에이전트

• 복잡한 "System 2" 접근법(계획, 반성, 디버깅)을 적용.
• HumanEval에서 정확도는 높았지만, 간단한 기준선(예: retry 전략) 대비 비용 효율성이 낮음.
• 비용-효율성 분석 결과, 이러한 SOTA 에이전트는 실제로 간단한 전략에 비해 불필요하게 설계된 면이 있음.

(2) STeP (WebArena 에이전트)

• 특정 작업(예: Reddit 프로필 탐색)을 하드코딩된 규칙 기반 정책으로 처리.
• 이는 WebArena 벤치마크에서 높은 점수를 얻었지만, 사이트 구조가 변경되면 쉽게 실패할 가능성이 높음.
• 따라서 실제 환경에서 사용할 때 신뢰할 수 없는 결과를 보일 수 있음.

---

3. 기존 에이전트의 장점과 단점

• 장점:
  • 복잡한 전략을 활용해 다양한 작업에서 높은 정확도를 달성.
  • 특정 벤치마크에서 높은 성과를 기록하여 새로운 방법론을 시도할 동기를 부여.
• 단점:
  • 높은 비용 구조와 불필요한 복잡성.
  • 특정 벤치마크에 과적합된 설계로 인해 일반화 부족.
  • 재현 가능성과 표준화 부족으로 인해 결과의 신뢰성이 떨어짐.

---

결론

기존 에이전트들은 정확도 향상을 위해 복잡한 설계와 높은 비용을 감수했지만, 효율성 및 일반화 측면에서 명확한 한계를 드러냈습니다. 이는 실제 애플리케이션에서의 활용성을 떨어뜨리는 주요 원인이었으며, 이 논문은 이러한 문제점을 해결하기 위한 방향을 제안했습니다.

 

그럼 이 논문은 Agent에 대한 새로운 방법이라기 보다는 벤치마크와 데이터셋 정도를 제공한거야?

네, 이 논문은 에이전트 개발의 새로운 방법론을 제시하기보다는 벤치마크와 평가 방법의 개선을 중점적으로 다루고 있습니다. 주요 초점은 에이전트 자체보다는 평가 체계와 데이터셋의 한계를 진단하고 이를 개선하기 위한 구체적인 가이드라인을 제안하는 데 있습니다. 이를 자세히 살펴보면:

---

1. 새로운 에이전트 설계보다는 평가 체계 개선에 초점

• 논문은 에이전트의 성능을 평가하는 현재의 벤치마크 방식과 데이터셋 설계에 중대한 결함이 있음을 지적합니다.
• 이를 기반으로, 에이전트의 실질적인 성능과 효율성을 평가하기 위해 더 정확하고 현실적인 평가 프레임워크를 제안합니다.

---

2. 논문이 제공한 주요 내용

(1) 벤치마크 설계의 개선 방향

• 비용-정확도 최적화:
  • 단순히 정확도만을 기준으로 삼지 말고, 비용 효율성(cost-efficiency)을 포함한 Pareto 최적화를 통해 새로운 설계 공간을 탐구해야 한다고 주장.
• 오버피팅 방지:
  • 보류 데이터셋(held-out dataset)의 부족으로 인한 특정 작업/데이터에 대한 과적합 문제를 해결하기 위해 적절한 테스트 셋 설계를 제안.
• 재현 가능성:
  • 평가 프로토콜의 표준화를 강조하여 동일한 벤치마크에서 일관된 결과를 보장할 수 있도록 함.

(2) 간단한 기준선의 필요성

• SOTA 에이전트와 비교할 때, 복잡한 설계를 사용하지 않더라도 단순한 기준선 모델(예: retry, warming 전략)이 종종 유사한 정확도를 제공하며 비용 효율적임을 실험적으로 입증.

(3) 데이터셋 설계와 일반화

• 에이전트의 일반화 수준(specific task vs. domain-general task)에 따라 평가 방식이 달라져야 한다고 제안.
• 다양한 도메인에 적용 가능한 데이터셋과 평가 방법을 설계해야 한다고 강조.

---

3. 논문의 초점: 벤치마크와 데이터셋

이 논문의 핵심은 새로운 에이전트를 만드는 방법론보다는 다음과 같은 벤치마크 관련 요소에 있습니다:

1. 현재 벤치마크의 문제점 분석:
   • 예: 오버피팅, 비용 비효율, 재현 가능성 부족 등.
2. 평가 방법론 개선:
   • 비용-정확도 균형(Pareto 최적화)을 통해 실제 애플리케이션에서도 활용 가능한 에이전트 설계를 유도.
3. 실제 데이터 기반의 평가로 확장:
   • 단순한 벤치마크 성능 대신 실제 환경에서의 유용성을 평가하는 데이터셋과 평가 프레임워크 제안.

---

4. 논문의 기여 요약

• 새로운 에이전트 설계:
  • 직접적으로 새로운 에이전트 설계 방법론을 제시하지는 않음.
  • 대신, 기존 에이전트를 효율적으로 평가하고 개선할 수 있는 데이터 중심의 기준선을 제안.
• 벤치마크와 데이터셋 설계:
  • 기존 평가 체계를 재구성하여 실제 환경과 더 잘 맞는 벤치마크와 데이터셋 설계의 필요성을 강조.

---

5. 결론

이 논문은 에이전트의 설계 혁신을 목표로 하기보다는, 평가와 데이터셋 설계의 문제를 해결하려는 목적이 강합니다. 이는 에이전트 개발 자체를 발전시키기 위한 기초 작업으로 볼 수 있습니다. 앞으로 이 논문에서 제시한 평가 체계와 데이터셋을 활용하면, 더욱 효율적이고 일반화된 에이전트 설계가 가능해질 것입니다.

 

그럼 이 논문이 주장하는 벤치마크, 기준 선에 대해서 설명해주라

 

이 논문에서 주장하는 벤치마크와 기준선에 대한 내용은 기존의 문제점을 해결하기 위한 구체적인 제안들로 구성되어 있습니다. 이를 구조적으로 정리하면 다음과 같습니다.

---

1. 벤치마크에서의 주요 문제점

1. 비용과 정확도의 분리된 평가:
   • 기존 벤치마크는 주로 정확도(accuracy)에만 집중하며, 실행 비용(cost)을 무시함.
   • 이로 인해 불필요하게 복잡하고 비효율적인 에이전트가 개발됨.
2. 오버피팅:
   • 많은 벤치마크에서 보류 데이터셋(held-out set)이 없거나 부적절하게 설계되어 에이전트가 특정 데이터에 과적합됨.
   • 예: WebArena와 같은 데이터셋은 동일한 작업(task)이나 환경에서만 평가되어 일반화 성능을 판단하기 어려움.
3. 평가 표준화 부족:
   • 동일한 벤치마크를 사용하는 연구들 간에도 평가 방식이 달라, 결과의 재현성과 신뢰성이 떨어짐.

---

2. 제안된 벤치마크 개선 방향

(1) 비용-정확도 동시 최적화

• Pareto 곡선을 활용해 정확도와 비용을 동시에 평가해야 한다고 주장.
  • 비용-효율적인 설계와 비효율적인 설계를 구분할 수 있는 도구로 사용.
  • 예: "단순 기준선"(retry, warming)과 복잡한 에이전트를 비교한 결과, 간단한 접근법이 더 낮은 비용으로 유사한 성과를 보임.

(2) 보류 데이터셋 설계 강화

• 일반화 수준에 따른 보류 데이터셋 설계:
  • 작업의 범위와 목적에 따라 적합한 보류 데이터셋이 필요.
  • 논문에서 제안한 일반화 수준:
    1. Distribution-specific benchmarks: 동일한 분포 내 샘플 평가.
    2. Task-specific benchmarks: 작업 수준에서 분포 이동(distribution shift)을 반영.
    3. Domain-general benchmarks: 도메인 전반의 새로운 작업 평가.
    4. General-purpose benchmarks: 여러 도메인에서 완전히 새로운 작업 평가.
  • 일반화 수준이 높아질수록 데이터셋의 다양성과 비공개 테스트셋 설계가 중요.

(3) 평가 메트릭의 다차원화

• 정확도 외에도 아래 요소들을 포함하는 다차원적 평가 제안:
  • 실행 비용(시간, 자원, 금전적 비용).
  • 재현 가능성(결과의 안정성 및 신뢰성).
  • 실제 환경에서의 유용성(시뮬레이션이 아닌 실세계 시나리오 평가).

(4) 재현 가능한 평가 프레임워크

• 평가 표준화:
  • 동일한 벤치마크에 대해 일관된 평가 스크립트 제공.
  • 예: HumanEval 데이터셋의 경우, 기존에는 테스트 케이스가 누락되거나 비일관적인 평가 방식이 적용됨.
• 오류 방지와 투명성 강화:
  • 예: 모델이 평가 중 환경 제한(예: Reddit 작업의 속도 제한)을 받는 경우, 이를 명시하고 평가에 반영.

---

3. 제안된 기준선

논문은 복잡한 SOTA 에이전트와 비교하기 위해 간단한 기준선(Baseline)을 제안합니다.

(1) 기준선 모델의 종류

1. Retry:
   • 동일한 모델을 여러 번 호출하여 실패 시 재시도.
   • 간단한 재시도로도 정확도가 유의미하게 증가.
2. Warming:
   • 첫 시도에서 낮은 "온도(temperature)"를 사용하고, 재시도 시 점진적으로 온도를 증가시켜 확률적 탐색을 강화.
3. Escalation:
   • 간단한 모델에서 시작해 실패할 경우 점차 복잡한 모델로 전환.
   • 예: Llama-3 8B → GPT-3.5 → GPT-4.

(2) 효율성

• 기준선 모델이 복잡한 에이전트 아키텍처와 유사한 정확도를 달성하면서도 비용 효율적임을 실험적으로 입증.

---

4. 구체적 사례

HumanEval 기준선 분석

• 복잡한 에이전트(Reflexion, LATS, LDB 등)와 단순 기준선(Retry, Warming, Escalation)을 비교.
• 결과:
  • 단순 기준선이 비슷한 정확도를 제공하면서도 비용은 최대 50배 더 적음.
  • 예: LATS는 Warming 전략보다 50배 더 많은 비용이 소요됨.

HotPotQA 기준선 적용

• DSPy 프레임워크를 수정하여 정확도를 유지하면서 비용을 53% 절감.
• Few-shot 학습을 최소화하고, 간결한 프롬프트 설계를 통해 효율성을 개선.

---

5. 논문의 기여

• 효율성 중심의 평가:
  • 단순 기준선으로도 충분한 성과를 낼 수 있음을 증명.
• 현실적인 벤치마크 설계:
  • 비용-정확도 균형과 오버피팅 방지에 중점을 둔 데이터셋 설계 제안.
• 재현성과 신뢰성 개선:
  • 평가 프로토콜을 표준화하여 연구 간 비교 가능성 강화.

---

결론

이 논문은 에이전트의 "성능"만을 강조했던 기존 벤치마크와 달리, 비용, 효율성, 일반화 가능성을 포함한 종합적인 평가 체계를 제안합니다. 단순하면서도 효과적인 기준선을 통해 복잡한 설계를 대체할 가능성을 보여주며, 에이전트 개발의 새로운 방향을 제시합니다.

 

전체적으로 잘 요약되었지만, 일부 표현이 다소 간략하거나 명확하지 않은 부분이 있어 보완하면 더 정확한 요약이 될 수 있습니다. 아래 수정 및 보완된 내용을 참고하세요.

---

수정 및 보완된 내용:

1. 도입부

원문:

저는 AI Agent에 대한 방법론을 확인해 보고 싶었는데 이 논문은 벤치마크에 대한 논문이었습니다.

수정:

• 저는 AI 에이전트 개발 방법론에 대한 내용을 기대했으나, 이 논문은 AI 에이전트를 평가하는 벤치마크와 데이터셋 설계에 초점을 맞추고 있었습니다.

2. 기존 벤치마크의 문제점

원문:

기존 벤치마크는 정확도에만 집중해서 그에 따라오는 비용은 무시했습니다.
그리하여 불필요한 연산이 엄청나게 늘어난 에이전트들이 나오기 시작했습니다.

수정:

• 기존 벤치마크는 정확도(accuracy)에만 집중하고, 실행 비용(cost)은 고려하지 않았습니다.
  • 이에 따라 불필요하게 복잡하고 고비용의 에이전트가 개발되었으며, 이는 실제 애플리케이션에서 비효율적입니다.

3. 데이터셋과 표준화의 문제

원문:

또한 데이터 셋의 다양성이 부족해 오버피팅이 일어나기도 하고, 평가 방식이 다 달라 표준화도 부족하였습니다.

수정:

• 데이터셋의 다양성과 일반화 수준이 부족하여 특정 데이터나 작업에 오버피팅되는 문제가 발생했습니다.
• 더불어 평가 방식이 표준화되어 있지 않아 결과의 재현성과 신뢰성이 떨어졌습니다.

---

4. 논문의 기여

원문:

이를 해결하기 위해 비용-정확도를 동시에 최적화하고, 데이터셋의 분포를 이동하기도 하며, 정확도 이외에도 실행 비용, 재현 가능성, 실제 환경에서의 유용성 등 메트릭의 다 차원화를 이루었습니다.

수정:

• 이를 해결하기 위해 논문은 다음과 같은 개선 방향을 제안했습니다:
  1. 비용-정확도 동시 최적화:
     • 정확도와 실행 비용 간의 균형을 시각화(Pareto 곡선)하여 효율적인 에이전트 설계를 유도.
  2. 다차원 메트릭 도입:
     • 정확도뿐 아니라 실행 비용, 재현 가능성, 실제 환경에서의 유용성을 평가에 포함.
  3. 데이터셋 설계 강화:
     • 데이터 분포 이동(distribution shift)을 반영한 보류 데이터셋 설계로 오버피팅 방지.
  4. 평가 표준화:
     • 벤치마크 결과의 재현성을 확보하기 위해 일관된 평가 스크립트와 프레임워크를 도입.

---

5. Base Line

원문:

Base line로는 Retry(동일한 모델로 여러번 재 시도), Warming(낮은 temperature에서 재시도 시 점진적으로 온도를 증가시켜 확률적 탐색을 강화), Escalation(간단한 모델로 시작해 복잡한 모델로 전환) 등이 있습니다.

수정:

• 논문에서 제시한 기준선(Baseline)으로는 다음과 같은 간단한 전략이 있습니다:
  1. Retry:
     • 동일한 모델을 여러 번 호출하여 실패 시 재시도.
  2. Warming:
     • 첫 시도에서 낮은 온도(temperature)로 시작하고, 재시도 시 점차적으로 온도를 높여 확률적 탐색을 강화.
  3. Escalation:
     • 간단한 모델(Llama-3 8B)로 시작해 실패할 경우 더 복잡한 모델(GPT-3.5, GPT-4)로 점진적으로 전환.
• 이들 기준선은 복잡한 SOTA 에이전트와 유사한 정확도를 달성하면서도 비용 효율성이 뛰어났습니다.

---

최종 버전:

이 논문은 에이전트의 성능 향상을 위한 새로운 설계 방법론보다는, 벤치마크의 문제를 진단하고 이를 개선하기 위한 방향을 제시하는 데 중점을 두고 있습니다.

1. 기존 벤치마크의 문제점:
   • 정확도만 중시하고 비용은 무시하여 고비용, 비효율적인 에이전트가 개발됨.
   • 데이터셋의 일반화 수준이 부족하여 특정 데이터나 작업에 오버피팅되는 문제가 발생.
   • 평가 방식이 표준화되지 않아 결과의 재현성과 신뢰성이 떨어짐.
2. 논문이 제안한 해결책:
   • 비용-정확도 동시 최적화를 통해 효율적인 설계를 유도.
   • 다차원 메트릭(실행 비용, 재현 가능성, 실제 환경에서의 유용성)을 평가 기준으로 포함.
   • 데이터 분포 이동을 고려한 보류 데이터셋 설계.
   • 평가 방법과 스크립트의 표준화를 통해 재현성 확보.
3. Baseline 전략:
   • 간단한 전략으로는 Retry, Warming, Escalation이 있으며, 이들은 복잡한 에이전트보다 비용 효율적이면서도 유사한 정확도를 달성.

이 논문의 제안은 AI 에이전트의 평가 체계와 데이터셋 설계에 대한 새로운 기준을 제공하며, 효율적인 에이전트 개발을 위한 기초를 다질 수 있습니다.