코딩 에이전트 팀으로 추론 시간 컴퓨트 확장하기
Scaling Inference-Time Compute with Teams of Coding Agents
TL;DR Highlight
워커를 계획 단계에만 붙였더니 팀 성능은 같고 비용은 절반
Who Should Read
멀티 에이전트 코딩 시스템을 만들며 비용이 3~7배로 뛰어 고민인 에이전트 개발자
Core Mechanics
- 팀은 성능이 오르지만 비용도 3~7배
- 모든 모델이 강한 팀은 솔로 에이전트보다 점수가 높다.
- 추론 비용은 3~7배이고 대부분 설정에서 더 오래 걸린다.
- 워커는 계획 단계에 쓰는 게 제일 효율적
- 리드가 계획만 워커에게 맡기고 구현과 검증은 직접 하면, 전 단계를 위임한 팀과 점수가 같고 비용은 절반이다.
- 계획 워커는 블랙박스 실행 파일을 병렬로 탐색해 정보를 모아 온다.
- 싼 모델은 계획자로만 쓸모 있다
- 강한 리드에 싼 계획자를 붙이면 올 스트롱 팀 점수 상승분의 47.5%를 추가 비용 13.9%로 얻는다.
- 싼 구현자를 붙이면 오히려 점수가 떨어진다.
- 리드 모델이 팀의 천장을 정한다
- 워커를 Luna로 고정하면 리드를 올릴 때마다 점수가 따라 오른다.
- 싼 워커로는 약한 리드를 보완하지 못한다.
- 워커 수는 계획자만 늘려도 계속 오른다
- 구현자와 검증자는 4명을 넘으면 점수가 정체한다.
- 계획자는 늘릴수록 리드에게 돌아오는 정보가 늘어난다.
Evidence
- ProgramBench 200개 과제에서 Sol 팀 효율 η는 계획 3.8, 그 외 단계는 최대 2.4
- 효율은 솔로 대비 추가 비용 $100당 올라간 보상 점수이다.
- 계획 워커의 달러당 보상은 다른 단계보다 약 1.6배이다.
- Sol 리드와 Luna 워커 16명 팀은 올 Sol 팀과 1.4점 차이에 비용은 70% 낮음
- 계획 안내 기준이고 약 4배 효율적이라고 보고한다.
- 고정 팀 결과는 1회 실행이다.
- Luna 계획자는 η=51.0, Sol 계획자는 η=3.8 (블로킹 기준)
- Luna 구현자는 η=−12.0으로 달러를 더 쓸수록 점수가 내려간다.
- PIV 대비 계획 안내는 점수 5.6% 상승에 비용 22.2% 절감이다.
- 리드 업그레이드 효과는 Luna→Terra 점수 20.9%↑, Terra→Sol 15.4%↑
- 워커는 모두 Luna로 고정한 실험이다.
- Terra 리드와 Luna 워커는 Sol 솔로보다 10.3% 낮다.
How to Apply
- 위임 프롬프트에 계획 단계만 워커 허용 문구 넣기
- 오늘 쓰는 리드 시스템 프롬프트에 "탐색과 계획에만 서브에이전트를 쓰고, 구현과 검증은 직접 하라"를 추가한다.
- 워커에게는 코드를 수정하지 말고 조사 결과만 보고하라고 지시한다.
- 워커 모델만 싼 모델로 바꿔 비교하기
- 리드는 강한 모델로 두고 계획 워커만 싼 모델로 바꿔 같은 과제 세트로 점수와 비용을 잰다.
- 구현 워커는 싼 모델로 바꾸지 않는다.
- 워커 수는 계획자부터 늘리기
- 구현자와 검증자는 4명 안팎에서 멈춘다.
- 계획자만 2, 4, 8명으로 늘리며 비용 대비 점수 곡선을 그린다.
- 에이전트 간 메시징 도구 끄기
- send_message 같은 도구는 점수 이득이 없으므로 기본으로 제공하지 않는다.
- 워커 결과는 종료 시 리드에게 돌려주는 방식만 남긴다.
Try It
# Claude Code 또는 ChatGPT에 붙여넣기 (논문 방법의 간이 버전: 계획만 위임하는 리드 프롬프트)
너는 엔지니어 팀의 리드다. 아래 순서로 과제를 해결해라.
1. 계획·탐색 단계에서만 서브에이전트를 사용한다. 서로 겹치지 않는 조사 영역(요구사항·인터페이스, 주요 기능, 엣지 케이스, 구현 전략과 위험)으로 나눠 동시에 위임한다. 각 워커에게는 답할 질문, 이미 아는 맥락, 보고 형식을 적어 주고 코드를 수정하지 말라고 한다.
2. 모든 보고서를 모은 뒤 우선순위가 매겨진 구현 계획 하나로 합친다.
3. 계획이 끝나면 위임을 멈추고 구현과 검증을 직접 한다.
과제: {{과제 설명}}
이어서 해 볼 것: 같은 과제를 "모든 단계에서 서브에이전트 사용" 지시로도 돌려 비용과 결과를 비교해 보자.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%↓
Original Abstract (Expand)
Multi-agent systems promise a new axis for scaling inference: rather than having one agent think longer or sample more attempts, a task is split across many agents that work in parallel and coordinate. However, in practice, more agents can easily produce duplicate work, coordination failures, and higher costs. We therefore formulate team design as a compute allocation problem: starting from a solo agent, where should additional inference compute go to reach the reward-cost Pareto frontier? We build a minimal multi-agent harness from the ground up and trace this frontier by varying, one at a time, the workflow stage at which a lead delegates to its workers (planning, implementation, or verification), the models that form the team, and the number of workers. On ProgramBench, teams outperform solo agents but cost three to seven times as much. With the right compute allocation, however, a heterogeneous 17-agent team comes within 1.4 points of a strong homogeneous 5-agent team at 70% lower cost. This efficiency stems from three findings. First, planning is the most valuable use of workers: in a homogeneous team whose lead decides how many workers to spawn, a lead that delegates only planning to its workers, and then implements and verifies the code itself, matches the reward of a lead that delegates to workers throughout planning, implementation, and verification, at half the cost. Second, cheap models pay off as planners but not as implementers: a strong lead with cheap planners recovers 47.5% of the reward gain of an all-strong team for only 13.9% of its additional cost, whereas cheap implementers lower reward. Third, planners keep improving reward as the team grows, whereas implementers and verifiers plateau beyond four workers. Together, our results offer a guide to spending an agent budget where it counts, given the task, cost, and latency constraints a user has.