[논문리뷰] Skill^{infty}: Recursive Self-Improvement for Agent Skill Optimization

링크: 논문 PDF로 바로 열기

메타데이터

저자: Wangcheng Tao, Zhanglu Yan, Han Wu, Weng-Fai Wong

---

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

• Recursive Self-Improvement (RSI): 시스템이 작업을 수행하는 성능뿐만 아니라, 그 성능을 개선하는 절차 자체를 스스로 개선하는 기술적 지향점입니다.
• Skill Package: SKILL.md 파일을 중심으로 명령어, 스크립트, 레퍼런스 파일을 포함하여 에이전트가 재사용 가능한 절차적 지식을 저장하는 표준 포맷입니다.
• Meta-Skill: 다른 태스크 스킬을 최적화하기 위한 절차를 기술한 특수한 스킬 패키지이며, 본 논문에서는 이 Meta-Skill 자체가 최적화의 대상이 됩니다.
• Native Skill Discovery: 에이전트가 별도의 주입 없이 자신의 명칭과 설명을 바탕으로 필요할 때 스스로 스킬을 활성화하여 로드하는 메커니즘입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 기존의 스킬 최적화 방식들이 가진 수동적인 절차와 확장성 부족 문제를 해결하고자 합니다. 대부분의 기존 연구들은 스킬 최적화 절차를 사람이 직접 설계하거나, 메타 스킬을 최적화하더라도 고정된 파이프라인 내에 가두어 각 태스크마다 재학습해야 한다는 한계가 있습니다. 이러한 방식은 최적화 과정 자체가 정체되는 문제를 야기하며, 진정한 의미의 Recursive Self-Improvement(RSI)를 구현하기 어렵게 만듭니다 [Figure 1]. 저자들은 이러한 제약을 극복하기 위해 스킬 최적화 절차 자체를 스킬로 인코딩하고, 이를 스스로 개선할 수 있는 에이전트 기반의 프레임워크가 필요하다고 판단했습니다.

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 Skill^∞ 프레임워크를 제안하며, 메타 에이전트가 Meta-Skill을 따라 태스크 스킬을 최적화하고, 동일한 절차를 통해 Meta-Skill 자체를 재귀적으로 개선합니다 [Figure 1]. 최적화 과정은 에이전트 주도로 이루어지며, 실행 로그 진단, 후보군 제안, 독립적 리뷰, 예산 할당의 단계를 거칩니다 [Figure 2]. Meta-Skill은 태스크 스킬과 분리되어 다양한 도메인에서 재사용 가능하며, 모든 스킬은 Native Skill Discovery를 통해 실제 배포 환경과 동일하게 로드됩니다. 실험 결과, **Skill^∞**는 SkillsBench에서 60.7%의 Pass Rate를 기록하여 기존의 SkillEvolver(54.5%) 및 인간이 큐레이션한 스킬(56.4%)보다 우수한 성능을 보였습니다 [Table 1]. 또한, KernelBench에서는 1.62의 평균 속도 향상을 달성하며 복잡한 최적화 과제에서도 높은 효율성을 입증했습니다 [Figure 3].

4. Conclusion & Impact (결론 및 시사점)

본 논문은 스킬 최적화 절차를 에이전트가 스스로 개선 가능한 스킬 형태로 인코딩함으로써 실질적인 Recursive Self-Improvement를 구현하였습니다. 제안된 **Skill^∞**는 태스크 스킬과 메타 스킬을 구조적으로 분리하여 높은 범용성과 아키텍처 효율성을 제공합니다. 이 연구는 에이전트 시스템이 스스로의 최적화 파이프라인을 지능적으로 진화시킬 수 있음을 보여주며, 향후 AGI를 향한 자동화된 최적화 경로 연구에 중요한 학술적 기반을 마련했습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.