AI 에이전트 성능 극대화를 위한 컨텍스트 엔지니어링

본 프로젝트는 컨텍스트 엔지니어링(Context Engineering)을 LLM의 제한된 어텐션(Attention) 자원 내에서 정보 관리를 위한 핵심 기술로 정의한다. 이는 시스템 프롬프트, 도구 정의, 검색된 문서, 메시지 기록, 도구 출력 등 모든 정보를 포괄한다. 특히, 컨텍스트 길이가 증가함에 따라 발생하는 '중간 손실(Lost-in-the-middle)' 현상, U자형 어텐션 곡선, 어텐션 부족 문제를 해결하는 데 초점을 맞춘다.

본 가이드에서는 멀티 에이전트 아키텍처(Multi-Agent Architecture)를 마스터 오케스트레이터(Orchestrator), P2P(Peer-to-Peer), 계층적 구조로 분류하여 설명한다. 각 아키텍처는 에이전트 시스템의 복잡성을 관리하고, 특정 작업에 특화된 에이전트 간의 협업을 가능하게 한다. 이러한 아키텍처는 확장성(Scalability)과 유연성(Flexibility)을 제공하여 다양한 AI 에이전트 시스템 구축에 기여한다.

본 문서에서는 단기, 장기, 그래프 기반의 메모리 시스템(Memory System) 아키텍처 설계를 다룬다. 각 메모리 시스템은 에이전트가 정보를 저장하고 검색하는 방식을 결정하며, 에이전트의 지속성(Persistence)과 학습 능력(Learning Capability)에 영향을 미친다. 특히, 그래프 기반 메모리는 복잡한 관계를 모델링하여 에이전트의 추론 능력(Reasoning Ability)을 향상시킨다.

본 가이드에서는 에이전트 시스템의 성능을 평가하기 위한 프레임워크 구축 방법을 제시한다. 여기에는 직접 점수 매기기, 쌍별 비교, 루브릭 생성, 편향 완화 등 LLM-as-a-Judge 기술이 포함된다. 이러한 평가는 에이전트 시스템의 신뢰성(Reliability)과 정확성(Accuracy)을 보장하고, 지속적인 개선을 위한 기반을 마련한다.

본 프로젝트는 외부 RDF 컨텍스트를 에이전트의 BDI(Belief, Desire, Intention) 정신 상태로 변환하는 방법을 제시한다. 이는 형식적인 BDI 온톨로지 패턴을 사용하여 사고(Deliberative Reasoning)와 설명 가능성(Explainability)을 향상시킨다. 특히, BDI 아키텍처는 에이전트의 의사 결정 과정을 명확하게 모델링하고, 복잡한 환경에서의 적응성(Adaptability)을 높인다.