[논문리뷰] Raven: The Harness of Harnesses for Composable Agentic Intelligence

링크: 논문 PDF로 바로 열기

메타데이터

저자: EverMind AI

## 1. Key Terms & Definitions (핵심 용어 및 정의)

• Harness: 모델의 잠재력을 특정 도메인에서 발휘할 수 있도록 지원하는 도구 인터페이스, 컨텍스트 관리, 기술, 실행 정책 및 복구 메커니즘의 총체를 의미합니다.
• Raven: 다양한 도메인과 모델에 걸쳐 모듈형 Harness를 자동으로 구성하고 진화시키는 개방형 Multi-Agent 생태계입니다.
• Skill Forge: 에이전트의 경험을 구조화하여 향후 유사한 작업에 재사용할 수 있는 절차적 지식 저장소입니다.
• All-Domain Collaboration Network: Host Agent가 목표를 분해하고, 최적의 에이전트를 매칭하며, 실행 종속성을 관리하여 복잡한 크로스 도메인 워크플로우를 처리하는 협업 프레임워크입니다.

## 2. Motivation & Problem Statement (연구 배경 및 문제 정의) 본 논문은 대규모 에이전트 시스템에서 Harness 설계의 확장성 부족과 특정 도메인에 대한 과도한 결합(Coupling) 문제를 해결하고자 합니다. 기존 에이전트 연구들은 단일 도메인에서의 성능 최적화에 집중해 왔으나, 실제 복잡한 작업은 여러 전문 영역의 결합이 필수적입니다. 그러나 이러한 다중 전문성을 수동으로 설계하는 것은 비용이 많이 들고 유지보수가 어렵습니다. 결과적으로, 에이전트의 실질적 성능이 모델 자체보다 환경과 상호작용하는 Harness의 설계 품질에 크게 의존하는 현상이 발생하고 있으며, 이를 자동화하고 범용화할 새로운 구조가 필요합니다 [Figure 1].

## 3. Method & Key Results (제안 방법론 및 핵심 결과) Raven은 모델-Harness 쌍을 Composable Unit으로 취급하여, Host Agent를 통해 목표를 분해하고 계층적으로 에이전트를 오케스트레이션합니다. 본 방법론은 하드웨어 자원 관리와 에이전트 경험 공유를 최적화하는 EverOS와, 작업 의도를 기반으로 유연하게 스킬을 검색 및 업데이트하는 Skill Forge를 포함합니다 [Figure 1]. 또한, 시스템은 진단 기반의 Harness 자가 진화(Self-Evolution) 메커니즘을 통해 성과를 지속적으로 개선합니다.

주요 실험 결과, Raven은 다음과 같은 성능 우위를 보입니다.

• Multi-Agent Orchestration: 제안된 그래프 기반 오케스트레이션은 종속성 예측 정확도에서 기존 시스템 대비 일관된 상승폭을 기록했습니다.
• Raven-Research 및 Raven-Code: 증거 기반의 Deep Research와 Repository 인식 소프트웨어 엔지니어링 작업에서 SOTA(State-of-the-Art) 모델들을 상회하는 높은 작업 성공률을 달성했습니다.
• Efficiency: 동일한 인프라 비용 조건에서 더 높은 정확도를 보여, 자원 할당 측면에서의 효율성이 입증되었습니다.

## 4. Conclusion & Impact (결론 및 시사점) Raven은 에이전트 기반 인텔리전스를 수동 설계 영역에서 자율적 구성 및 진화 영역으로 전환하는 기념비적인 프레임워크입니다. 본 연구는 에이전트 시스템이 특정 도메인을 넘어 복잡한 크로스 도메인 워크플로우를 신뢰성 있게 수행할 수 있음을 이론적·실험적으로 증명했습니다. 향후 Raven의 구조는 기업형 에이전트 시스템 및 자율 자동화 인프라의 표준 아키텍처로 기능하며 AI 생태계의 복합 지능 구현을 가속화할 것으로 기대됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.