AI Agent의 모든 것

1️⃣ AI 에이전트

ChatGPT를 이용할 경우 이메일의 본문은 작성할 수 있지만 실제로 이메일을 특정 시간에 발송하는 것은 불가능함. 하지만 AI 에이전트를 이용하면 이메일 발송이라는 "실행"까지 가능하다.

• 과거 에이전트: 특정 작업을 자동화하기 위해 하나의 고정된 알고리즘만 사용
• AI Agent: 사람의 개입 없이 스스로 작업을 수행하고 의사 결정을 내리는 프로그램
  • 자동화: 반복적이거나 단순한 작업을 자동으로 수행
  • 효율성: 시간과 비용 절감
  • 자율성: 사람이 일일이 지시하지 않아도, 스스로 판단하여 상황에 맞게 작업하여 수행

 

구분	LLM	RAG	AI Agent
핵심 역할	텍스트 생성 (두뇌)	검색+생성 (정보 수집)	작업 계획+실행+재계획 (작업 관리자)
주요 기능	질문 이해, 자연어 처리, 응답 생성	외부 데이터베이스 또는 웹 검색	목표 설정, 계획 생성, 작업 실행, 재계획
구성 요소	단일 LLM	LLM+검색 엔진	LLM+계획+메모리+실행
정보 출처	훈련 데이터만 사용	훈련 데이터+검색 데이터	훈련 데이터+웹 검색+작업 결과
실시간 정보	X	웹에서 실시간 검색	웹 검색, 작업 실행
목표 지향성	단일 질문에 대한 응답만	단일 질문에 대한 응답만	사용자 목표에 맞춰 스스로 작업 실행
대표 예시	ChatGPT, 클로드	RAG(LangChain)	AutoGPT, 랭체인 에이전트

 

• 큰 작업을 관리 가능한 작은 작업으로 여러개 나워서, 각 작업에 대한 목표를 명확하게 부여할 수 있다.
• 병렬로 처리할 수 있어서 전체 작업 속도가 빨라진다.
• 복잡한 문제를 단순화한다.

 

2️⃣  구성 요소

 [실행]    [계획]
       [LLM]
[메모리]  [프로필]

 

1) LLM

• 자연어 처리, 텍스트 생성, 맥락 이해, 의사결정 등 AI 에이전트의 뇌 역할을 담당합니다.

 

2) 계획(Planning): 복잡한 문제를 여러 개의 관리 가능한 하위 작업으로 분할

• 목표: 사용자 질의에 답변하기 위한 최종 목표. 예) AI 모델 개발, 제품 출시
• 작업: 목표를 달성하기 위해 수행해야하는 구체적인 작업
• 우선순위
• 재계획: 새로운 정보가 들어오거나 예기치 않은 문제가 발생하면 계획을 수정해야함

3) 실행(Action): 세분화된 작업이 실행되는 모듈. 다양한 도구나 API를 사용한다.

4) 프로필(Profile): 에이전트가 어떤 태도로 사용자와 소통할지, 어떤 지식 기반을 사용할지, 어떤 규칙과 윤리적 지침을 다를지에 대한 세부 사항을 정의하는 모듈

5) 메모리(Memory): 사용자 답변에 대해 지속적인 대화 문맥을 유지하고, 사용자 맞춤형 응답을 제공하는 역할.

• 단기 메모리(Short-Term Memory, STM): 대화 중에만 정보를 유지하며, 대화가 끝나면 삭제됨
• 장기 메모리(Long-Term Memory, LTM): 여러 대화 세션에 걸쳐 정보를 지속적으로 유지

 

3️⃣ 에이전트 유형

1) 단순 반응 에이전트(Simple Reflex Agents)

• 사전에 정의된 규칙에 따라 즉각적으로 반응하는 에이전트로 이전의 경험이나 내부 상태를 고려하지 않는다.
• '조건-실행 규칙(Condetion-Action Rule)'

장점	- 설계와 구현이 간단하며, 최소한의 계산 자원만 필요 - 환경 변화에 실시간으로 빠르게 반응 - 규칙이 잘 설계된 경우, 높은 신뢰성을 보장
단점	- 과거 정보를 기억하지 않기 때문에, 복잡한 상황이나 이전 상황을 고려하지 못함 - 사전에 명시되지 않은 상황을 처리할 수 없음

 

2) 모델 기반 반응 에이전트(Model-Based Reflex Agents)

• '조건-실행 규칙(Condetion-Action Rule)'에 따라 작업을 수행하되 상태(State)를 고려하여 의사 결정을 내림

장점	- 에이전트는 환경에 대해 빠르고 효율적인 결정을 내릴 수 있음 - 내부 모델을 업데이트하여 환경 변화에 유연하게 대응할 수 있음
단점	- 내부 모델을 구축하고 지속적으로 업데이트해야 하므로 많은 계산 자원과 처리 시간 소요 - 실제 환경의 복잡성을 충분히 반영하지 못할 수 있으며, 예기치 않은 상황에 대한 정확한 예측이 어려울 수 있음

 

3) 목표 기반 에이전트(Goal-Based Agents)

• 특정 목표를 설정하여 이를 달성하기 위해 작업을 수행합니다.
• 목표 달성을 위한 최적의 경로를 찾기 위해 경로 탐색 알고리즘(Pathfinding Algorithm) 사용
• 예) GPS 내비게이션이나 로봇 팔 제어

4) 유틸리티 기반 에이전트(Utility-Based AI Agents)

• 모든 가능한 선택지를 평가하고 가장 유리한 작업을 선택
• 불확실성이 높은 환경에서도 효과적으로 작동할 수 있다.
• 예) 자율주행차나 주식거래 시스템

5) 학습 에이전트(Learning Agents)

• 과거 피드백을 바탕으로 더 나은 성능을 달성하기 위해 머신러닝 알고리즘을 사용
• 자율주행 자동차의 주행 알고리즘 개선에 사용

6) 계층적 에이전트(Hierarchical AI Agents)

• 계층 구조를 통해 에이전트를 여러 수준으로 나누어, 하위 에이전트가 이를 수행하는 구조
• 예) 스마트 팩토리의 생산 공정 관리

 

4️⃣ AI 에이전트 디자인 패턴

1) 반응 패턴(Reflection Pattern)

• AI 모델이 초기 응답을 생성한 후 해당 출력의 품질과 정확성을 스스로 평가하고, 이를 기반으로 내용을 수정하는 디자인 패턴
• Generation + Self-assessment
• 활용) 문서 생성, 교육 플랫폼

2) 계획 패턴(Planning Pattern)

• 수행해야 할 구체적인 계획을 수립하고, 그 계획을 여러 단계에 걸쳐 실행하는 기법
• 반응패턴+계획

3) 도구 패턴(Tool Use Pattern)

• 외부 도구를 사용하는 방식으로 최신 정보에 접근할 수 있다.

4) 멀티 에이전트 패턴(Multi-Agent Pattern)

• 복잡한 작업을 여러 하위 작업으로 나누고, 각각의 작업을 특정 작업에 능숙한 에이전트들이 수행하게 하는 기법
  • 여러 작업을 동시에 실행하므로 처리속도가 빠르다.
  • 새로운 에이전트를 추가하여 시스템을 쉽게 확장할 수 있다.
  • 에이전트가 실패하면 재계획을 수행하여 새로운 작업을 추가할 수 있다.
  • 에이전트 간의 협력으로 목표를 달성한다.

5) CoT 프롬프팅 패턴(Chain of Thought Prompting Pattern)

• AI가 문제를 단계별로 사고하고 추론하도록 유도하는 기법
• 활용) 수학 문제 해결, 법률 분석

 

5️⃣ AI Agent Framework

1) 오토젠(AutoGen)

• 멀티 에이전트 AI 시스템을 구축하기 위한 오픈소스 프레임워크
• 여러 AI 에이전트가 서로 대화하고, 의사 결정을 내리며, 작업을 자동화한다.

2) LangChain

• AI 에이전트와 LLM 기반의 애플리케이션을 쉽게 개발하고 통합할 수 있도록 돕는 프레임워크
  • 프롬프트 관리
  • Chain: 작업의 연속적인 단계를 연결하여 자동화
  • Agent: AI 에이전트가 도구를 선택하여 작업을 수행
  • Tool: API, 웹 검색, 계산기와 같은 외부 도구에 연결
  • Memory: 대화의 기억을 유지하여 컨텍스트를 기억
  • 문서 호출
  • Retrieval: DB나 검색 시스템에서 정보를 가져옴.

3) LangGraph

• AI 에이전트를 위한 상태 기반 워크플로를 관리하는 프레임워크로, AI 에이전트의 작업 흐름을 시각적이고 유연하게 구성할 수 있게 해준다.
• 에이전트의 순환 작업을 지원
  • 상태(State): 워크플로의 현재 상태 및 에이전트의 기억/데이터 정보
  • 노드(Node): 워크플로의 단일 작업 단위(함수, 작업)
  • 에지(Edge): 노드와 노드를 연결하여 워크플로의 경로를 만듦

4) 크루 AI

• AI 에이전트들이 팀으로 협력한다고 하여 붙여진 이름으로, 멀티 에이전트 시스템을 설계하고 실행할 수 있는 프레임워크
• 즉, 서로 다른 역할을 가진 에이전트들이 공동의 목표를 위해 작업할 수 있는 환경을 제공하는 것

5) LlamaIndex

• AI 에이전트와 LLM이 외부 데이터에 접근할 수 있도록 하는 오픈소스 데이터 연결 라이브러리
  • 인덱싱: 외부 데이터를 LLM이 접근할 수 있도록 인덱스를 생성
  • 검색과 질의: LLM이 외부 데이터를 활용해 질의 및 검색
  • 에이전트 통합: AI 에이전트가 데이터와 상호 작용하도록 지원, PDF 파일, 웹사이트, DB의 데이터를 LLM이 사용할 수 있게 만듬

6) AutoGPT

• 자율적인 AI 에이전트 시스템으로, LLM을 사용해 스스로 목표를 설정하고 실행할 수 있는 AI dpdlwjsxm

---

Last Updated. 2025.06.17

🔖 참고 자료

📖 랭체인&랭그래프로 AI 에이전트 개발하기

https://github.com/gilbutITbook/080456