Arcede가 에이전트 간 공유 능력 그래프(AIR SDK)로 브라우저 자동화 LLM 비용을 7,000배 감소

Context

모든 브라우저 에이전트는 매 단계마다 전체 DOM을 LLM에 입력해 "무엇을 클릭할까"를 반복 질문하는 비효율적 패턴을 사용하고 있다. 10단계 워크플로우는 약 $4의 LLM 토큰 비용과 약 50초의 추론 시간이 소요되며, 에이전트 A가 특정 웹사이트의 검색 기능을 학습해도 세션이 종료되면 그 지식은 사라져 에이전트 B와 C가 처음부터 재학습해야 한다.

Technical Solution

• 공유 능력 그래프 구축: AIR SDK라는 오픈소스 MCP 서버를 개발해 모든 연결된 에이전트 간 기능 정보를 지속적으로 유지 및 공유
• 3가지 핵심 API 제공: browse_capabilities(domain)으로 특정 도메인에서 수행 가능한 액션 조회, execute_capability(action, params)로 CSS 선택자·API 경로·매크로 제공, report_outcome(steps, success)로 작동한 선택자 정보를 전체 에이전트에 피드백
• 4단계 계층형 능력 해석: API fast-path(알려진 API 엔드포인트 우선), Verified macro(이전 에이전트 보고서 기반 검증된 CSS 선택자), Selector hints(부분 지식으로 LLM 추론 비용 감소), Heuristic plan(미탐색 사이트용 최선의 추측)
• agent.json 표준 정립: robots.txt과 유사한 형태로 웹사이트가 AI 에이전트를 위한 사용 가능한 액션을 선언하는 표준 정의, 2,225개 도메인 사전 색인화
• 자동 학습 메커니즘: 에이전트 보고서를 통해 자동으로 기능을 학습하거나 웹사이트가 /.well-known/agent.json에서 자신의 정보를 직접 게시 가능

Impact

• 단일 액션(클릭 검색) 비용: $0.24에서 $0.0006으로 400배 감소
• 10단계 워크플로우 비용: $4.13에서 $0.0006으로 7,000배 감소
• 액션당 처리 시간: ~5초에서 <100ms으로 50배 단축

Key Takeaway

분산된 에이전트들이 개별적으로 중복 학습하는 문제는 공유 메타데이터 계층(능력 그래프)과 표준화된 선언 형식(agent.json)으로 단계적으로 해결할 수 있으며, 이는 전체 시스템의 비용과 처리 시간을 기하급수적으로 절감시킨다.