LLM 에이전트가 사용하는 도구 생태계가 확장됨에 따라, 도구 검색의 효율성이 중요해지고 있어요. 연구진은 의도 기반 그래프를 활용하여 에이전트의 의도와 도구 간의 연결성을 강화하는 'SING' 프레임워크를 제안했어요. SING은 기존 방식 대비 최대 59.8%의 Global Recall@5 성능 향상과 28.9%의 성공률 증가를 보여줬어요.
SING은 7,471개의 도구 데이터셋을 활용하여 평가되었으며, 전체 도구 스키마 노출을 99.8% 줄이는 효과를 입증했어요. 이는 에이전트가 필요에 따라 적절한 도구를 동적으로 검색할 수 있도록 지원하는 중요한 기술적 진보입니다.
연구 결과는 LLM 에이전트의 확장 가능성을 높이고, 현실적인 디지털 환경에서 더욱 효과적인 작업 수행을 가능하게 할 것으로 기대됩니다.