연구에서 LLM 에이전트 간의 지식 전달 방식을 개선하기 위해 자연어 메시지 대신 가중치 업데이트를 활용하는 TFlow 프레임워크를 제안했습니다.
TFlow는 에이전트의 내부 활성화를 수치화하여 수신 모델의 가중치에 일시적인 LoRA(Low-Rank Adaptation) 형태로 적용하여 처리량과 KV 캐시 메모리 사용량을 줄입니다.
Qwen3-4B 에이전트 3개를 활용한 실험에서 TFlow는 기존 방식 대비 정확도가 최대 8.5% 향상되고 토큰 처리량은 최대 83.27% 감소하는 효과를 보였습니다.