협업형 몸체 시스템은 대규모 언어 모델(LLM)을 기반으로 한 통합적 인지, 계획, 행동 및 고급 추론을 통해 다수의 에이전트가 협력하는 방식으로, 실제 환경에서 복잡하고 장기적인 목표를 가진 다중 목적 작업에 큰 잠재력을 보이고 있다. 이러한 알고리즘적 진보에도 불구하고, 현재 시스템에서 몸체형 에이전트를 배포하는 것은 장기적인 계획 및 통신 지연, 확장성 제한, 저수준 실행에 대한 민감도 증가 등의 문제로 인해 여전히 도전 과제이며, 이는 시스템의 효율성 저하를 초래한다. 본 연구에서는 협업형 몸체 에이전트 시스템의 가속화를 목적으로 하는 특성 분석 및 공동 설계 프레임워크인 ReCA를 제안한다. 이는 작업 효율성과 시스템 확장성을 동시에 향상시키는 것을 목표로 한다. 알고리즘 수준에서는 지역적 모델 처리를 효율적으로 수행함으로써 큰 규모의 모델 비용을 완화한다. 시스템 수준에서는 장기 및 단기 메모리를 통합한 이중 메모리 구조, 중앙집중적과 분산적 협업을 결합한 계층적 협업 계획 방식, 그리고 계획을 기반으로 한 다단계 실행 기법을 도입하여, 높은 효율성과 확장성을 갖춘 협업형 몸체 에이전트 계산을 실현한다. 하드웨어 수준에서는 고수준 계획을 위한 GPU 서브시스템과 저수준 계획을 위한 가속기 서브시스템을 포함한 이질적 하드웨어 아키텍처를 활용하여, 효율적이고 견고한 작업 수행을 보장한다. 장기적인 다중 목적 작업에 대한 평가 결과, ReCA는 다양한 응용 시나리오와 시스템 규모에 걸쳐 일반화 가능하며, 최신 기술 수준의 협업형 몸체 자율 에이전트 시스템 대비 10.2배의 속도 향상과 동시에 성공 미션 비율을 4.3% 증가시키는 성능을 달성하였다.