.gif&blockId=11b00c82-b138-8050-a58b-dcbceda2ef8f)
개요
•
Agent, AI Agent, Agentic AI, Multi-Agent, Agent WorkFlow 등등 비슷한 용어들이 너무 많은데 기준을 나누는 경계도 모호하고 말도 다 달라서 기존 경험 및 레퍼런스를 종합해봤을 때의 공통점을 바탕으로 경계를 나누고자 한다.
•
이 글은 여타 다른 자료들의 모호한 구분점들을 정리하여 “명확한” 구분을 할 수 있도록 각 용어를 정의하고자 한다.
•
스압에 주의하라.
Agent
•
이 파트는 “Agent”라는 용어만 사용될 경우를 설명한다.
•
cambridge dictionary에서는 “a person who acts for or represents another(REPRESENTATIVE), a person or thing that produces a particular effect or change(CAUSE)”이라 설명된다.
직역하자면 대리자로서
•
다른 사람을 위해 행동하거나 대리하는 사람
•
특정 효과나 변화를 일으키는 사람 또는 사물
으로 설명된다.
•
위키백과에서는 이 중 지능형 에이전트(intelligent agent)에서 “≒소프트웨어 에이전트, 특정한 목적을 위해 사용자를 대신해서 작업을 수행하는 자율적 프로세스”라고 나온다.
소프트웨어 에이전트: 대행사(agency) 관계에 있는 사용자 또는 다른 프로그램을 대신하여 작동하는 컴퓨터 프로그램
성질
지능형 에이전트는 다음 성질은 갖는다.
•
자율성(autonomy): 에이전트는 사람이나 다른 사물의 직접적인 간섭 없이 스스로 판단하여 동작하고, 그들의 행동이나 내부 상태에 대한 어떤 종류의 제어를 갖는다.
•
사회성(social ability): 에이전트는 에이전트 통신 언어를 사용하여 사람과 다른 에이전트들과 상호작용할 수 있다.
•
반응성(reactivity): 에이전트는 실세계, 그래픽사용자 인터페이스를 경유한 사용자, 다른 에이전트들의 집합, 인터넷 같은 환경을 인지하고 그 안에서 일어나는 변화에 시간상 적절히 반응한다.
•
능동성(proactivity): 에이전트는 단순히 환경에 반응하여 행동하는 것이 아니라 주어진 목표에 따라 자동적으로 수행한다.
•
시간 연속성(temporal continuity): 에이전트는 단순히 한번 주어진 입력을 처리하여 결과를 보여주고 종료하는 것이 아니라, 전면에서 실행하고 이면에서 잠시 휴식하는 연속적으로 수행하는 데몬(demon)같은 프로세스이다.
•
목표지향성(goal-orientedness): 에이전트는 복잡한 고수준 작업들을 수행한다. 작업이 더 작은 세부 작업으로 나뉘고 처리순서가 결정되어 처리되는 등의 책임을 에이전트가 진다.
속성
지능형 에이전트는 다음 속성을 지닌다.
•
이동성(mobility): 사용자가 요구한 작업을 현재의 컴퓨터에서 처리하지 않고 그 작업을 처리할 수 있는 다른 컴퓨터로 이동시켜 수행함으로써 효율을 높이고 네트워크 부하를 감소시킨다.
•
합리성(rationality): 에이전트가 목표를 달성하기 위해 행동하지 목표 달성을 방해하는 방향으로는 행동하지 않는다.
•
적응성(adaptability): 에이전트는 사용자의 습관과 작업 방식 그리고 취향에 따라 스스로를 적응시킬 수 있다.
•
협동성(collaboration): 에이전트는 다른 에이전트, 자원, 사람과도 복잡한 작업을 수행하기 위해 협력할 수 있다.
정리
위 지능형 에이전트의 성질과 속성을 정리하였을 때 근본적으로 Agent라는 것은 최소 다음 조건을 만족하고 이행하여야 한다.
1.
스스로 판단/적응하기 - 조건: 사람과 다른 사물의 직접적인 간섭이 없어야 함. “사용자에 적응”
2.
다른 Agent와의 상호작용, 즉 협력(협동성)이 가능해야 한다.
3.
단순히 환경에 “반응”하는 것이 아닌 환경을 “인지/인식”하고 주어진 목표에 따라 자동 수행/행동해야 한다.
4.
단순 작업이 아닌 복잡한 고수준의 사고 작업들을 연속적으로 수행하는 데몬같은 프로세스이다.
LLM Agent vs. LLM Workflow
LLM Agent는 변화하는 환경과 복잡한 목표에 대응하여 추론하고, 적응하며, 행동을 정제할 수 있는 능력으로 인해 전통적인 LLM Workflow와 구별된다.
LLM Agent
•
대규모 언어 모델(LLM)을 기반으로 한 자율적이고 지능적인 시스템
•
추론, 메모리, 인지 기술, 도구와 같은 모듈형 구성 요소를 통합하여 동적이고 변화하는 환경에서 복잡한 작업을 해결한다.
•
이 에이전트들은 독립적으로 작동하며, 변화에 적응하고, 도메인별 전문 지식과 문맥적 이해를 결합하여 정교한 작업을 수행하도록 설계되었다.
•
에이전트 아키텍처 내의 각 모듈은 고유의 목적을 가지며, 추론은 논리적 의사결정을 가능하게 하고, 메모리는 중요한 정보를 보존 및 회상하는 역할을 하며, 도구는 외부 시스템 및 환경과의 상호작용을 촉진한다.
그림 1은 LLM 에이전트의 모듈형 아키텍처와 구성 요소를 보여주며, 적응성, 지능성 및 정밀성을 갖춘 실시간 프로세스를 수행할 수 있는 능력을 강조한다.
Core Modules
메모리(Memory)
•
에이전트가 상호작용 전반에 걸쳐 맥락을 유지할 수 있도록 지원하여 개인화되고 일관된 응답을 보장한다.
•
과거 상호작용, 사용자 선호도, 도메인별 지식을 저장함으로써 에이전트의 장기 저장 시스템 역할을 수행한다.
→ 과거 상호작용과 실시간 데이터를 통합하여 맥락에 적합한 결과를 제공함
•
메모리를 활용함으로서 Agent가 달성하는 것:
◦
맥락 인식: 이전 상호작용을 바탕으로 연속성을 유지함.
◦
개인화: 사용자별 정보를 기반으로 응답을 조정함.
◦
도메인 전문성: 저장된 지식을 활용하여 정확하고 정보에 기반한 결과를 제공함.
추론 엔진(LLM)
•
LLM 에이전트의 의사결정 핵심(뇌)
•
추론 엔진이란 대규모 언어 모델(LLM)의 언어 이해력과 추론 알고리즘의 문제해결력을 결합한 것
•
이 모듈은 논리적 추론, 계획 수립, 맥락 이해, 개인화된 상호작용을 총괄하여 원시 데이터를 실행 가능한 통찰로 전환한다.
•
메모리, 인지 기술, 도구로부터의 입력을 통합함으로써 추론 엔진은 에이전트가 동적이고 복잡한 환경에서 효과적으로 작동하도록 보장한다.
추론 (Reasoning)이란, 설명을 형성하고, 유추를 하거나, 결정을 내리기 위해서 사실, 전제를 통해서 생각하는 과정이다. 주어진 규칙, 데이터, 논리에 따라 인간의 문제해결 과정을 모방하며, 연역·귀납·가설 등의 추론 방식을 구현한다.
•
연역 추론: 일반적인 사실로부터 개별 결론을 도출 (예: “모든 새는 알을 낳는다. 비둘기는 새다. 따라서 비둘기는 알을 낳는다”).
•
귀납 추론: 여러 사례로부터 일반 법칙을 추론 (예: “지금까지 만난 모든 개는 친근했다. 따라서 모든 개는 친근할 것이다”).
•
가설 추론: 불완전한 정보로부터 가장 그럴듯한 결론을 추정 (예: “바닥에 종이가 찢어진 채 흩어져 있고, 개가 집에 혼자 있었다. 아마도 개가 종이를 찢었을 것이다”).
•
핵심 능력:
◦
논리적 추론 및 문제 해결
▪
추론 엔진은 입력된 정보를 평가하여 의미 있는 결론을 도출한다.
▪
모호하거나 복잡한 상황을 분석함으로써 고급 논리적 추론을 적용하여 에이전트의 응답이 정확하고 데이터 기반이 되도록 보장한다.
◦
맥락 이해 및 응답 생성
▪
메모리의 과거 데이터와 도구의 실시간 입력을 활용하여, 추론 엔진은 맥락에 맞게 출력물을 조정한다.
▪
이를 통해 일관되고, 적응적이며, 조화로운 상호작용을 보장하여 에이전트가 다양한 변화하는 상황을 정확하게 처리할 수 있다.
◦
작업 순서 지정, 목표 지향 계획, 사고의 연쇄 추론
▪
추론 엔진은 전략적으로 작업을 조직하고 순서를 지정하여 목표 지향적인 행동을 보장한다.
▪
특히, 사고의 연쇄 추론 기능을 통해 에이전트는 복잡한 쿼리를 더 작고 순차적인 단계로 분해할 수 있다.
▪
이 과정은 명확성, 논리적 흐름 및 정확한 해결을 보장하며, 다면적인 작업에서 큰 효과를 발휘한다.
◦
맞춤형 상호작용을 위한 적응형 페르소나
▪
추론 엔진은 대상에 따라 에이전트의 어조, 스타일 및 추론 방식을 조정하기 위해 페르소나를 통합한다.
▪
페르소나는 상호작용을 기대에 맞추어 사용자 신뢰와 참여를 향상시킨다.
공감적 페르소나: 의료나 고객 지원 분야에 적합하여 동정심 있고 이해심 있는 상호작용을 제공한다.
전문적 페르소나: 비즈니스나 법률 분야에 적합하여 형식적이고 정확한 응답을 보장한다.
캐주얼 페르소나: 소비자 대상 역할에 적합하여 친근하고 접근하기 쉬운 소통을 촉진한다.
인지 기술(Cognitive Skills): Task-Specific Inferences
•
에이전트에 목적에 맞게 설계된 모델들을 제공하는 모델 허브 역할
•
일반 목적으로 설계된 LLM들조차도, 심지어 미세 조정된 LLM들도 효과적으로 수행하기 어려운 작업들을 수행할 수 있도록 한다.
•
미세 조정된 모델들은 복잡하고 도메인별 작업에 필요한 정밀도와 전문성이 부족한 경우가 많다.
→ 인지 기술 모듈은 이러한 간극을 메워, 전문 애플리케이션에 맞춤화된 도메인별 인지 능력을 제공함으로써 에이전트의 기능성과 적응성을 향상시킨다.
•
이러한 전문화된 기술들을 활용함으로써, 에이전트는 높은 정밀도, 도메인 전문지식 또는 고급 처리 능력이 요구되는 작업들을 수행할 수 있다.
LLM Workflow
•
특정하고 선형적인 작업을 수행하기 위해 설계된 미리 정의된 정적 프로세스
•
각 단계가 명시적으로 정의되어 순서대로 실행되는 구조화된 파이프라인을 기반으로 작동하며, 유연성이나 적응성이 거의 없다.
•
한 LLM이 쿼리를 처리하여 의도를 파악하거나 맥락을 정제하고, 다른 LLM은 검색된 지식을 탑재하여 최종 응답을 생성한다.
•
고정된 단계에 의존함으로써 일관성은 보장되지만 유연성이 제한된다.
전형적인 워크플로우는 여러 LLM을 활용한 일련의 프롬프트 체인과 도메인별 지식에 접근하기 위한 Retrieval-Augmented Generation (RAG) 패턴이 결합된 형태를 포함한다.
AI Agent vs. Agentic AI
위에 정리해놓은 내용을 바탕으로 읽으면 더 쉽게 이해할 수 있다.
한눈에 보기
항목 | Agentic AI | AI Agent |
자율성 수준 | 높은 자율성을 지니며, 독립적으로 행동할 수 있다. | 제한된 자율성을 지니며, 인간의 입력이 필요하다. |
목표 지향성 | 목표 지향적이며, 스스로 문제를 해결한다. | 특정 작업에 특화되어 있으며, 정해진 지시사항을 따른다. |
학습 능력 | 지속적으로 학습하고 개선한다. | 더 단순하거나 제한된 작업을 학습할 수 있다. |
복잡성 | 복잡하고 동적인 환경을 처리한다. | 상대적으로 단순하고 구조화된 작업을 처리한다. |
의사결정 프로세스 | 추론과 맥락을 기반으로 결정한다. | 사전에 프로그래밍된 규칙이나 입력에 반응한다. |
환경 상호작용 | 주변 환경과 변화에 능동적으로 적응한다. | 입력에 대한 반응은 가능하나, 스스로 적응하지는 않는다. |
변화 대응성 | 목표와 방식을 자율적으로 변경한다. | 새로운 상황에 대한 적응 능력이 제한적이다. |
AI Agent
•
Agentic AI의 기본 요소이다.
•
기존의 Agent는 간단하고 반복적인 작업을 자동화하는 데에 사용되었지만, 자율성이나 의사 결정 능력은 제약이 있다.
사용자의 요구에 맞추어 정확하게 작업을 수행하는 도우미에 더 가까운 개념으로 인식됨.
•
AI Agent는 특정 환경에서 작동하며, 데이터를 기반으로 의사결정을 내리고 주어진 목표를 달성하기 위해 설계된 자율적인 소프트웨어 개별 엔티티이다.
◦
기존 "Agent" 개념에서 발전된 형태로, 주로 특정 작업에 초점을 맞춘다.
특징
•
작업 중심(Task-Oriented): 특정 작업이나 기능(예: 챗봇, 일정 관리)을 수행하도록 설계됨.
•
고정된 규칙 기반: 사전 정의된 규칙과 워크플로우에 따라 작동
•
제한된 적응성: 새로운 환경이나 작업에 적응하려면 재학습 또는 재프로그래밍 필요
•
독립적 실행: 주어진 도메인 내에서 자율적으로 작동하지만, 복잡한 다단계 작업에는 한계가 있음
유형
•
생성 정보 검색 에이전트: 규제가 덜한 환경/주제에 대한 지식을 제공하는 에이전트
•
규범적 지식 에이전트: 규제가 엄격한 환경/주제에 대한 지식을 제공하는 에이전트
•
동적 워크플로 에이전트: 액션(Action) 에이전트
•
사용자 지원 에이전트: ≒ Assistant, 개별 사용자가 일상 업무를 직접 처리할 수 있도록 도울 수 있다.
Agentic AI, Agentic AI System
•
여러 AI 에이전트가 독립적으로 작동하면서도, 전체 시스템이 하나의 목적을 위해 협력하는 구조
•
더 높은 수준의 자율성, 상황 인식 및 적응력을 갖춘 보다 진보된 형태로, 목표를 설정하고, 환경에서 학습하고, 윤리적이고 맥락적 고려 사항을 포함하는 복잡한 결정을 내리는 것을 “시스템이 Agentic 하다” 라고 칭하게 되었다.
특징
•
AI 시스템이 복잡한 환경에서 사용자 지시 없이 어려운 목표를 추구한다.
•
자연어 지시 하에 사용자의 인터페이스나 감독 없이 자율적으로 행동한다.
•
웹 검색, 프로그래밍 등의 도구를 사용 혹은 계획이 가능하다.
AI 변천사
오른쪽(→)으로 갈수록 발전
Feature | Traditional AI | Generative AI | Agentic AI |
재료 | ML/DL | LLM | Agent |
주요 기능 | 반복적인 작업 자동화에 집중 | 컨텐츠 생성(텍스트, 코드, 이미지 등) | 목표 지향적 행동 및 의사 결정 |
자율성 | 낮음 – 특정 알고리즘과 설정된 규칙에 의존함 | 변수 - 사용자 쿼리(프롬프트) 또는 안내가 필요할 수 있음 | 높음 – 최소한의 인간 감독으로 작동 |
학습 | 미리 정의된 규칙과 인간의 개입에 의존 | 데이터 기반 학습 – 기존 데이터로부터 학습 | 강화 학습 – 경험을 통해 향상 |
Agentic AI System
•
Agentic AI System은 각 작업에 특화된 Agent를 하나 이상 사용하며 전체 시스템을 위해 협력하거나 발전시켜 사용하게 되는 시스템이다.
5 levels of Agentic AI systems
1.
Basic Responder
•
기본 Task-Specific Agent를 사용하여 디자인 되었으며,
