Agentic Fabric 사내 적용 과제 4개 중 하나로 선정되어 추진했던 5G 무선 네트워크 최적화 Agent에 대해서 소개해 드리겠습니다.

5G 무선망의 품질 장애 대응은 숙련된 네트워크 엔지니어의 지식과 함께 경험과 직관이 핵심적인 역할을 수행하는 영역입니다. 장애가 발생하면 엔지니어는 다양한 네트워크 지표와 현장 맥락을 종합적으로 해석하여 원인을 가설화하고, 가장 가능성 높은 시나리오를 신속히 검증합니다. 이러한 판단 과정은 단순한 규칙 기반 로직으로 정의하기 어려운 절차적 추론 중심의 복합 업무에 해당합니다.

본 과제는 이와 같이 변수가 많고 경험 의존도가 높은 무선 네트워크 최적화 업무를 Agent 기반으로 수행할 수 있는지를 검증하기 위해 Agentic Fabric을 적용한 사내 과제로 선정되었습니다.

본 과제의 목표는 다음 세 가지로 정리할 수 있습니다.

Orchestrator를 중심으로한 멀티 에이전트에 Procedural Memory를 적용함으로써, 경험을 기반으로 스스로 성능을 개선할 수 있는 에이전트가 실제 네트워크 최적화 업무에서도 유의미한 성능 향상을 달성할 수 있는지를 검증하는 데 초점을 두었습니다. 이러한 기술적 배경과 설계 방향, 그리고 실증 실험을 통해 확인한 Self‑Evolving Agent의 가능성을 소개합니다.

1. KT 무선망 운용 구조와 멀티 에이전트 구조

KT의 무선망은 전국 단위로 분포된 수많은 기지국을 EMS를 통해 관리하고 있으며, 5G NMS 시스템은 각 EMS로부터 수집된 데이터를 종합하여 네트워크 전반의 상태를 관제합니다. 또한 각 지역에 네트워크 운영본부를 두고 실시간 관제 및 운영 업무를 수행하고 있습니다.

네트워크 품질 저하가 발생할 경우 담당자는 장애 발생 지역과 현상을 고려하여 커버리지 상태, 장비 이상 여부, 무선 환경 변화 등을 종합적으로 점검합니다. 이 과정에서는 수많은 원인 조합을 가설로 설정하고 조치 방안을 검토한 뒤, 관리자의 승인을 거쳐 트래픽 영향이 최소화되는 시간대를 활용해 순차적으로 네트워크에 반영합니다.

이런 업무는 복잡도가 높고 정형화가 어려워 단순한 자동화로는 대응이 힘듭니다. 그래서 본 과제에서는 Orchestrator를 중심으로 진단, 원인 분석, 최적화 수행 역할을 분리하고 서로 협업할 수 있는 멀티 에이전트 구조를 설계했습니다. 또한 문제 해결의 핵심 자산인 운영자의 경험과 노하우를 에이전트가 학습하고 활용할 수 있도록, 메모리를 통해 경험을 축적하고 스스로 성능을 개선할 수 있는 Self‑Evolving Agent 구조를 도입했습니다.

2. KT 표준 Multi‑Agent Orchestrator 특징

Agentic Fabric에 구현된 Multi‑Agent Orchestrator는 멀티 에이전트 기반 시스템을 관리하고 조율하는 핵심 인프라 역할을 수행합니다.

KT Agentic Fabric 표준 멀티 에이전트 오케스트레이션 아키텍쳐 정의

다양한 에이전트 요구사항을 분석해 공통 필수 기능을 추상화·모듈화하여 설계 → 오케스트레이션 전체 흐름을

Planning–Execution–Generation의 단계로 구조화

Agentic AI를 위한 멀티 에이전트 오케스트레이션 기능 개발

다수의 에이전트를 상황에 따라 동적으로 선택·조합하고, 업무 분해와 실행 의존성 관리, 에이전트 간 상태 공유,

결과 종합·충돌 해결, 실행 제어 및 재플래닝 기능 구현

글로벌 에이전트 생태계를 유연하게 수용할 수 있도록, 외부 에이전트·이기종 시스템 연동 가능한 A2A/MCP 인터페이스 레이어 구현
사전 정의된 워크플로우·프롬프트 기반 행동 제어의 한계를 보완하기 위해 메모리 기반 사후 학습형 Self-Evolving 파이프라인 설계

3. 시스템 구성도 : Orchestrator와 멀티 에이전트 구조

Orchestrator와 서브 에이전트는 A2A 통신 기반의 KT 표준 에이전트 오케스트레이션 구조로 구성되었습니다. API 및 RAG와 같은 외부 도구 연동에는 MCP 인터페이스를 적용했습니다.

네트워크 관제 도메인의 특성을 고려한 마스터-서브 에이전트 패턴 설계

- 이벤트 해석·워크플로우 판단·흐름 제어는 오케스트레이션 에이전트가 담당

- 진단·원인 분석·조치 등 개별 기능은 역할이 명확한 서브 에이전트가 수행하도록 기능적 책임을 분리하여 구조를 설계

각 에이전트는 과거 조치 이력에서 추출된 수행 정책들을 메모리 기반으로 현재 상황에 적합한 행동들을 설계하고 실행하는 self-evolving 구조
관리자는 대화형 인터페이스를 통해 자연어로 에이전트를 요청·제어하며, 실제 최적화 과정에서 승인 또는 판단이 필요한 단계는 Human-in-the-Loop 방식으로 구현

4. Self‑Evolving Procedural Memory란 무엇인가?

Self‑Evolving은 AI 에이전트가 환경과의 상호작용 및 피드백 데이터를 기반으로 프롬프트, 메모리, 도구, 워크플로우 등 내부 구성 요소를 자율적으로 최적화하는 기술입니다. 이를 통해 사전 학습된 정적 모델을 넘어, 배포 이후에도 지속적으로 성능이 개선되는 평생 학습 시스템을 구현할 수 있습니다.

이 중에 Self‑Evolving Procedural Memory는 에이전트가 문제 해결 과정에서 획득한 성공적인 행동 패턴과 절차적 전략을 별도의 메모리로 저장하고 개선(Refine)하는 구조입니다. 여기서 절차적 지식의 의미는 “무엇을 아는가(What)”가 아니라 “어떻게 수행하는가(How)”에 대한 지식을 의미합니다.

https://huggingface.co/papers/2508.06433

ReMe('25.12, Alibaba Group) _{https://arxiv.org/abs/2512.10696}

_{해당 논문은 대규모 언어 모델(LLM) 에이전트의 절차적 기억(procedural memory)을 개선하기 위한 새로운 프레임워크인 'ReMe(Remember Me, Refine Me)'를 제안합니다. 이 프레임워크는 에이전트가 과거의 경험으로부터 학습하여 더 효율적으로 작업을 수행하도록 돕습니다.}

메모리 조회(Memory Retrieval)

현재 task와 유사한 절차 경험 Top3 검색(Rerank 적용)

현재 task를 조회해온 성공 절차 메모리 경험을 반영해 재작성

재작성된 task description을 기반으로 에이전트가 플래닝(self-evolving)

메모리 생성(메모리 추출, Memory Extractor)

trajectory log 수집

trajectory: task 단위의 에이전트 전체 수행 과정

feedback을 통해 평가(성공/실패)

성공한 경험에서 노하우을 추출(성공 경험 추출 프롬프트)

메모리 관리(Memory Consolidation)

생성 시, 추출된 메모리가 유효한지/중복인지 확인

운영 시, 사용성이 낮은 메모리는 정제

5. Self-Evolving Procedural Memory 실증 결과

실증 실험에서는 KT 실제 무선망 데이터 대신, 유선 네트워크 시뮬레이터 기반 장애 및 근본 원인 탐지 실험이 가능한 벤치마크 데이터셋인 NIKA를 활용했습니다.

서브 에이전트 중 원인 분석 에이전트에 Self‑Evolving Procedural Memory를 적용한 결과, 메모리를 적용하지 않은 경우 대비 약 10% 수준의 근본 원인 탐지 성능 향상을 확인했습니다.

실험 데이터 셋

- NIKA 네트워크 에이전트 시뮬레이터로 총 ㅇㅇㅇ건 장애 실행 및 근본 원인 탐지 실험

5가지 네트워크 시나리오에서 ㅇㅇ가지 대표적인 네트워크(호스트 장애, 링크 장애, 구성 오류 등) 문제 생성 가능

근본 원인 분석을 위한 MCP 기반의 총 ㅇㅇ개 도구(네트워크 진단, 라우터 프로토콜 진단 등) 제공

실험 셋팅

- 메모리 생성

사전 메모리 풀 없이 cold start 후 순차적 메모리 풀 구축(온라인 축적)

실행 중 성공한 Trajectory에 대해서만 메모리 추출

- 메모리 조회: Top 3

실험 결과

- 메모리 적용 후 약 10% 정확도 상승

메모리 적용 전: 100건(28.17%) → 메모리 적용 후: 135건(38.02%)

- 실패 trajectory에서 성공 trajectory로 전환된 케이스 분석

메모리는 새로운 정보를 추가하기보다는 전체 추론 경로를 안정화하는 역할을 수행

탐색 순서/분기 우선순위/실패 해석 기준/root cause 가설 공간의 범위/추론시 불필요한 분기와 오진 가능성 감소

6. 운영 경험을 학습하는 에이전트, 네트워크 최적화 분야에 적용

Agentic Fabric 기반 표준 오케스트레이터와 Self‑Evolving Procedural Memory를 적용한 무선 네트워크 최적화 에이전트가 의도한 목적을 수행할 수 있는지를 가상의 시나리오와 Mock Data를 활용해 엔드‑투‑엔드로 검증했습니다.

사내 적용 과제 시연에서는 5G 무선 품질 저하 상황을 가정하여, 마스터 에이전트가 문제를 인지하고 작업을 세분화한 뒤 적절한 서브 에이전트에 동적으로 할당하는 흐름으로 진행되었습니다. 각 서브 에이전트의 진단, 분석, 조치 결과는 A2A 기반으로 오케스트레이터를 통해 공유되고 종합되었으며, 트레이싱을 통해 추론 및 실행 흐름을 상세히 확인할 수 있었습니다.

또한 Trajectory 로그와 Procedural Memory 조회 결과를 통해 에이전트가 어떤 경험을 활용했는지 확인했으며, 사용자 피드백이 반영되어 수행 경험이 Self‑Evolving Memory로 업데이트되는 구조를 검증했습니다.

본 사내 적용 과제 개발을 통해 핵심 기능의 기술적 타당성을 확인하였습니다. 아래에 Mock-up 데이터를 활용하여 Planning 하는 화면과 업데이트 된 메모리를 확인하는 화면을 첨부해 드립니다.

Agent Planning 시연

업데이트 메모리 확인 시연

규칙이 아닌 ‘절차’를 기억하는 Agent, 네트워크 최적화에서 성능 향상을 보여주다

1. KT 무선망 운용 구조와 멀티 에이전트 구조

2. KT 표준 Multi‑Agent Orchestrator 특징

3. 시스템 구성도 : Orchestrator와 멀티 에이전트 구조

4. Self‑Evolving Procedural Memory란 무엇인가?

5. Self-Evolving Procedural Memory 실증 결과

6. 운영 경험을 학습하는 에이전트, 네트워크 최적화 분야에 적용

양승철