피드로 돌아가기
GeekNewsAI/ML
원문 읽기
DeerFlow 2.0 — ByteDance의 장기 실행 SuperAgent 하네스
LangGraph 기반 Sub-Agent 오케스트레이션으로 장기 실행 복합 작업 자동화 구현
AI 요약
Context
단일 에이전트 구조의 컨텍스트 윈도우 한계와 긴 실행 시간으로 인한 상태 관리의 어려움 존재. 복잡한 리서치 및 코딩 작업 시 발생하는 토큰 낭비와 실행 환경의 불안정성을 해결할 구조적 필요성 증대.
Technical Solution
- LangGraph 및 LangChain 기반의 완전 재작성을 통한 Sub-Agent 오케스트레이션 구조 설계
- Markdown 기반 Agent Skill의 점진적 로딩 방식을 통한 컨텍스트 토큰 사용 효율 최적화
- AioSandboxProvider를 통한 Docker 기반 독립 샌드박스 환경 제공으로 파일시스템 및 셸 실행 격리
- 중간 결과물의 파일시스템 오프로딩 및 완료 태스크 요약 방식을 통한 Context Engineering 구현
- Strict Tool-Call Recovery 메커니즘 도입으로 LLM의 도구 호출 오류에 따른 실행 중단 방지
- 세션 간 사용자 프로필 및 기술 스택을 로컬에 영속 저장하는 Long-Term Memory 계층 구축
실천 포인트
1. LLM 토큰 최적화를 위해 전체 스킬셋이 아닌 필요 시점에만 로드하는 점진적 로딩 전략 검토
2. 장기 실행 작업의 안정성을 위해 중간 상태를 메모리가 아닌 파일시스템으로 오프로딩하는 구조 설계
3. 외부 도구 실행 시 호스트 환경 보호를 위한 Docker 기반 샌드박스 격리 환경 필수 적용
4. Tool-Call 실패 시의 복구 전략(Recovery)을 명시적으로 설계하여 에이전트 신뢰성 확보