연구팀은 LLM 에이전트의 장기 의사 결정 성능 향상을 위한 데이터 관리 프레임워크 CurateEvo를 제안했어요. CurateEvo는 실패한 경로 데이터를 활용해 데이터 관리 전략을 반복적으로 개선하는 방식이에요. ACEBench-Agent, BFCL-V4, τ^2-Bench 벤치마크에서 기존 방식보다 평균 3.2~2.7점 성능 향상을 기록했어요.
CurateEvo는 데이터 관리 전략을 실행 가능한 코드로 표현하고, 개발 세트의 실패 경로 데이터를 기반으로 코드를 재작성해요. 이 과정에서 데이터 증강, 필터링, 정제 등을 통해 효과를 높이고, 중복 데이터를 제거해 효율성을 개선해요.
연구 결과, CurateEvo는 다양한 후처리 방식과 호환되며 데이터 관리 부담을 크게 줄여준다고 해요.