# \#retrieval-as-reasoning **URL:** https://discuss.pytorch.kr/tag/retrieval-as-reasoning/8786.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[2026/08/03 ~ 09\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-08-03-09-ai-ml/11572)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 9, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-08-03-09-ai-ml/11572 "2026-08-09T21:30:07Z")
\[2026/08/03 ~ 09\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: 이번 주 선정된 10편의 논문들을 살펴본 결과, AI 에이전트의 구조적 고도화, 메모리 및 컨텍스트의 효율적 관리, 그리고 한계를 직시하는 엄격한 평가라는 3가지 주요 트렌드를 발견할 수 있었습니다: :one: 프롬프트 엔지니어링에서 "소프트웨어 공학 및 동적 하네스(Harness)"로의 진화: 이번 주 논문들에서는 AI 에이전트 개발을 단순한 프롬프트 텍스트 조립이 아닌, 체계적인 소프트웨어 엔지니어링 및 런타임 환경 구축으로 격상시키려는 시도가 돋보였습니다. NVIDIA-labs OO Agents (NOOA)는 에이전트를 파이썬 객체 지향 프로그래밍(OOP)과 결합하여 테스트와 유지보수를 일반 소프트웨어처럼 다룰 수 있게 만들었습니다. 또한, Continual Harness와 Harness-R1은 모델의 가중치를 직접 수정하는 대신, 에이전트를 둘러싼 도구, 메모리, 실행 런타임(하네스)을 실패 경험으로부터 실시간으로 자가 개선하고 최적화하는 방법론을 제시했습니다. 이는 에이전트의 성능 병목이 모델 자체의 지능뿐만 아니라, 이를 뒷받침하는 시스템적 스캐폴딩(Scaffolding) 설계에 있음을 시사합니다. :two: 단순 조회를 넘어선 "구조화된 메모리 및 능동적 컨텍스트 관리": RAG(검색 증강 생성)와 에이전트 메모리 처리 방식이 평면적인 텍스트 검색을 넘어, 고도로 구조화되고 비용 효율적인 아키텍처로 진화하고 있습니다. LLM-Wiki는 외부 지식을 파편화된 청크(Chunk)가 아닌 상호 연결된 위키 구조로 컴파일하여 에이전트가 능동적으로 탐색하고 논리적으로 추론할 수 있게 했습니다. Zero-Mem은 메모리 연산 과정에서 발생하는 LLM 호출 비용과 시간을 없애기 위해, 원본 기록을 그래프와 시간 계층으로 구조화하여 토큰 소비 없이 증거를 찾는 방식을 제안했습니다. …