O'REILLY에서 제공하는
Building AI Agents with LangGraph: Creating Agentic Applications with Large Language Models and LangGraph 강의를 듣고 복습용으로 쓰는 포스팅입니다.
Lesson 1.1: AI 에이전트란 무엇인가? (강의 내용 요약)
이 강의의 첫 부분에서는 AI 에이전트의 기본적인 정의와 핵심 특징, 그리고 구체적인 행동 방식에 대해 설명하고 있습니다.
1. AI 에이전트의 정의 (Definition)
- AI 에이전트란?
- 단순히 질문에 답하는 것을 넘어 스스로 계획하고, 행동하며, 여러 단계를 거쳐 목표를 실행할 수 있는 LLM(거대 언어 모델) 기반의 프로그램을 말합니다.
- 마치 똑똑한 비서처럼 주어진 요청(Request)을 받으면 '어떻게 해결할까?' 생각(Reasoning)하고, 필요한 도구(Tools)를 사용하며, 그 결과를 관찰(Observation)해서 최종 결과(Result)를 만들어냅니다.
- 개발자 입장에서 보면 LLM을 애플리케이션의 '두뇌'로 사용해서 전체 작업 흐름을 제어하는 것이죠.
2. AI 에이전트의 핵심 특징 (Key Characteristics)
AI 에이전트가 똑똑하게 작동할 수 있는 이유는 다음 세 가지 핵심 특징 덕분입니다.
- ① 추론과 계획 (Reasoning and Planning)
- 추론 (Reasoning): 주어진 상황, 입력값, 그리고 이전에 알고 있던 지식을 바탕으로 최선의 결정을 내리는 능력입니다. "이 문제를 해결하려면 어떤 정보가 필요하지?" 라고 생각하는 과정이죠.
- 계획 (Planning): 목표를 달성하기 위해 결정한 사항들을 논리적인 순서로 구성하는 능력입니다. "먼저 A 작업을 하고, 그 결과에 따라 B나 C 작업을 해야겠다" 와 같이 순서를 정하는 것입니다.
- ② 행동과 도구 사용 (Action and Tool Use)
- 도구 (Tools): AI 에이전트가 특정 작업을 수행하기 위해 호출할 수 있는 외부 기능이나 서비스입니다. 예를 들어, 웹 검색 기능, 이메일 전송 API, 데이터베이스 조회, 코드 실행기 등이 모두 '도구'가 될 수 있습니다.
- 행동 (Action): 이런 '도구'를 실제로 사용하여 작업을 실행하는 것입니다.
- ③ 기억 (Memory)
- 과거의 대화 내용이나 작업 결과를 기억하는 능력입니다.
- 이 기억을 바탕으로 더 나은, 일관성 있는 결정을 내릴 수 있습니다. 예를 들어, 사용자가 이전에 무엇을 물어봤는지 기억하고 다음 답변에 활용하는 것이죠.
3. AI 에이전트의 행동 방식 예시 (Examples of Agentic Behavior)
강의에서는 에이전트가 어떻게 '생각'하고 '행동'하는지 세 가지 구체적인 예시를 보여줍니다.
- 예시 1: 라우팅 (Routing)
- '라우팅'이란, LLM을 사용해 여러 경로 중 어디로 갈지 결정하는 것입니다.
- 마치 고객센터의 교환원처럼, 사용자의 질문("LangGraph가 뭐야?")을 받고, 이 질문의 성격에 따라 가장 잘 대답해줄 전문가에게 연결해주는 것과 같습니다.
- 위 그림에서는 질문이 '코딩'과 관련 있는지 아니면 '일반적인 정보'인지 판단해서 '코딩 전문 에이전트' 또는 '웹 검색 에이전트'로 요청을 보내는 역할을 합니다.
- 예시 2: 도구 선택 (Tool Selection)
- '도구 선택'이란, 여러 도구들 중에서 현재 상황에 가장 적합한 도구를 고르는 것입니다.
- 에이전트가 스스로 '추론(Reasoning)' 과정을 통해 "이 작업을 해결하려면 이메일을 보내야겠어" 또는 "데이터베이스를 찾아봐야겠어"라고 판단하고, 해당 도구를 선택(Select Tool)해서 사용하는 것을 의미합니다.
- 마치 목수가 망치, 톱, 드라이버 중에서 필요한 연장을 고르는 것과 같죠.
- 예시 3: 품질 검사 (Quality Check)
- '품질 검사'란, 에이전트가 생성한 답변이 충분히 좋은지 아니면 개선이 필요한지 스스로 평가하는 과정입니다. 이를 '성찰(Reflection)' 워크플로우라고도 합니다.
- 우선 답변을 생성(Generate Answer)한 뒤, 그 답변을 스스로 검토(Quality Check)합니다.
- 만약 답변의 품질이 기준에 미치지 못하면, 피드백(Feedback)을 통해 문제점을 파악하고 더 나은 답변을 만들기 위해 다시 시도합니다. 이 과정을 여러 번 반복하여 최종적으로 만족스러운 답변(Final Answer)을 내놓게 됩니다.
정리
이번 강의의 핵심은 "AI 에이전트는 단순히 응답만 하는 챗봇을 넘어, 스스로 생각(추론, 계획)하고, 도구를 사용해 행동하며, 기억을 통해 학습하고, 결과물을 스스로 검토하여 목표를 달성하는 능동적인 프로그램"이라는 점입니다.
백엔드 개발자로서 이러한 에이전트를 만드려면, 바로 이 '추론 -> 계획 -> 도구 선택 -> 행동 -> 검토' 로 이어지는 흐름(workflow)을 코드로 구현하고, 다양한 외부 API(도구)와 연결하는 역할을 하게 될 것입니다.
728x90
LIST