Agentic AI / AI Agent

Agentic AI / AI Agent

자율적으로 목표를 설정하고, 환경과 상호작용하며, 멀티스텝 작업을 계획·실행·검증하는 AI 시스템으로, 기존 LLM의 단일 응답 방식을 넘어 도구 사용과 피드백 루프를 통해 복잡한 과업을 독립적으로 수행 (135회, 136회 출제)

목적: 복잡한 멀티스텝 작업의 자율적 수행, 인간 개입 최소화, 외부 도구/API 활용 자동화

특징: 자율성(목표 설정·실행), 도구 사용(API/DB/검색), 멀티스텝 추론(계획·분해), 자기 성찰(결과 검증·수정), 환경 적응(피드백 루프)

구성요소

• •Planning(계획): 복잡한 작업을 하위 태스크로 분해, 실행 순서 결정
• •Tool Use(도구 사용): 외부 API, 데이터베이스, 검색엔진, 코드 실행기 호출
• •Memory(기억): 단기 기억(작업 컨텍스트), 장기 기억(벡터DB, 과거 경험)
• •Reflection(자기 성찰): 실행 결과 평가, 오류 감지, 전략 수정

아키텍처

• •ReAct(Reasoning+Acting): 추론과 행동을 교대 반복, 관찰 결과 반영
• •Plan-and-Execute: 전체 계획 수립 후 단계별 실행, 계획 동적 수정
• •Multi-Agent: 역할별 에이전트 협업(매니저/연구자/코더), 작업 분담

동작과정: 목표 수신 → 작업 분해(Planning) → 도구 선택·실행(Tool Use) → 결과 관찰·저장(Memory) → 성공 여부 평가(Reflection) → 필요시 재계획 → 최종 결과 반환

장점: 복잡한 작업 자율 수행, 외부 도구 활용으로 LLM 한계 극복, 자기 교정으로 정확도 향상, 확장 가능한 아키텍처

단점: 비용 증가(다수 LLM 호출), 지연시간 증가, 에이전트 루프 무한반복 위험, 보안 취약점(도구 접근 권한), 디버깅 어려움

적용사례: 코드 생성·디버깅(Devin, Cursor), 리서치 자동화(Deep Research), 고객지원 자동화(챗봇 에이전트), 데이터 분석 파이프라인, 업무 워크플로우 자동화

비교

연관: LLM, RAG, Function Calling, Tool Use, 멀티에이전트, 프롬프트 엔지니어링