Learn2Play Bench: LLM 에이전트는 낯선 환경에서 경험으로 얼마나 배우나
Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?
TL;DR Highlight
낯선 규칙 게임 20종으로 재 보니 원본 기록 전체를 넘기는 MEMORY가 정교한 요약식 방법을 앞섰다
Who Should Read
에이전트에 과거 실행 기록이나 메모리 요약을 붙여 쓰는데 어떤 방식이 나은지 고민하는 백엔드 개발자
Core Mechanics
- 요약보다 원본 기록이 낫다
- Kimi K3 기준 MEMORY(이전 에피소드 기록을 가공 없이 프롬프트에 누적)가 네 지표 모두 1위였다.
- 요약하면 불완전한 이해가 규칙으로 굳어, 이후 에피소드가 계속 그 규칙을 따랐다고 논문은 설명한다.
- 한 번 실패가 금지 규칙이 됐다
- GemForge에서 EvoTest-Opus 5는 조합 하나가 실패하자 프롬프트에 "다른 조합도 시도 금지"라는 규칙을 넣었다.
- 그 안에는 성공할 조합도 포함돼 있었다.
- 같은 모델도 하네스에 따라 달라진다
- 모델을 고정하고 하네스(에이전트 실행 틀)만 OpenCode에서 Claude Code·Codex로 바꾸면 네 지표가 모두 올랐다.
- 일부 구성은 비용도 낮아졌다.
- 점수 1등과 학습 1등은 다르다
- Opus 5.5가 Max·Mean 1위, Qwen 3.8 Max가 LG·LS 1위였다.
- 최고점 모델이 가장 많이 개선되는 모델은 아니다.
- 규칙은 알아도 계획을 못 세운다
- Haunted Inn에서 Opus 5는 금기를 말하면서도 방을 탐욕적으로 배정해 마지막 손님이 갈 곳이 없어졌다.
- 다음 에피소드에서야 선택지가 적은 손님 몫으로 방을 남겨 두었다.
Evidence
- MEMORY가 Kimi K3 기준 요약식 방법을 앞섰다
- Kimi K3에서 MEMORY는 Max 63.3·LS +4.69, Reflexion은 61.6·+3.35, ReasoningBank는 59.9·+2.59, AWM은 56.1·+0.62였다.
- NAIVE(에피소드 간 기억 없음)는 Max 54.7·LS +0.42였다.
- 하네스만 바꿔도 점수가 올랐다
- Opus 5는 OpenCode Max 74.5에서 Claude Code 81.8로 올랐다.
- GPT-5.6-SOL은 OpenCode 57.0에서 Codex 74.3으로 올랐다.
- 사람 Top-1과 에이전트 비교
- Max는 사람 Top-1 84.3, Claude Code+Opus 5 81.8, OpenCode+Opus 5.5 80.1이었다.
- 연속 에피소드 행동 유사도는 사람 0.54, 에이전트 0.66이었다.
- 점수가 떨어진 뒤 다음에 개인 최고를 갱신한 비율은 사람 33%, 에이전트 22%였다.
- 하네스가 비용도 줄였다
- Kimi K3에서 OpenCode는 MEMORY 대비 입력 토큰이 56% 적었다.
- 생성 토큰은 EvoTest 대비 71%, ReasoningBank 대비 41% 적었다.
- 에피소드당 비용은 OpenCode $0.313, MEMORY $0.586, EvoTest $0.658이었다.
How to Apply
- 에이전트 메모리를 원본 로그와 비교하기
- 지금 쓰는 요약형 메모리가 있다면 같은 과제에서 이전 시도 원문 전체를 넣는 변형과 점수를 비교하라.
- 컨텍스트 한도가 문제면 오래된 에피소드부터 버리는 방식으로 시작하라(논문의 MEMORY 방식).
- 요약 규칙에 근거 링크 달기
- 반성이나 요약에서 뽑은 규칙마다 근거가 된 원본 로그 위치를 함께 저장하라.
- 새 피드백이 규칙과 어긋나면 원본을 다시 읽고 규칙을 고치게 하라(논문이 제안한 향후 방향).
- "금지" 규칙은 시도 횟수 확인 후 쓰기
- 요약 프롬프트에서 "절대 ~하지 마라" 규칙은 한 번의 실패만으로 만들지 않게 막아라.
- 시도해 본 횟수와 결과를 함께 적게 하라.
- 모델 교체 전에 하네스부터 비교하기
- 같은 모델로 하네스(예: Claude Code, Codex, OpenCode)를 바꿔 점수와 토큰 비용을 같이 재라.
- 한 응답에 여러 액션을 묶고 반복되는 피드백을 줄이는 구성이 비용을 줄였다.
Try It
# Claude나 ChatGPT에 붙여넣기 — 논문 방법의 간이 버전(원본 기록을 유지하며 반복 시도하기)
너는 규칙이 숨겨진 과제를 여러 번 시도하며 배우는 에이전트다.
아래는 지난 시도들의 원본 기록이다. 요약하지 말고 그대로 근거로 사용하라.
[지난 시도 기록]
{{이전 시도 로그 전체}}
[이번 과제]
{{과제 설명}}
지시:
1. 지난 기록에서 확인된 사실과 추측을 나눠 적어라. 각 사실에는 근거가 된 기록 위치를 붙여라.
2. 한 번만 시도해 본 것은 "금지"로 단정하지 말고 "미검증"으로 표시하라.
3. 한 번에 한 가지 요인만 바꾸는 다음 시도를 제안하라.
4. 이미 통하는 전략이 있어도 새 전략 하나를 시험할지 판단해 이유를 적어라.
이어서 해 볼 것: 같은 과제에서 기록 대신 요약본만 넣었을 때와 결과를 비교해 보라.Terminology
관련 논문
같은 시뮬레이션, 다른 근거: 도구 출력을 파일로 넘기면 LLM 에이전트 정확도가 어디서 깎이나
긴 툴 출력을 파일로 넘기자 GPT-5.1은 정확도 11.3%p 하락, 정식 출력 지정하니 회복
가짜 뉴스가 진짜 폭락을: LLM 트레이딩 에이전트 대상 정보 주입 공격
가짜 헤드라인 한 줄로 LLM 트레이딩 에이전트 62%를 조종했다(프롬프트 주입은 14%)
Harness Engineering 101: LLM은 뇌, harness는 몸
에이전트는 JSON 배열을 관리하는 루프이고, 16개 챕터로 직접 만들어 본다
Harness²: 에이전트 harness를 스스로 고쳐 쓰는 재귀 최적화 프레임워크
모델은 고정하고 harness를 재귀로 고쳤더니 벤치마크 점수가 최대 11.8%p 올랐다
해고된 Savannah 경찰관, ICE 요원 남편에게 Flock 계정 공유
경찰관이 Flock 계정을 남편(ICE 요원)에게 공유했고, 감사에서 983건 검색이 드러나 해고됐다
tmux와 Claude Code: 세션, send-keys, 그리고 한계선
tmux로 Claude Code 여러 개를 돌리면 편하지만 에이전트 4개쯤에서 한계가 온다
Hybrid Reasoning Agents: 잠재 공간에서 생각하고 텍스트로 행동하는 LLM 에이전트
잠재 공간 추론과 텍스트 도구 호출을 섞었더니 성능 10.4%↑, 토큰 최대 54.7%↓
Related Resources
Original Abstract (Expand)
Learning from experience is essential for LLM agents to adapt to unfamiliar and dynmaic environments. Evaluating this ability is therefore important for understanding how effectively agents acquire and use new knowledge. Existing benchmarks have sought to evaluate this ability, but they primarily evaluate tasks whose rules are provided in the instructions or already familiar to pretrained models, making it difficult to distinguish learning from interactions from reasoning with existing knowledge. To address this, we introduce Learn2Play Bench, a benchmark of newly designed text-based games, whose rules are novel or counterintuitive, requiring agents to acquire knowledge through interaction rather than rely solely on pretrained knowledge. These games provide reproducible feedback and automatic scoring, enabling controlled evaluation of learning across repeated attempts. We also vary game instances to test whether agents can apply what they have learned to new situations. Therefore, we evaluate how backbone models, self-evolving methods, and agent harnesses affect agents' learning ability, revealing three findings: (1) Experience retention: Retaining complete records of actions and feedback can support more effective learning than summarizing these experiences into rules or strategies. (2) Human agent gap: Top-performing human players achieve higher peak scores than the evaluated agents. Human explore more varied strategies, and repeat actions less. (3) Harness matters: With the backbone fixed, changing the harness can improve performance while reducing estimated inference cost. Together, these findings provide insights into how LLM agents learn from experience and suggest directions for future work to improve their learning ability. Project website: https://liushiliushi.github.io/learn2play-bench-website/