[논문리뷰] GraphTracer: Graph-Guided Failure Tracing in LLM Agents for Robust Multi-Turn Deep Search

링크: 논문 PDF로 바로 열기

저자: Zijian Zhang, Haochen You, Xiaodong Gu, Heng Zhang, YerbaPage

핵심 연구 목표

본 논문은 다중 에이전트 LLM 시스템에서 발생하는 복잡한 다중 턴 심층 탐색 시나리오 의 실패에 대한 정확한 원인 추론(failure attribution) 문제를 해결하는 것을 목표로 합니다. 기존의 시간 기반 귀속 방식이 정보 의존성을 파악하지 못해 오류 전파의 근본 원인을 정확히 진단하지 못하는 한계를 극복하고자 합니다.

핵심 방법론

제안하는 GraphTracer 프레임워크는 다중 에이전트 상호작용을 정보 의존성 그래프(Information Dependency Graphs, IDGs) 로 모델링하여 정보 흐름을 추적합니다. 그래프 기반 합성 데이터 생성 을 통해 구조적으로 중요한 노드에 오류를 주입하여 현실적인 실패 시나리오를 만들고, 그래프 구조적 보상 으로 지도되는 강화 학습 을 사용하여 원인 노드 및 오류 전파 경로를 학습합니다.

주요 결과

GraphTracer-8B 는 Who&When 벤치마크 에서 Gemini-2.5-Pro 대비 18.18% 더 높은 귀속 정확도 를 달성했으며, DeepSeek-R1 대비 12.21% 더 높은 정확도를 보였습니다. 또한, 배포된 다중 에이전트 프레임워크에 통합 시 4.8%에서 14.2% 의 성능 개선을 이루어냈습니다.

AI 실무자를 위한 시사점

이 연구는 복잡한 다중 에이전트 LLM 시스템의 디버깅 및 신뢰성 향상 에 지대한 영향을 미칩니다. 순수한 시간 순서가 아닌 정보 흐름 의존성 을 기반으로 실패 원인을 추적하는 방법론은 실제 서비스 환경에서 LLM 에이전트의 견고성을 높이고, 오류 진단 시간을 단축하는 데 크게 기여할 수 있습니다. 그래프 기반 접근 방식 을 통해 더욱 정교한 문제 해결이 가능해졌습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.