개요
•
Agent, AI Agent, Agentic AI, Multi-Agent, Agent WorkFlow 등등 비슷한 용어들이 너무 많은데 기준을 나누는 경계도 모호하고 말도 다 달라서 내 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.
집합 관계
.png&blockId=1cb00c82-b138-808a-bede-c5b2b9fc0db2)
관계 구조 시각화
Agent가 가장 넓은 개념이며, 이 중 인공지능을 활용하는 경우가 AI Agent이고, 그 중에서도 자율적이고 자기 주도적인 특성을 갖춘 것이 Agentic AI이다.
•
Agent ⊃ AI Agent ⊃ LLM Agent: 계층적 포함 관계 (상위 개념 → 하위 특수화).
•
Agentic AI System ⊃ AI Agent(들): 구성 요소 포함 관계 (System은 Agent를 포함).
•
Agentic AI System ⇔ Agentic Workflow: Agent가 상호작용하는 동적 프로세스를 실행함 (System은 Workflow를 실행).
•
LLM Workflow vs Agentic Workflow: 전자는 고정 경로의 LLM 활용 절차, 후자는 자율 Agent에 의한 동적 경로로 발전된 형태 (후자는 전자의 확장(특수한 형태) 관계).
•
Agentic Workflow는 AI Agent(예: LLM Agent)에 의해 구동되며, LLM Workflow는 Agent 없이도 실행될 수 있다(예: 단순 텍스트 요약).
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 Agent(intelligent agent)에서 “≒소프트웨어 Agent, 특정한 목적을 위해 사용자를 대신해서 작업을 수행하는 자율적 프로세스”라고 나온다.
소프트웨어 Agent: 대행사(agency) 관계에 있는 사용자 또는 다른 프로그램을 대신하여 작동하는 컴퓨터 프로그램
성질
지능형 Agent는 다음 성질은 갖는다.
•
자율성(autonomy): Agent는 사람이나 다른 사물의 직접적인 간섭 없이 스스로 판단하여 동작하고, 그들의 행동이나 내부 상태에 대한 어떤 종류의 제어를 갖는다.
•
사회성(social ability): Agent는 Agent 통신 언어를 사용하여 사람과 다른 Agent들과 상호작용할 수 있다.
•
반응성(reactivity): Agent는 실세계, 그래픽사용자 인터페이스를 경유한 사용자, 다른 Agent들의 집합, 인터넷 같은 환경을 인지하고 그 안에서 일어나는 변화에 시간상 적절히 반응한다.
•
능동성(proactivity): Agent는 단순히 환경에 반응하여 행동하는 것이 아니라 주어진 목표에 따라 자동적으로 수행한다.
•
시간 연속성(temporal continuity): Agent는 단순히 한번 주어진 입력을 처리하여 결과를 보여주고 종료하는 것이 아니라, 전면에서 실행하고 이면에서 잠시 휴식하는 연속적으로 수행하는 데몬(demon)같은 프로세스이다.
•
목표지향성(goal-orientedness): Agent는 복잡한 고수준 작업들을 수행한다. 작업이 더 작은 세부 작업으로 나뉘고 처리순서가 결정되어 처리되는 등의 책임을 Agent가 진다.
속성
지능형 Agent는 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): Agent가 목표를 달성하기 위해 행동하지 목표 달성을 방해하는 방향으로는 행동하지 않는다.
•
적응성(adaptability): Agent는 사용자의 습관과 작업 방식 그리고 취향에 따라 스스로를 적응시킬 수 있다.
•
협동성(collaboration): Agent는 다른 Agent, 자원, 사람과도 복잡한 작업을 수행하기 위해 협력할 수 있다.
정리
위 지능형 Agent의 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
•
대규모 언어 모델(LLM)을 기반으로 한 자율적이고 지능적인 System
•
추론, 메모리, 인지 기술, 도구와 같은 모듈형 구성 요소를 통합하여 동적이고 변화하는 환경에서 복잡한 작업을 해결한다.
•
이 Agent들은 독립적으로 작동하며, 변화에 적응하고, 도메인별 전문 지식과 문맥적 이해를 결합하여 정교한 작업을 수행하도록 설계되었다.
•
Agent 아키텍처 내의 각 모듈은 고유의 목적을 가지며, 추론은 논리적 의사결정을 가능하게 하고, 메모리는 중요한 정보를 보존 및 회상하는 역할을 하며, 도구는 외부 System 및 환경과의 상호작용을 촉진한다.
그림 1은 LLM Agent의 모듈형 아키텍처와 구성 요소를 보여주며, 적응성, 지능성 및 정밀성을 갖춘 실시간 프로세스를 수행할 수 있는 능력을 강조한다.
Core Modules
메모리(Memory)
기억 저장소
•
Agent가 상호작용 전반에 걸쳐 맥락을 유지할 수 있도록 지원하여 개인화되고 일관된 응답을 보장한다.
Agentic Memory for LLM Agents
•
과거 상호작용, 사용자 선호도, 도메인별 지식을 저장함으로써 Agent의 장기 저장 System 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 Agent의 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 Agent가 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 Agent의 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 Agent가 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 Agent는 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 Agent의 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
•
Agent에 목적에 맞게 설계된 모델들을 제공하는 모델 허브 역할
Cognitive skill Modules - Sample Image
•
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 Agent의 기능성과 적응성을 향상시킨다.
•
이러한 전문화된 기술들을 활용함으로써, Agent는 높은 정밀도, 도메인 전문지식 또는 고급 처리 능력이 요구되는 작업들을 수행할 수 있다.
도구(Tools): 지식과 상호작용의 연결 고리
도구 모듈은 Agent가 맥락적 및 환경적 인식을 강화할 수 있도록 다양한 도구들을 제공한다.
•
도구들은 Agent가 여러 출처의 정보를 접근, 검색, 처리할 수 있게 하여, 그 행동이 정보에 기반하고 적응적이며 운영 목표에 부합하도록 보장한다.
◦
지식 검색 System - Retrieval-Augmented Generation (RAG)
◦
동적 API 통합 - Agent가 실시간 데이터 스트림, 독점 플랫폼, 외부 System과 상호작용할 수 있도록 지원하여, 실시간 의사결정 및 적응적 대응을 가능하게 하는 도구들
◦
기존 System 인터페이스: 관계형 데이터베이스와 같은 전통적인 구조화 데이터 System을 연결하여, 과거 데이터와 통찰을 Agent의 현재 작업에 통합할 수 있도록 하는 도구들
◦
맥락 인식 도구: Agent에게 상황 및 환경적 맥락을 제공하여, 특정 운영 시나리오에 맞추어 행동과 출력물을 조정할 수 있도록 지원하는 System
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 Workflow는 여러 LLM을 활용한 일련의 프롬프트 체인과 도메인별 지식에 접근하기 위한 Retrieval-Augmented Generation (RAG) 패턴이 결합된 형태를 포함한다.
LLM Agent vs. LLM Workflow
LLM Agent는 변화하는 환경과 복잡한 목표에 대응하여 추론하고, 적응하며, 행동을 정제할 수 있는 능력으로 인해 전통적인 LLM Workflow와 구별된다.
좌: LLM Agent
우: LLM Workflow
AI Agent vs. Agentic AI
위에 정리해놓은 내용을 바탕으로 읽으면 더 쉽게 이해할 수 있다.
한눈에 보기
구성/포함 관계
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 요소
•
Agent 개념을 인공지능 소프트웨어로 구현한 것
•
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 Workflow에 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 Agent: 규제가 덜한 환경/주제에 대한 지식을 제공하는 Agent
•
규범적 지식 Agent: 규제가 엄격한 환경/주제에 대한 지식을 제공하는 Agent
•
동적 워크플로 Agent: 액션(Action) Agent
•
사용자 지원 Agent: ≒ Assistant, 개별 사용자가 일상 업무를 직접 처리할 수 있도록 도울 수 있다.
Agentic AI, Agentic AI System
Agent들을 구성 요소로 갖는 전체 System
•
여러 AI Agent가 독립적으로 작동하면서도, 전체 System이 하나의 목적을 위해 협력하는 구조
•
LLM 등 생성 AI의 능동적 활용을 통해 목표 지향적인 행동을 자율적으로 실행하도록 설계된 전체 System이다.
◦
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 “System이 Agentic 하다” 라고 칭하게 되었다.
•
Agentic AI System은 보통 하나 이상의 AI Agent(대개 LLM Agent)를 포함하며, 이 Agent들이 서로 협력하거나 순차적으로 작동하여 목표 지향적인 작업을 수행하도록 설계된 아키텍처 전체를 의미한다.
→ 따라서 Agentic AI System은 개별 Agent보다 상위 수준의 개념으로, AI Agent들의 집합 혹은 Agent + 환경 + 도구 + 메모리 등의 종합적 구성을 나타낸다.
자율주행 자동차 System을 생각하면, 차선 인식을 하는 비전 AI Agent, 경로를 계획하는 Agent 등이 함께 작동하여 종합적인 자율주행 System(agentic AI System)을 이루는 식이다.
•
여러 Agent들의 집합적 구조나 Agent 기반 아키텍처를 의미
◦
각 Agent는 전체 목표 달성을 위해 실시간으로 문제를 해결하거나 작업을 분담한다.
(단일 Agent로 구성될 수도 있고, 멀티 Agent System의 형태로 여러 Agent가 협력할 수도 있다.)
→ 이러한 System은 기존의 개별 AI 모델들과 달리 높은 수준의 자율성을 가지며, 스스로 계획 수립, 의사결정, 행동 실행을 할 수 있어 능동적(agentic)이라고 부른다.
일반적인 생성형 AI 모델(ChatGPT 등)이 질문에 답하거나 콘텐츠를 생성하는 데 그친다면, agentic AI System은 그 생성된 답을 활용하여 실제 세계 작업까지 수행할 수 있다.
사용자의 최종 목표가 “휴가 항공편과 호텔 예약”이라면, 단순 생성형 모델은 적절한 여행 시점을 알려주는 답변을 줄 수 있지만, agentic AI System은 한 발 더 나아가 항공권과 호텔을 실제로 예약하는 행동까지 자율적으로 이어서 수행할 수 있다는 것이다.
특징
•
AI System이 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
5 levels of Agentic AI systems
구분 | 설명 | 자율성 | 복잡도 | 예시 |
Basic Responder | 단일 LLM이 질문에 즉시 답변 | 매우 낮음 | 낮음 | 단순 Q&A 봇 |
Router Pattern | 라우터 LLM이 적합한 모델이나 경로 선택 | 낮음 | 낮음~보통 | AI 라우팅 System |
Tool Calling | LLM이 필요 시 외부 API/툴을 호출 | 중간 | 보통 | 검색·DB연동 챗봇 |
Multi-Agent | 여러 Agent가 협업하여 복잡한 작업 해결 | 중간~높음 | 높음 | 매니저-전문가 구조 |
Autonomous | Agent가 목표를 설정·계획·실행 전 과정을 주도 | 매우 높음 | 매우 높음 | Auto-GPT 등 |
Basic Responder
가장 단순한 형태의 System
•
구조: 사용자 → (프롬프트) → LLM → (응답) → 사용자
•
작동 방식: 사용자가 질의를 보내면, LLM(대규모 언어 모델)이 내부적으로 추론하고 곧바로 응답을 반환한다.
•
특징:
◦
추가적인 툴 사용이나 외부 API 호출 없음.
◦
모델이 제공하는 답변은 정적이며, 상호작용 단계가 한 번으로 고정됨.
◦
구현이 간단하고 빠르게 적용 가능하지만, 자율적 문제 해결 능력은 거의 없다.
Router Pattern
LLM이 여러 “전문 모델” 혹은 “전문 Workflow” 중 어디로 질의를 보내야 할지 결정하는 라우터 역할을 수행한다.
•
구조:
1.
사용자 질의 → 라우터 LLM
2.
라우터 LLM이 질의 내용을 분석해, 가장 적합한 모델(또는 서브-LLM)로 경로를 선택
3.
선택된 모델(또는 서브-LLM)에서 답변 생성
4.
최종 응답 반환
•
특징:
◦
단일 LLM이 아니라, 여러 모델(혹은 모듈) 중에서 라우팅하는 로직을 두어, 전문화를 높임.
◦
질의 유형이나 주제에 따라 가장 잘 맞는 모델에 연결해주는 게이트웨이 역할 수행.
◦
라우터 자체는 비교적 간단한 분류/판별을 수행하며, 자율적 행동보다는 분기 로직에 집중한다.
Tool Calling
LLM이 외부 툴(도구) 또는 API를 호출해, 내부 지식 이상의 기능이나 정보를 활용한다.
•
구조:
1.
사용자 질의
2.
LLM이 내부 추론을 통해 필요한 작업(예: 데이터베이스 조회, 계산, 웹 검색 등)을 식별
3.
해당 작업에 맞는 API나 툴 호출
4.
툴 호출 결과(데이터나 계산 결과 등)를 LLM이 다시 받아서 최종 답변 생성
5.
사용자에게 반환
•
특징:
◦
LLM이 단순 질의응답을 넘어, 외부 리소스(데이터, 서비스)에 접근해 복합적인 작업 수행 가능.
◦
예컨대 “실시간 환율 조회”, “날씨 확인”, “데이터 분석” 등을 API로 연동 가능.
◦
System이 동적으로 작동하긴 하지만, 여전히 LLM이 스스로 계획을 세우고 여러 단계를 반복하기보다는 “필요 시 툴을 단발성 호출”하는 패턴이 주가 된다.
Multi-Agent Pattern
하나 이상의 Agent(LLM)가 협력하거나, Agent 간 역할을 분할하여 복잡한 작업을 처리한다.
•
구조:
1.
사용자 질의
2.
메인 매니저(Manager) Agent가 작업을 분석하고, 필요한 서브 Agent(또는 전문가 Agent)에게 할당
3.
서브 Agent들이 각각의 전문 영역(코딩, 번역, 분석 등)에 따라 작업 수행
4.
매니저 Agent가 결과를 취합하고 검토 후 최종 응답 생성
5.
사용자에게 반환
•
특징:
◦
분업화: 특정 전문 분야에 특화된 서브 Agent를 두어, 더 깊이 있는 처리 가능.
◦
Agent 간 메시지 교환이나 역할 분담을 통해, 단일 LLM보다 높은 수준의 협업과 멀티스텝 작업을 수행한다.
◦
규모가 커지면 멀티 Agent 간의 동기화, 충돌 관리 등이 필요해져 System 복잡도가 높아진다.
Autonomous Pattern
가장 자율적인 형태로, 사용자가 고수준 목표를 주면 Agent가 스스로 계획을 세우고 반복적으로 실행하면서 목표 달성까지 진행한다.
•
구조:
1.
사용자: “목표”나 “최종 상태”를 제시
“이 아이디어로 스타트업 사업계획서를 작성하고 시장조사를 해줘.”
2.
Agent(또는 매니저 Agent)가 계획 수립(목표 세분화, 작업 순서 결정 등)을 수행
3.
필요한 작업을 여러 단계로 나누어 실행하며, 툴 호출, 외부 정보 검색, 하위 Agent 배분 등을 반복
4.
진행 상황을 자체적으로 모니터링하여, 필요 시 계획을 수정하거나 새로운 작업을 추가
5.
목표 달성에 이르면 최종 결과(또는 산출물)를 사용자에게 전달
•
특징:
◦
높은 자율성: 인간의 세부 지시 없이도 문제 해결 과정을 스스로 조직하고 실행.
◦
반복적 루프(Plan→Act→Observe→Reflect)를 통해 상황 변화에 능동적으로 대응.
◦
이 패턴을 실제로 구현하려면, 메모리(과거 상태 저장), 플래닝 모듈(계획), 도구 관리, 중간 평가 등의 복합 기능이 요구된다.
◦
대표적 예시로 Auto-GPT, BabyAGI 등이 시도되고 있다.
Agentic Workflow
자율 Agent가 주도하여 동적으로 전개되는 멀티스텝 작업 흐름
•
매 단계의 행동이 사전에 완전히 정해져 있는 것이 아니라, Agent의 판단에 따라 다음 단계가 결정되고 실행되는 유연한 Workflow이다.
•
이러한 Workflow에서는 AI Agent가 환경으로부터 정보를 수집하고(인지), 그 정보를 토대로 추론 및 의사결정을 내린 다음, 필요한 행동을 수행하며 목표에 다가간다.
•
특히 복잡한 문제를 다단계로 해결하기 위해 고안되어서, 계획 -> 행동 -> 결과 평가 -> 계획 조정과 같은 반복적(iterative) 사이클을 포함하는 것이 일반적이다.
전통적인 IT 지원 챗봇이 정해진 답변만을 순차적으로 제공하는 반면, Agentic Workflow를 가진 AI 지원 System은 사용자의 문제를 이해한 후 스스로 진단 절차를 계획하고, 각 단계에서 외부 도구(API)를 호출하거나 추가 질문을 던지는 등의 행동을 수행하며, 결과에 따라 계획을 유동적으로 수정하면서 문제 해결을 시도한다.
•
이런 방식으로 Agentic Workflow는 전통적 고정 규칙 Workflow의 경직성을 넘어, 실시간 데이터나 예기치 못한 상황에 적응할 수 있는 높은 유연성을 제공한다.
다만 Agent의 자율성에 따라 행동 경로가 그때그때 달라지므로,
실행 경로의 예측 가능성은 낮아질 수 있고, 이에 대한 모니터링과 제어 기술이 필요하다.
Agentic Workflow vs. LLM Workflow
LLM Workflow와 Agentic Workflow는 AI 활용 프로세스를 두 가지 범주로 나눈 것
•
LLM Workflow는 사전 정의된 경로를 따르는 고정적인 AI 프로세스이고, Agentic Workflow는 Agent가 실시간 결정을 내리며 경로를 동적으로 만들어가는 적응적인 프로세스이다.
→ 따라서 Agentic Workflow ⊂ (LLM 등 활용) AI Workflow로 간주할 수 있다.
•
모든 Agentic Workflow는 AI Agent가 주도하므로 LLM 등의 AI 모델을 포함하지만, 모든 LLM 활용 Workflow가 에이전틱한 것은 아니다.
•
즉, Agentic Workflow는 동적 제어권을 Agent(LLM)에 부여한 특수한 Workflow이고,
일반 LLM Workflow는 정해진 스크립트에 따라 LLM을 호출하는 비자율적 Workflow라고 할 수 있다.
