Part 1에서는 AI 에이전트의 정의와 AI 어시스턴트, 봇과의 차이점을 살펴보았습니다. 이번 Part 2에서는 AI 에이전트가 실제로 어떻게 작동하는지 그 내부 메커니즘을 다룹니다.
❝AI 에이전트의 핵심은 '추론(Reason)'과 '행동(Act)'의 결합입니다. 생각만 하는 것도, 행동만 하는 것도 아닌, 생각하면서 행동하고 행동하면서 배우는 시스템입니다.
❞
총 4부작으로 구성되어 있습니다:
- ❧Part 1: AI 에이전트란 무엇인가
- ❧ Part 2: AI 에이전트의 작동 원리 (현재 글)
- ❧Part 3: AI 에이전트의 유형
- ❧Part 4: AI 에이전트 활용하기
AI 에이전트의 6대 핵심 기능
AI 에이전트의 핵심은 추론(Reasoning)과 행동(Acting)입니다. 이는 ReAct 프레임워크에서 체계화된 개념으로, 시간이 지나면서 더 많은 기능이 발전했습니다.
✦1. 추론 (Reasoning)
추론은 논리와 사용 가능한 정보를 사용해 결론을 도출하고, 문제를 해결하는 핵심적인 인지 과정입니다.
💡 추론의 예시
입력: "서울에서 부산까지 가장 빠른 방법은?"
AI 에이전트의 추론 과정:
1. 현재 시각과 교통 상황 파악
2. 이용 가능한 교통수단 비교 (KTX, 비행기, 자동차)
3. 각 옵션의 소요 시간, 비용, 편의성 분석
4. 사용자의 맥락(급한 일정인지, 예산 제약이 있는지) 고려
5. 최적의 선택지 도출강력한 추론 기능을 갖춘 AI 에이전트는:
- ❧데이터를 분석하고 패턴을 식별
- ❧증거와 컨텍스트를 기반으로 정보에 입각한 결정
- ❧불확실한 상황에서도 합리적 판단
✦2. 행동 (Acting)
행동은 결정, 계획, 또는 외부 입력을 기반으로 조치를 취하거나 태스크를 수행하는 능력입니다.
Types of Actions:
Digital Actions
- Send messages
- Update data
- Trigger other processes
- API calls
- Create/modify files
Physical Actions (Embedded AI)
- Robot arm control
- Sensor manipulation
- Physical environment changesAI 에이전트가 환경과 상호작용하고 목표를 달성하는 데 핵심적인 기능입니다.
✦3. 관찰 (Observation)
관찰은 인식 또는 감지를 통해 환경이나 상황 정보를 수집하는 것입니다.
AI 에이전트가 컨텍스트를 이해하고 정보에 입각한 결정을 내리기 위해 필수적인 기능입니다:
| 관찰 유형 | 설명 | 예시 |
|---|---|---|
| 컴퓨터 비전 | 이미지/영상 분석 | 제품 결함 탐지 |
| 자연어 처리 | 텍스트/음성 이해 | 고객 감정 분석 |
| 센서 데이터 분석 | IoT 데이터 처리 | 온도/습도 모니터링 |
✦4. 계획 (Planning)
계획은 목표 달성을 위한 전략적 계획 수립입니다. 지능적인 행동의 핵심 요소입니다.
Planning Process:
Goal: "Reduce customer churn by 10%"
Step 1: Analyze current state
- Collect churn data, identify patterns
Step 2: Identify required steps
- Build at-risk customer model
- Design retention campaigns
- Build feedback collection system
Step 3: Evaluate potential actions
- Cost-benefit analysis
Step 4: Select best course of action
- Prioritize and create execution plan
Step 5: Anticipate obstacles
- Consider budget, technical limits계획 기능을 갖춘 AI 에이전트는 미래 상태를 예측하고 잠재적인 장애물을 고려하여 최적의 경로를 찾습니다.
✦5. 협업 (Collaboration)
협업은 복잡하고 역동적인 환경에서 공동의 목표를 달성하기 위해 다른 사람(인간 또는 다른 AI 에이전트)과 효과적으로 협력하는 것입니다.
Collaboration Elements
+------------------------------------------+
| Collaborative AI Agent |
+------------------------------------------+
| Communication |
| - Clear and effective info transfer |
| |
| Coordination |
| - Task distribution & scheduling |
| |
| Perspective-taking |
| - Respect others' goals & constraints |
+------------------------------------------+특히 멀티 에이전트 시스템에서 여러 AI 에이전트가 함께 복잡한 태스크를 수행할 때 중요합니다.
✦6. 자체 조정 (Self-Adjustment)
자체 조정은 자체 개선 및 적응 역량으로, 고급 AI 시스템의 특징입니다.
자체 조정 기능을 갖춘 AI 에이전트는:
- ❧경험을 통해 학습: 과거 성공/실패에서 교훈 도출
- ❧피드백에 따라 행동 조정: 사용자 반응 반영
- ❧지속적 성능 향상: 시간이 지남에 따라 더 나은 결과
Self-Adjustment Cycle
+------------------------------+
| |
v |
Execute --> Evaluate --> Learn --> Adjust여기에는 머신러닝 기법, 최적화 알고리즘, 또는 기타 형태의 자체 수정이 포함될 수 있습니다.
AI 에이전트의 4가지 구성 요소
모든 AI 에이전트는 다음 4가지 핵심 구성 요소를 가지고 있습니다.
✦1. 캐릭터 (Character)
캐릭터는 에이전트의 역할, 성격, 커뮤니케이션 스타일을 정의합니다.
Character Definition Example:
+------------------------------------------+
| Role: Customer Service Expert |
| Personality: Friendly, Patient |
| Tone: Polite, Professional |
| Goal: Resolve issues, Improve CSAT |
| Constraint: Refund limit < $100 |
+------------------------------------------+잘 정의된 캐릭터를 통해 에이전트는:
- ❧일관된 성격 유지
- ❧할당된 역할에 적합한 방식으로 행동
- ❧경험을 쌓으면서 발전
✦2. 메모리 (Memory)
메모리는 AI 에이전트가 컨텍스트를 유지하고, 경험에서 학습하며, 새로운 상황에 적응하는 핵심 요소입니다.
| 메모리 유형 | 용도 | 예시 |
|---|---|---|
| 단기 메모리 | 즉각적인 상호작용 | 현재 대화의 맥락 |
| 장기 메모리 | 과거 데이터 및 대화 | 사용자 선호도, 과거 구매 이력 |
| 단편적 메모리 | 과거 상호작용 회상 | "지난주에 같은 질문을 하셨죠" |
| 합의 메모리 | 에이전트 간 공유 정보 | 팀 내 공유 지식 베이스 |
메모리 활용 예시:
사용자: "저번에 추천해준 책 뭐였지?"
단기 메모리 검색 ❌ (이번 대화에서 없음)
↓
장기 메모리 검색 ✅
↓
"2주 전 대화에서 '원씽'을 추천해드렸습니다."✦3. 도구 (Tools)
도구는 에이전트가 환경과 상호작용하고 기능을 향상하는 데 활용하는 함수 또는 외부 리소스입니다.
AI Agent Tools Examples:
Search & Information
- Web search API
- Database queries
- Document search
Execution & Control
- Send emails
- Calendar management
- Payment processing
- System commands
Analysis & Processing
- Image analysis
- Data visualization
- Code execution도구 학습(Tool Learning)은 에이전트에게 도구의 기능과 적용해야 하는 컨텍스트를 이해하여 효과적으로 사용하는 방법을 가르치는 것을 의미합니다.
✦4. 모델 (Model)
대규모 언어 모델(LLM)은 AI 에이전트를 빌드하기 위한 기반으로, 에이전트가 이해, 추론, 행동을 할 수 있는 능력을 제공합니다.
LLM: AI Agent's Brain
+---------------------------------------------+
| Large Language Model (LLM) |
+---------------------------------------------+
| |
| Input Reasoning Output |
| Processing Engine Generation |
| | | | |
| v v v |
| "Understand "Which tool "Generate |
| user's should I response or |
| intent" use?" take action" |
| |
+---------------------------------------------+LLM은 언어를 처리하고 생성하는 한편, 다른 구성요소(메모리, 도구 등)가 추론과 행동을 촉진합니다.
ReAct 프레임워크: 추론과 행동의 결합
ReAct(Reasoning + Acting)는 AI 에이전트의 작동 방식을 설명하는 핵심 프레임워크입니다.
ReAct Cycle:
Thought ---> Action ---> Observation
| | |
| | |
+-------------+---------------+
|
v
Next Thought✦실제 예시: 여행 계획 에이전트
사용자: "다음 주 제주도 여행 계획 세워줘"
【Thought 1】
사용자가 제주도 여행 계획을 원한다.
일정, 예산, 선호도를 파악해야 한다.
【Action 1】
사용자에게 추가 정보 질문
【Observation 1】
"2박 3일, 예산 50만원, 자연 경관 선호"
【Thought 2】
2박 3일 일정에 자연 경관 중심으로 계획.
숙소, 렌터카, 관광지 정보 필요.
【Action 2】
- 숙소 검색 API 호출
- 렌터카 가격 조회
- 제주 자연 관광지 검색
【Observation 2】
숙소: 성산 일출봉 근처 펜션 10만원/박
렌터카: 소형 4만원/일
관광지: 성산일출봉, 우도, 한라산, 협재해변
【Thought 3】
예산 내에서 최적의 일정 구성 가능.
동선을 고려한 코스 설계.
【Action 3】
상세 일정표 생성 및 사용자에게 제공마치며
AI 에이전트는 6가지 핵심 기능과 4가지 구성 요소가 유기적으로 결합하여 작동합니다.
| 핵심 기능 | 역할 |
|---|---|
| 추론 | 논리적 사고와 결론 도출 |
| 행동 | 태스크 실행과 환경 상호작용 |
| 관찰 | 정보 수집과 상황 인식 |
| 계획 | 전략 수립과 최적 경로 탐색 |
| 협업 | 타 에이전트/인간과 협력 |
| 자체 조정 | 학습과 성능 개선 |
| 구성 요소 | 역할 |
|---|---|
| 캐릭터 | 역할과 성격 정의 |
| 메모리 | 컨텍스트 유지와 학습 |
| 도구 | 외부 시스템 연동 |
| 모델 | 언어 이해와 추론의 핵심 |
다음 글 Part 3: AI 에이전트의 유형에서는 AI 에이전트를 분류하는 다양한 기준과 각 유형의 특징을 살펴보겠습니다.