연구진은 다중 에이전트 시스템(MAS)의 복잡한 추론 문제를 해결하기 위한 LLM 최적화의 어려움을 지적했어요. 기존 블랙박스 최적화 방식은 오류 원인을 정확히 파악하지 못해 비효율적인 탐색을 야기합니다.
시간적 신용(중요 라운드 식별)과 구조적 신용(에이전트 기여도 분리)을 활용하여, 역할 프롬프트와 집계 프로토콜을 순차적으로 개선하는 새로운 알고리즘을 제안했어요.
다양한 추론 벤치마크에서 쿼리 복잡성을 줄이고 성능을 향상시켜, 자기 개선 MAS를 위한 해석 가능하고 체계적인 방법을 제시했어요.