AI Agent Framework

AI Agent Framework

대규모 언어모델(LLM)을 추론 엔진으로 활용하여 목표 달성을 위해 자율적으로 계획(Plan)을 수립하고 도구(Tools)를 사용하며 환경과 상호작용하여 복잡한 태스크를 수행하는 에이전트 시스템으로, ReAct·Tool Use·Multi-Agent 등의 패러다임 포함

목적: 자율적 태스크 수행, 복잡한 문제 해결, 도구 통합, 반복적 개선

특징: LLM 기반 추론, 자율적 계획, 도구 사용(Tool Use), 메모리, 피드백 루프, 멀티에이전트 협업

구성요소

• •LLM(추론 엔진): GPT-4, Claude, Llama 등, 계획·추론·행동 생성
• •계획(Planning): 목표 → 하위 태스크 분해 → 실행 순서
• •도구(Tools): 검색, 계산기, API, 코드 실행, 데이터베이스 등
• •메모리(Memory): 단기(대화 히스토리), 장기(벡터DB, 지식베이스)
• •행동(Action): 도구 호출, API 실행, 환경 조작
• •관찰(Observation): 도구 결과, 환경 피드백
• •반성(Reflection): 실패 분석, 계획 수정

패러다임

• •ReAct(Reasoning + Acting): 추론(Thought) → 행동(Action) → 관찰(Observation) → (반복)
• •Tool Use: Function Calling, 도구 스키마 정의, LLM이 도구 선택·실행
• •Multi-Agent: 여러 에이전트 협업, 역할 분담(관리자, 연구자, 코더 등)
• •Chain-of-Thought Prompting: 단계별 추론, 중간 과정 명시

대표 프레임워크

• •LangChain: 도구 통합, 체인 구성, 메모리 관리, Python/JS
• •AutoGPT: 자율 에이전트, 목표 달성, 반복 실행
• •BabyAGI: 태스크 생성·우선순위·실행, 벡터DB
• •MetaGPT: 멀티에이전트, 소프트웨어 개발(PM, 아키텍트, 개발자 등)
• •CrewAI: 역할 기반 에이전트, 협업 워크플로

동작: 목표 입력 → 계획 수립 → 도구 사용·행동 → 결과 관찰 → 반성·계획 수정 → (반복) → 목표 달성

장점: 복잡한 태스크 자동화, 도구 확장성, 자율성, 반복 개선, 멀티모달 가능

단점: 비용 높음(LLM 호출 많음), 불안정(계획 실패), 환각(Hallucination), 보안 위험(도구 남용)

적용사례: 코드 생성·디버깅(AutoGPT), 데이터 분석(Pandas AI), 고객 지원(Chatbot), 리서치(검색+요약)

기술요소: ReAct, Tool Use, Function Calling, Memory, Planning, Reflection, Multi-Agent

비교: 단순 Chatbot(단일 응답) vs Agent(도구 사용·계획·반복)

연관: LLM, Tool Use, ReAct, LangChain, AutoGPT, Multi-Agent, Function Calling