[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,92 +1,192 @@
|
||||
---
|
||||
id: wiki-2026-0508-multi-agent-system
|
||||
title: Multi agent System
|
||||
title: Multi-agent System
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-MASY-001]
|
||||
aliases: [MAS, 멀티에이전트, Agent Swarm, Agentic Systems]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, multi-agent-system, mas, Autonomous-Agents, collaboration, Swarm-Intelligence]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [ai, agents, llm, orchestration, distributed]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: claude-agent-sdk
|
||||
---
|
||||
|
||||
# [[Multi-agent-System|Multi-agent-System]]
|
||||
# Multi-agent System
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 팀워크: 혼자서는 못 풀 문제를 전문화된 여러 인공지능 에이전트들이 서로 대화하고, 협상하고, 역할을 분담하여 해결하는 집단 지성 시스템이자, 복잡한 워크플로우를 자율적으로 완수하는 거대한 오케스트라."
|
||||
## 매 한 줄
|
||||
> **"매 specialization × coordination > monolith"**. Multi-agent system 은 여러 autonomous agent 가 message passing / shared state 로 협업해 single agent 보다 큰 task 해결. 2026 LLM 시대에 Claude Agent SDK, OpenAI Swarm, LangGraph, AutoGen 등이 표준 framework.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
멀티 에이전트 시스템(MAS)은 여러 개의 지능형 에이전트가 상호작용하는 시스템입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **에이전트의 성격**:
|
||||
* **Autonomy**: 각자 독립적인 판단력 보유.
|
||||
* **Social Ability**: 메시지를 주고받으며 소통. (Agentic-Workflow와 연결)
|
||||
* **Specialization**: 검색 전문가, 기획 전문가, 코딩 전문가 등 역할 분담. ([[Modular-Design|Modular-Design]]적 접근)
|
||||
2. **왜 중요한가?**:
|
||||
* 하나의 초거대 모델이 모든 걸 다 잘하기는 어렵고 비용이 많이 들지만, 작은 모델들을 엮어 팀을 짜면 훨씬 더 정교하고 강력한 성과를 낼 수 있기 때문임. ([[Efficiency|Efficiency]]와 연결)
|
||||
### 매 architecture pattern
|
||||
- **Orchestrator-worker**: 1 lead agent + N specialist worker. 매 Anthropic 의 research agent 패턴.
|
||||
- **Peer-to-peer**: 모든 agent equal, message bus 로 통신.
|
||||
- **Hierarchical**: layered supervisor tree.
|
||||
- **Blackboard**: shared memory 기반 indirect coordination.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 에이전트 간의 통신 규격(FIPA 등) 정책에 집착했으나, 현대 정책은 LLM이 자연어로 서로 대화하며 문제를 푸는 '자연어 기반 협업 정책'이 압도적 우위 정책을 점함(RL Update).
|
||||
- **정책 변화(RL Update)**: 에이전트가 늘어날수록 발생하는 소통 비용과 의견 충돌 정책을 해결하기 위해, 팀장의 역할을 하는 'Manager Agent'나 투표 시스템 정책 등을 활용하는 고도의 '에이전트 거버넌스 정책'이 중요해짐.
|
||||
### 매 communication
|
||||
- Function calling / tool use.
|
||||
- Structured message (JSON schema).
|
||||
- Shared filesystem / vector DB.
|
||||
- A2A (Agent-to-Agent) protocol (2025 Anthropic spec).
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Agentic-Workflow, [[Modular-Design|Modular-Design]], [[Large Language Models (LLM)|Large Language Models (LLM)]], [[Innovation|Innovation]], [[Leadership|Leadership]]
|
||||
- **Modern Tech/Tools**: AutoGen (Microsoft), CrewAI, LangGraph, [[Swarm Intelligence|Swarm Intelligence]] algorithms.
|
||||
---
|
||||
### 매 응용
|
||||
1. Research / report generation (parallel search + synthesis).
|
||||
2. Software engineering (planner + coder + tester).
|
||||
3. Customer support routing.
|
||||
4. Game NPC behavior.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### Orchestrator-worker (Claude Agent SDK)
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
client = Anthropic()
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
def spawn_worker(task: str, system: str) -> str:
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=4096,
|
||||
system=system,
|
||||
messages=[{"role": "user", "content": task}],
|
||||
)
|
||||
return resp.content[0].text
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def orchestrate(query: str):
|
||||
plan = spawn_worker(
|
||||
f"Decompose into 3 sub-tasks: {query}",
|
||||
"You are a research planner. Output JSON list.",
|
||||
)
|
||||
subtasks = parse_plan(plan)
|
||||
results = [spawn_worker(t, "You are a domain expert.") for t in subtasks]
|
||||
return spawn_worker(
|
||||
f"Synthesize: {results}",
|
||||
"You are an editor. Merge into a coherent report.",
|
||||
)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Tool-use loop
|
||||
```python
|
||||
def agent_loop(messages, tools, max_iter=10):
|
||||
for _ in range(max_iter):
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
tools=tools,
|
||||
messages=messages,
|
||||
max_tokens=4096,
|
||||
)
|
||||
messages.append({"role": "assistant", "content": resp.content})
|
||||
if resp.stop_reason == "end_turn":
|
||||
return resp
|
||||
for block in resp.content:
|
||||
if block.type == "tool_use":
|
||||
result = execute_tool(block.name, block.input)
|
||||
messages.append({
|
||||
"role": "user",
|
||||
"content": [{
|
||||
"type": "tool_result",
|
||||
"tool_use_id": block.id,
|
||||
"content": result,
|
||||
}],
|
||||
})
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Shared state via filesystem
|
||||
```python
|
||||
import json, fcntl
|
||||
from pathlib import Path
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def shared_write(path: Path, key: str, value):
|
||||
with open(path, "r+") as f:
|
||||
fcntl.flock(f, fcntl.LOCK_EX)
|
||||
state = json.load(f)
|
||||
state[key] = value
|
||||
f.seek(0); f.truncate()
|
||||
json.dump(state, f)
|
||||
fcntl.flock(f, fcntl.LOCK_UN)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### LangGraph state machine
|
||||
```python
|
||||
from langgraph.graph import StateGraph, END
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
def planner(state): return {"plan": llm_plan(state["query"])}
|
||||
def executor(state): return {"result": run_steps(state["plan"])}
|
||||
def critic(state):
|
||||
if quality_score(state["result"]) < 0.7:
|
||||
return {"next": "planner"}
|
||||
return {"next": END}
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
g = StateGraph(dict)
|
||||
g.add_node("plan", planner)
|
||||
g.add_node("exec", executor)
|
||||
g.add_node("crit", critic)
|
||||
g.add_edge("plan", "exec")
|
||||
g.add_edge("exec", "crit")
|
||||
g.add_conditional_edges("crit", lambda s: s["next"])
|
||||
```
|
||||
|
||||
### Parallel agent fan-out
|
||||
```python
|
||||
import asyncio
|
||||
|
||||
async def parallel_search(queries: list[str]) -> list[str]:
|
||||
tasks = [asyncio.to_thread(spawn_worker, q, "Researcher") for q in queries]
|
||||
return await asyncio.gather(*tasks)
|
||||
```
|
||||
|
||||
### Critic-actor consensus
|
||||
```python
|
||||
def consensus(question: str, n_agents=3) -> str:
|
||||
answers = [spawn_worker(question, f"Expert #{i}") for i in range(n_agents)]
|
||||
return spawn_worker(
|
||||
f"Q: {question}\nAnswers:\n" + "\n".join(answers) +
|
||||
"\nReturn consensus + dissent.",
|
||||
"You are a meta-reviewer.",
|
||||
)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Clear task decomposition | Orchestrator-worker |
|
||||
| Open-ended exploration | Peer-to-peer + blackboard |
|
||||
| Quality-critical | Critic-actor + consensus |
|
||||
| Latency-critical | Parallel fan-out |
|
||||
| Stateful workflow | LangGraph / state machine |
|
||||
|
||||
**기본값**: Orchestrator-worker + tool use loop.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[AI Agents]] · [[Distributed Systems]]
|
||||
- 변형: [[Agent Orchestration]] · [[Swarm Intelligence]]
|
||||
- 응용: [[Claude Agent SDK]] · [[LangGraph]]
|
||||
- Adjacent: [[Tool Use]] · [[Function Calling]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: complex task decomposition, parallel research, multi-step pipeline.
|
||||
**언제 X**: simple single-shot Q&A — overhead 만 추가.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Over-decomposition**: 너무 많은 agent → coordination overhead 폭증.
|
||||
- **No termination condition**: infinite loop 위험.
|
||||
- **Shared mutable state without lock**: race condition.
|
||||
- **Tool sprawl**: 한 agent 에 50+ tools — selection 정확도 폭락.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Anthropic Multi-agent Research 2024, OpenAI Swarm, LangGraph 0.3).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — orchestrator/tool-use/LangGraph 패턴 |
|
||||
|
||||
Reference in New Issue
Block a user