연구진은 LLM 기반 에이전트가 실제 환경에서 성능 저하를 겪는 문제점을 지적했어요. NoisyAgent 프레임워크는 사용자 상호작용 및 도구 실행의 불확실성을 훈련에 반영하여 이 문제를 해결해요. 훈련 과정에서 점진적으로 난이도를 높여 에이전트의 적응력을 향상시키고, 이상적인 벤치마크에서도 성능 향상을 확인했어요.
NoisyAgent는 사용자 상호작용의 모호함과 도구 실행 오류를 시뮬레이션하여 환경적 불완전성을 학습에 통합해요. 소음 환경에서 훈련하면 일반화된 추론과 의사 결정 능력을 향상시킬 수 있어요.
NoisyAgent 프레임워크는 실제 환경 배포를 위한 에이전트 훈련과 현실 세계의 격차를 줄이는 데 중요한 역할을 할 수 있어요.