자기 진화 (Self-Evolution)
Commander는 실행 결과로 에이전트 설정을 튜닝하는 메타러닝으로 시간이 갈수록 나아집니다. Thompson Sampling과 Reflexion을 결합해 토폴로지·프로바이더·파라미터를 최적화합니다.
구조
Execution completes
│
├─ TrajectoryAnalyzer ← 실행 패턴 분석 (duration, tokens, success)
├─ MetaLearner ← Thompson Sampling (Beta arms)
└─ EvolverAgent ← 크로스 런 설정 제안MetaLearner
탐색·활용 균형을 위해 Beta 분포 기반 Thompson Sampling을 씁니다.
typescript
interface Arm {
name: string; // e.g. "topology:DISPATCH"
alpha: number; // 성공
beta: number; // 실패
}
class MetaLearner {
selectArm(arms: Arm[]): Arm {
return arms.reduce((best, arm) => {
const sample = BetaDistribution.sample(arm.alpha, arm.beta);
return sample > best.sample ? { ...arm, sample } : best;
});
}
updateArm(arm: Arm, success: boolean): void {
if (success) arm.alpha++;
else arm.beta++;
}
}토폴로지·프로바이더·재시도 전략 등이 각각 “팔(arm)”입니다. 수천 회 실행 후 작업 유형별 최적 설정으로 수렴합니다.
TrajectoryAnalyzer
실행 트레이스에서 병목 스텝, 토큰 소비, 실패 모드를 추출해 MetaLearner에 피처를 제공합니다.
EvolverAgent
크로스 런으로 설정 변경을 제안합니다. 보통 자동 적용되며, 프로덕션에서는 승인 모드·예산 게이트와 함께 씁니다.
사용자 관점
대부분 자동입니다. 5회 이상 경험이 쌓이면 자기 최적화가 더 잘 드러납니다(제품 카피의 “5+ experiences”와 정합).
bash
npx tsx packages/core/src/cliEntry.ts status # MetaLearner 통계 등