← 연구 아이디어

연구 아이디어

소재 적용 정도 드묾 성숙도 다른 분야에서 검증

도구가 많은 재료 워크플로에서 후보 도구 압축을 먼저 붙여 보세요

학습 없는 후보 압축 검색 · Training-free candidate compression for huge tool/skill libraries

제안 AI 제안

소재 분야 적용은 아직 검증되지 않은 제안입니다.

수천 개 도구나 스킬 중에서, 사용자 요청에 맞는 상위 후보만 먼저 압축해 내는 방식입니다. 최종 LLM 판단 전에 후보군을 줄여서 속도와 선택 정확도를 개선하려는 접근입니다.

재료 연구실의 도구 목록이 커졌다면, 시뮬레이션 코드, 구조 파서, 데이터베이스 질의기, 플롯 생성 스크립트, 최적화 루틴을 하나의 스킬 라이브러리로 묶고 상위 후보만 먼저 뽑는 실험을 해 볼 수 있습니다. 이렇게 하면 에이전트가 너무 많은 선택지 때문에 혼동하는 문제를 줄일 수 있습니다.

처음에는 실제 자동화보다 도구 선택 추천기 형태로 시작하는 것이 안전합니다. 예를 들어 “이 질문에는 DFT 계산, XRD 피크 피팅, 혹은 문헌 검색 중 무엇이 مناسب한가”를 상위 3개로만 압축해 보고, 이후 사람이 최종 선택하는 흐름으로 검증할 수 있습니다.

적용해볼 소재 과제
시뮬레이션, 파서, 데이터베이스, 분석 스크립트가 많은 재료 자동화 워크플로의 도구 선택 문제
지금 시도할 만한 이유
도구와 스킬 수가 수백~수만 개로 커진 에이전트 환경에서 후보 압축의 필요성이 분명해졌고, 학습 없이도 적용 가능한 방식이 제시되었습니다.
첫 걸음
실험실에서 자주 쓰는 도구 30~50개를 모아 설명문을 작성한 뒤, 20개의 실제 작업 요청에 대해 top-3 도구 추천이 적절한지 사람이 평가해 보세요.
위험과 한계
도구 설명이 부정확하거나 중복되면 후보 압축이 부실해질 수 있습니다. 매우 특수한 재료 작업에서는 상위 k에 정답 도구가 빠질 위험이 있고, 도구 메타데이터 정비 비용도 무시하기 어렵습니다.

근거 다른 분야의 검증 사례

아래 링크는 이 기법이 다른 분야에서 통했다는 근거입니다. 소재 분야 적용 결과가 아닙니다.

  1. Toollery: Scaling LLM Agents to Thousands of Skills and Tools

관련 개념과 실습

AI가 최신 기법을 조사해 제안한 방향입니다. 검증된 결과가 아니며, 시도 여부와 위험은 연구 책임자가 판단해야 합니다.