토픽 195 / 201·비교표

생성형 AI와 LLM 활용

판별 모델 vs 생성 모델

항목	판별 모델	생성 모델
목적	분류·예측	새로운 콘텐츠 생성
학습	P(Y	X)	P(X) 또는 P(X	Y)
대표	SVM, 로지스틱 회귀	GAN, VAE, Diffusion, LLM
적용	스팸분류, 진단	이미지생성, 텍스트생성

Diffusion vs GAN vs VAE

항목	Diffusion	GAN	VAE
원리	점진적 노이즈 제거	적대적 학습	확률적 잠재 공간
학습 안정성	안정적	불안정 (모드 붕괴)	안정적
생성 품질	고품질·다양성	선명·빠름	흐릿한 출력
생성 속도	느림 (다단계)	빠름	중간
대표 모델	Stable Diffusion, DALL-E	StyleGAN, CycleGAN	β-VAE

RAG vs Fine-tuning vs 프롬프트 엔지니어링

항목	RAG	Fine-tuning	프롬프트 엔지니어링
모델 수정	없음	파라미터 업데이트	없음
최신 정보	실시간 반영 가능	학습 시점 고정	내재 지식만
비용	인프라 비용	학습 비용	낮음 (API 호출만)
도메인 특화	문서 기반 보강	모델 자체 특화	제한적
속도	검색 지연 추가	추론만 (빠름)	가장 빠름

Naive RAG vs Advanced RAG vs Modular RAG

항목	Naive RAG	Advanced RAG	Modular RAG
청킹	단순 고정 크기	시맨틱·최적 청킹	모듈화 파이프라인
검색	벡터 검색만	Reranking, HyDE	교체 가능 모듈
품질	기본	고품질	유연·고품질
복잡도	낮음	중간	높음

직접 응답 vs CoT vs ToT

항목	직접 응답	CoT (Chain-of-Thought)	ToT (Tree-of-Thought)
추론 방식	즉시 답변	단계별 추론	다중 경로 탐색
정확도	단순 문제에 적합	복잡 문제 향상	최고 성능
속도	빠름	중간	느림
적용	단순 질의	수학, 논리	탐색적 문제

멀티에이전트 vs 싱글에이전트 vs RAG

항목	멀티에이전트	싱글에이전트	RAG
구성	다수 에이전트 협업	단일 독립 에이전트	검색+생성
적합 작업	복잡·다단계	단순·독립	정보 기반 질의
특징	역할분담, 협업	독립적 실행	외부 지식 보강

A2A vs MCP

항목	A2A (Google)	MCP (Anthropic)
목적	에이전트 간 통신 표준	모델-도구 간 컨텍스트 연결
구조	에이전트-에이전트	클라이언트-서버
핵심	Agent Card, 태스크 관리	도구/데이터 연결 표준
관계	상호보완적	상호보완적

기존 LLM vs AI Agent

항목	기존 LLM	AI Agent
자율성	단일 프롬프트 응답	목표 기반 자율 실행
도구 사용	없음/제한적	API, DB, 검색 등 다양
멀티스텝	단일 턴 처리	다단계 계획·실행
피드백 루프	없음	자기 성찰·교정 반복
메모리	컨텍스트 윈도우 한정	단기+장기 기억 활용
정확도	환각 발생 가능	도구 검증으로 개선

목록 ←Transformer와 언어모델 다음: 컴퓨터 비전과 NLP→