2nd/10_Wiki/Topics/Topic_Agent/Cross-Agent Demonstration Learning.md

id, title, category, status, verification_status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, created_at, updated_at, review_reason, merge_history, tags, raw_sources, applied_in, github_commit

id	title	category	status	verification_status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	created_at	updated_at	review_reason	merge_history	tags	raw_sources	applied_in	github_commit
cross-agent-demonstration-learning	Cross-Agent Demonstration Learning	10_Wiki/Topics	draft	conceptual		에이전트 간 시연 학습 Cross-agent learning		B	0.85	2026-06-12	2026-06-12			research self envolving multi-agent	NotebookLM Synthesis	SiriuS MDTeamGPT MedAgentSim

Cross-Agent Demonstration Learning

🎯 한 줄 통찰 (One-line insight)

에이전트가 시스템 내외부의 다른 에이전트들이 생성한 고품질 시연(Demonstration) 데이터와 성공적인 궤적을 공유하고 학습함으로써 지식 전이와 협력적 진화를 달성하는 메커니즘이다 [1].

🧠 핵심 개념 (Core concepts)

• 에이전트 간 지식 전이 (Knowledge Transfer): 동일한 시스템 내 혹은 외부의 다른 에이전트로부터 학습하여 개별 에이전트의 한계를 극복하고 시스템 전체의 성능을 가속화한다 [1].
• 성공 경험 라이브러리 (Shared Experience Library): 다양한 에이전트가 생성한 성공적인 상호작용 궤적을 중앙 저장소에 유지하고 이를 집단적 학습 자원으로 활용한다 [1, 2].
• 부트스트랩 추론 (Multi-Agent Bootstrapped Reasoning): 각 에이전트가 다른 에이전트의 성공 사례를 바탕으로 자신의 추론 능력을 스스로 향상시키는 루프를 형성한다 [1].
• 오프-폴리시 학습 (Off-policy Learning): 에이전트가 자신의 현재 정책뿐만 아니라 이전 버전의 정책이나 타 에이전트가 생성한 데이터를 통해 학습함으로써 샘플 효율성을 극대화한다 [2].

🧩 추출된 패턴 (Extracted patterns)

• 협력적 특화 패턴: 개별 에이전트는 복잡한 작업의 특정 측면에 특화되면서도, 시스템 전체의 축적된 지식을 활용하여 전체적인 작업 완료 능력을 향상시킨다 [1].
• 필터링 및 선택 패턴: 고품질 시연 데이터만을 선별하기 위해 모델의 확신도(Confidence)나 검증기(Verifier)를 사용하여 학습 데이터의 무결성을 유지한다 [3, 4].
• 지식 기반 진화 (Knowledge-Based Evolution): 매개변수 업데이트 대신 인컨텍스트 학습(In-context Learning)이나 사례 기반 적응을 통해 집단 지성을 축적하고 진화한다 [5, 6].

📖 세부 내용 (Details)

Cross-Agent Demonstration Learning은 자기 진화 에이전트의 '진화 방법(How to evolve)' 중 모방 및 시연 학습(Imitation and Demonstration Learning)의 한 범주로 분류된다 [7, 8]. 이 방식에서 에이전트는 고정된 인간 전문가 대신 스스로 혹은 다른 유능한 에이전트가 생성한 고품질 시연 사례를 '전문가 예시'로 삼아 학습한다 [8].

주요 메커니즘은 다음과 같다:

• 집단적 경험 활용: 시스템은 서로 다른 에이전트들이 생성한 성공적인 궤적을 라이브러리에 저장한다 [1]. 각 에이전트는 이 라이브러리에 접근하여 전체 시스템의 지식을 자신의 학습 과정에 통합하며, 이를 통해 학습 속도를 비약적으로 높이고 다양한 해결 전략을 발견할 수 있다 [1].
• 효율적인 데이터 재사용: 멀티 에이전트 설정에서 발생하는 고비용의 상호작용 데이터를 '오프-폴리시(Off-policy)' 방식으로 재사용하여 샘플 효율성을 개선한다 [2]. 이는 특히 성공적인 궤적을 얻기 어려운 복잡한 다단계 추론이나 도구 사용 시나리오에서 가치가 높다 [2].
• 도메인 특화 적용: 추천 시스템이나 의료 상담과 같은 특수 분야에서 전문가 에이전트의 성공적인 패턴을 다른 에이전트가 학습하여 도메인 전문성을 심화시키는 데 사용된다 [6, 9].

이러한 학습 방식은 고품질 시연 데이터의 가용성에 크게 의존하며, 데이터의 품질이 낮을 경우 성능 저하의 위험이 있어 정교한 데이터 선택 전략이 병행되어야 한다 [10].

⚖️ 모순 및 업데이트 (Contradictions & updates)

• 샘플 효율성 vs 품질: 모방 학습은 샘플 효율성이 매우 높지만(고품질 시연이 있을 경우), 시연 데이터가 부족하거나 최적의 행동이 데이터에 포함되지 않았을 때 탐색 능력과 일반화 능력이 제한될 수 있다는 한계가 지적된다 [10-12].
• 독립 추론의 위축: 에이전트들이 집단적 합의나 타 에이전트의 시연에 지나치게 의존할 경우, 개별 에이전트의 독립적인 추론 능력이 감소할 위험이 있어 개별 추론과 집단 지성 사이의 균형이 필요하다 [13].

🛠️ 적용 사례 (Applied in summary)

• SiriuS: 성공적인 상호작용 궤적을 유지하는 경험 라이브러리를 통해 멀티 에이전트 시스템이 서로의 시연으로부터 학습하는 부트스트랩 추론 프레임워크를 구현하였다 [1].
• MDTeamGPT: 의료 상담 시스템에서 성공 사례(CorrectKB)와 실패 반추(ChainKB)를 별도의 지식 베이스로 구축하여 에이전트 팀이 집단 경험으로부터 진화하도록 설계되었다 [6].
• MedAgentSim: 환자와의 상호작용에서 얻은 성공적인 상담 궤적을 재사용 가능한 자산으로 기록하고, 이를 통해 상담 품질을 지속적으로 향상시키는 의료 진단 시뮬레이션에 적용되었다 [6].

✅ 검증 상태 및 신뢰도

• 상태: draft
• 검증 단계: conceptual (실제 적용 사례가 소스 데이터 내에서 SiriuS, MDTeamGPT 등을 통해 확인됨) [1, 6]
• 출처 신뢰도: B (ArXiv 및 학술 연구 기반의 공식 체계) [7, 14]
• 중복 검사 결과: 신규 생성 (New discovery)

📝 변경 이력 (Change history)

• 2026-06-12: Initial draft generated via Datacollector_MAC P-Reinforce engine.