핵심 요약
WebSwarm은 LLM 기반 웹 검색 에이전트가 복잡한 탐색 과제에서 직면하는 깊이(depth)와 넓이(width) 문제를 동시에 해결하는 점진적 재귀 위임(progressive recursive delegation) 프레임워크다. 단일 ReAct 에이전트는 긴 궤적과 제한된 컨텍스트 때문에 깊은 탐색과 넓은 커버리지를 동시에 수행하기 어렵다. 기존 멀티에이전트 시스템들도 병렬 실행이나 결과 집계로 일부 개선했지만, 재귀적 깊이, 협업 적응성, 증거 기반 확장에서 여전히 명확한 한계를 보인다.
WebSwarm은 이를 세 가지 핵심 설계로 해결한다:
- 재귀적 검색 위임: 각 노드가 지역 목표와 검색 모드를 가진 에이전트로 동작하며, 스스로 해결하거나 하위 노드를 추가로 위임한다
- 웹 정보 구조 기반 확장: 실제 웹에 정보가 어떻게 조직되어 있는지 경량 탐색으로 파악한 뒤, 그에 맞춰 확장 축을 결정한다
- 동종 노드 간 경험 전이: 소수의 선행 노드에서 추출한 검색 경험을 후행 형제 노드에 주입하여 반복 시행착오를 줄인다
기존 멀티에이전트 검색의 3가지 한계
저자들이 정의하는 문제의식은 명확하다. 복잡한 웹 검색 과제에서 정답은 초기 쿼리만으로 결정되지 않는다. 탐색 과정에서 새로운 엔티티, 제약, 목표가 점진적으로 드러나기 때문에, 고정된 분해 구조로는 대응하기 어렵다.
(1) 얕은 재귀 깊이
예컨대 “연도 → 브랜드 → 모델 → 속성” 같은 다단계 탐색에서, 기존 시스템은 루트 레벨에서만 분해를 수행한다. 더 깊은 수준의 하위 과제는 결국 단일 에이전트의 긴 ReAct 궤적으로 떨어져서, 사실상 단일 에이전트 검색과 다를 바 없어진다.
(2) 제한된 협업 적응성
탐색이 전개되면서 로컬 노드마다 서로 다른 목표와 병목이 드러난다. 팩트 조회는 빠르고 신뢰할 수 있는 실행이 필요하고, 넓은 탐색은 많은 항목에 대한 커버리지가 중요하며, 깊은 탐색은 반복적 단서 발견과 검증이 필수다. 그런데 기존 방법들은 하나의 전역 협업 패러다임(병렬 분할정복, 직렬 핸드오프, 다중 샘플 집약 등)만 사용하므로, 모든 탐색 요구를 유연하게 커버하지 못한다.
(3) 약한 증거 기반 확장
웹의 정보가 소수 집계 페이지에 집중되어 있을 수도 있고, 시간/이벤트/엔티티 축으로 분산되어 있을 수도 있다. 분해 차원이 웹 정보 구조와 정렬되지 않으면, 집중된 정보를 과도하게 분해하거나 분산된 정보를 잘못된 차원으로 쪼개서 검색 효율이 떨어진다.
WebSwarm의 핵심 설계
재귀적 검색 위임 (Recursive Search Delegation)
WebSwarm은 실행 중에 동적으로 **위임 트리(delegation tree)**를 구성한다. 루트 노드가 원래 과제를 받고, 각 비루트 노드는 **지역 목표(local objective)**와 **검색 모드(search mode)**를 받는다.
4가지 검색 모드
| 모드 | 목적 | 협업 구조 |
|---|---|---|
| atom | 원자적 팩트 조회 | ReAct 에이전트가 직접 웹 도구 호출 |
| deep | 반복적 탐색·검증 | 직렬 search–verify 구조 (searcher + verifier) |
| wide | 병렬 분할정복 | 독립 자식 노드들을 동시 dispatch 후 병합 |
| entity_collect | 미지 집합 열거 | 다중 경로 recall + 중복 제거·검증 |
핵심은 WebSwarm이 단순히 하위 과제를 나누는 것이 아니라 **목표-모드 쌍(objective–mode pair)**을 생성한다는 점이다. 각 하위 노드는 자신의 목표에 맞는 해결 프로토콜과 협업 구조를 가진다.
웹 구조 기반 확장 (Web-Structure-Guided Expansion)
wide 모드 노드가 확장이 필요할 때, Web-Probing Agent가 경량 탐색을 수행한다. 이 프로빙 결과는:
- 정보가 소수 집계 페이지에 집중되어 있는지, 아니면 여러 소스에 분산되어 있는지
- 분산되어 있다면 어떤 조직 축(시간, 이벤트, 엔티티 등)을 따르는지
를 파악하고, 이를 바탕으로 하위 노드 확장 방향을 결정한다.
동종 노드 간 경험 전이
wide 노드가 여러 동종 자식(예: 여러 엔티티의 속성 수집)을 생성할 때, 소수의 scout 노드를 먼저 실행한다. 이들의 탐색 궤적에서 신뢰할 수 있는 쿼리 패턴, 유용한 소스, 실패 경로를 추출하여 subtask experience로 정제한다. 나머지 형제 노드들은 이 경험을 주입받아 불필요한 시행착오를 줄인다.
중요한 점은 이 경험 전이가 동일 인스턴스 내, 동일 부모下的 동종 노드 간에만 이루어진다는 것이다. 평가 샘플 간 독립성을 해치지 않는다.
실험 결과
WebSwarm은 4개 벤치마크에서 평가되었다:
- BrowseComp-Plus (깊이 중심)
- WideSearch-EN (넓이 중심)
- DeepWideSearch-EN (깊이+넓이 교차)
- GISA (지리 정보 종합)
GLM-4.5 백본 기준:
- BrowseComp-Plus ACC: 68.00 (단일 ReAct 50.50 대비 +17.50)
- WideSearch-EN Row F1: 44.14 (기존 최고 39.98 대비 +4.16)
- DeepWideSearch-EN SR: 6.58 (기존 최고 5.26 대비 +1.32)
모든 벤치마크에서 단일 에이전트뿐 아니라 InfoSeeker, Table-as-Search, ROMA 등 최신 멀티에이전트 기준선도 일관되게 능가했다.
모델 일반화
흥미롭게도 WebSwarm의 이점은 특정 모델에 국한되지 않는다. Kimi-K2, Qwen3.5-35B, Qwen3-235B 등 다양한 백본에서 ReAct 대비 일관된 향상을 보였다. 이는 프레임워크의 개선이 모델 고유 능력이 아니라 오케스트레이션 구조에서 온다는 것을 시사한다.
의의와 시사점
WebSwarm의 기여는 단순히 “또 다른 멀티에이전트 시스템”을 제안하는 것이 아니다. 핵심 통찰은 분해(decomposition)와 협업(collaboration)이 사전에 고정되어서는 안 된다는 것이다. 탐색 증거가 누적됨에 따라, 무엇을 더 탐색할지와 어떻게 협업할지가 공동으로 진화해야 한다.
이는 최근 딥 리서치 에이전트(deep research agent) 설계의 중요한 방향성을 보여준다:
- 재귀적 위임은 단순 병렬화보다 복잡한 의존 구조를 다룰 수 있다
- 웹 정보 구조 인식은 분해의 품질을 좌우한다
- 경험 전이는 다중 에이전트 간 시너지를 만들어낸다
특히 BrowseComp-Plus나 DeepWideSearch 같이 현실적인 복잡도를 가진 벤치마크에서의 향상은, 실제 리서치 자동화 파이프라인에 WebSwarm 스타일의 오케스트레이션이 즉시 적용 가능함을 시사한다.
참고 자료
- 📄 논문: WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search (arXiv:2607.08662)
- 💻 코드: github.com/songxiaoshuai/WebSwarm
- 🏛 소속: Renmin University of China, Kuaishou Technology
- 📅 발행: 2026년 7월