CATS: 에이전트별 기여도 계산으로 멀티에이전트 토폴로지를 탐색하는 연구와 슈퍼그래프 팀 탐색

arXiv · ax-trend 이슈 #3428 · 2026-10-21 제출

CATS overview — Contrastive Attribution Topology Search over a multi-agent supergraph
개요 — CATS: 전문가 에이전트 슈퍼그래프 안에서 컴팩트한 팀을 탐색한다

핵심 — 팀 점수로는 누가 돕는지 알 수 없다

CATS mechanism — compare traces, assign credit per agent, prune weak edges
동작 — 트레이스 비교 → 에이전트별 기여도 부여 → 약한 간선·에이전트 가지치기

동작 — 트레이스를 비교해 기여도를 매긴다

이 글의 수치는 이슈 본문과 논문 초록에 나온 그대로다. MBPP의 "가장 강한 베이스라인과 동점"은 정확도 동점이라는 뜻이지, 토큰까지 같다는 뜻이 아니다.
CATS results — BigCodeBench +5.3pp, deployment tokens -54%
수치 — BigCodeBench +5.3pp, 배포 토큰 54% 절감

수치 — 정확도는 올리고 토큰은 절반 가까이 줄였다

CATS stress test — 3 of 3 runs removed adversarial agents, HotpotQA prompt poisoning
스트레스 테스트 — HotpotQA 프롬프트 포이즈닝, 3회 run 모두 악성 에이전트 제거

스트레스 테스트 — 악성 에이전트를 전부 걸러냈다

왜 중요한지 — AX 에이전트 설계에 바로 응용된다

멀티에이전트 시스템을 실제 서비스에 올릴 때 토큰 비용이 발목을 잡는 경우가 많다. CATS처럼 배포 토큰을 절반 가까이 줄이면서 정확도를 올리는 토폴로지 탐색은 AX 에이전트 설계에 바로 응용할 수 있다. 에이전트를 추가할수록 좋아지는 것이 아니라, 기여도가 낮은 에이전트를 덜어내는 것이 비용과 정확도를 함께 잡는 길일 수 있다. 악성 프롬프트를 단 에이전트를 걸러내는 성질까지 갖추면, 팀 구성 자체가 일종의 방어층이 된다.

아직 안 밝혀진 것 / 쟁점

원문 이슈

AI 코딩에이전트 모델성능 최적화AX Trend