한 줄 요약
I 에이전트는 단순히 답변을 생성하는 AI가 아니라, 주어진 목표를 달성하기 위해 계획을 세우고 도구를 선택해 실제 작업을 수행하는 자율적 시스템이다.1
핵심 개념
AI 에이전트의 핵심은 "목표를 향해 행동한다"는 점이다. 기존의 생성형 AI가 사용자의 질문에 답하거나 문장을 만들어 주는 데 초점이 있었다면, AI 에이전트는 사용자의 요청을 하나의 목표로 이해하고 그 목표를 달성하기 위한 과정을 스스로 구성한다.
예를 들어 "여행 계획을 세워줘"라는 요청이 들어오면, 단순히 여행지를 추천하는 데서 끝나지 않는다. 필요한 경우 항공권을 찾아보고, 숙소 조건을 확인하고, 예약 가능 여부를 비교한 뒤 다음 행동을 이어갈 수 있다. 즉, AI 에이전트는 생각하고, 기억하고, 도구를 사용하며, 환경과 상호작용하는 구조를 가진다.
AI 에이전트와 기존 AI의 차이
기존 AI는 주로 입력에 대한 출력을 생성하는 방식으로 동작한다. 사용자가 질문하면 답변을 만들고, 글을 요청하면 텍스트를 생성한다. 이때 AI는 대체로 "응답"에 머무른다.
반면 AI 에이전트는 응답을 넘어 "행동"을 지향한다. 사용자의 목표를 이해한 뒤, 그 목표를 여러 작업으로 나누고, 어떤 도구를 써야 할지 판단하며, 실행 결과를 확인한다. 필요하면 다시 계획을 수정하고 다음 행동을 반복한다.
따라서 AI 에이전트를 이해할 때 중요한 기준은 "좋은 답을 주는가"가 아니라 "목표를 달성하기 위해 실제로 무엇을 수행할 수 있는가"이다.
AI 에이전트의 핵심 구성 요소
AI 에이전트는 크게 LLM, 메모리, 도구로 구성된다. 그리고 이 구성 요소들을 바탕으로 외부 환경과 상호작용한다.
LLM은 에이전트의 추론 엔진 역할을 한다. 사용자의 요청을 이해하고, 이를 더 작은 작업 단위로 분해하며, 실행 계획을 세운다. 단순히 문장을 생성하는 모델이 아니라 "무엇을 먼저 해야 하는지", "어떤 도구가 필요한지", "결과가 충분한지"를 판단하는 중심 역할을 맡는다.
메모리는 에이전트가 맥락을 유지하도록 돕는다. 단기 기억은 현재 대화의 흐름이나 방금 주고받은 정보를 유지하는 데 쓰인다. 장기 기억은 사용자의 선호, 과거 선택, 반복되는 요구사항 등을 저장하는 데 가깝다. 예를 들어 사용자가 이전에 "조용한 여행지를 선호한다"고 말한 적이 있다면, 장기 기억은 이후 추천에 영향을 줄 수 있다.
도구는 에이전트가 실제 행동을 하기 위해 사용하는 외부 기능이다. 여기에는 외부 API, 데이터베이스, 비즈니스 로직을 실행하는 함수 등이 포함된다. LLM이 계획을 세우는 두뇌라면, 도구는 그 계획을 현실에서 실행하게 해주는 손과 발에 가깝다.
작동 흐름
AI 에이전트의 기본 워크플로우는 목표 설정 → 계획 수립 → 도구 선택 → 실행 → 결과 확인의 순환 구조로 볼 수 있다.
먼저 사용자의 요청을 바탕으로 목표를 설정한다. 다음으로 목표를 달성하기 위해 필요한 하위 작업을 나누고 순서를 정한다. 이후 각 작업에 적합한 도구를 선택하고 실행한다. 실행 결과가 나오면 그 결과가 목표에 충분히 가까운지 확인한다.
만약 결과가 부족하거나 조건이 바뀌면 에이전트는 다시 계획을 조정한다. 이 반복 구조가 중요하다. AI 에이전트는 한 번 답하고 끝나는 시스템이 아니라, 결과를 보고 다음 행동을 결정하는 방식으로 작동한다.
예시: 여행 예약 에이전트
여행 예약 에이전트를 생각하면 AI 에이전트의 작동 방식이 더 쉽게 이해된다.
사용자가 "다음 달에 3박 4일로 여행을 가고 싶어"라고 말하면, 에이전트는 먼저 목적지, 일정, 예산, 선호 조건을 파악하려 한다. 이후 항공권 조회 도구를 사용해 가능한 항공편을 확인하고, 숙소 검색 도구를 통해 조건에 맞는 숙박 옵션을 찾는다.
그다음 사용자의 선택이나 조건에 따라 예약 가능 여부를 확인하고, 필요한 경우 예약 확정 단계까지 이어질 수 있다. 이 과정에서 에이전트는 단순히 "이 도시가 좋습니다"라고 말하는 추천 시스템을 넘어, 항공권 조회, 숙소 확인, 예약 확정 같은 실제 작업 흐름을 수행한다.
에이전트 유형
영상에서는 AI 에이전트를 몇 가지 유형으로 나누어 설명한다.
단순 반사형 에이전트는 현재 입력에 대해 정해진 규칙에 따라 즉시 반응한다. 과거 맥락이나 복잡한 계획보다는 현재 상태에 대한 빠른 대응이 중심이다.
모델 기반 반사형 에이전트는 현재 입력뿐 아니라 내부적으로 환경에 대한 모델을 가지고 판단한다. 보이지 않는 상태나 이전 정보를 고려할 수 있다는 점에서 단순 반사형보다 확장된 형태다.
목표 기반 에이전트는 특정 목표를 달성하기 위해 행동을 선택한다. 단순한 반응이 아니라 "어떤 행동이 목표에 가까워지는가"를 기준으로 움직인다.
유틸리티 기반 에이전트는 여러 선택지 중 더 나은 결과를 고르기 위해 효용을 따진다. 목표 달성 여부뿐 아니라 비용, 만족도, 위험, 선호도 같은 요소를 함께 고려할 수 있다.
학습 에이전트는 경험을 통해 점점 더 나은 방식으로 행동하도록 개선된다. 이전 실행 결과를 바탕으로 판단 방식이나 선택 기준을 조정할 수 있다.
실습 및 도구 언급
영상에서는 실습 예시로 Microsoft Semantic Kernel과 GitHub Models의 GPT-4o mini를 활용한 여행 추천 에이전트가 소개된다. 여기에 Destination Plugin을 사용해 도시를 무작위로 추천하고, 사용자가 거절하면 메모리를 바탕으로 다른 도시를 추천하는 흐름이 설명된다.
이 예시는 에이전트가 LLM만으로 구성되지 않는다는 점을 잘 보여준다. LLM은 사용자의 의도와 대화 흐름을 해석하지만, 실제 추천 기능은 플러그인 같은 도구와 결합될 때 더 구체적인 행동으로 이어진다.
또한 다음 세션에서는 Semantic Kernel 등을 사용해 실제 에이전트 코드를 작성하는 실습이 예정되어 있다고 언급된다. 개념 학습에서 구현 학습으로 이어지는 흐름이다.
멀티에이전트 시스템
하나의 에이전트가 모든 일을 처리할 수도 있지만, 복잡한 문제에서는 여러 에이전트가 역할을 나누는 방식이 필요해진다. 이를 멀티에이전트 시스템이라고 볼 수 있다.
예를 들어 여행 서비스를 만든다면 항공권 담당 에이전트, 숙소 담당 에이전트, 일정 최적화 에이전트, 예산 관리 에이전트가 따로 움직일 수 있다. 각 에이전트가 전문 영역을 맡고 서로 협업하면, 하나의 거대한 에이전트가 모든 판단을 하는 것보다 더 유연하고 확장성 있는 구조를 만들 수 있다.
멀티에이전트 시스템의 장점은 역할 분담, 병렬 처리, 전문성 강화에 있다. 복잡한 업무를 작은 단위로 나누고, 각 에이전트가 자신의 목적에 맞게 움직이면서 전체 목표를 달성하도록 설계할 수 있다.
배운 점 / 시사점
AI 에이전트는 생성형 AI의 다음 단계로 이해할 수 있다. 중요한 변화는 "텍스트를 잘 만드는 AI"에서 "목표를 달성하기 위해 행동하는 AI"로 초점이 옮겨간다는 점이다.
이를 가능하게 하는 핵심은 LLM, 메모리, 도구의 결합이다. LLM은 추론하고 계획하며, 메모리는 맥락과 경험을 유지하고, 도구는 실제 세계와 연결되어 작업을 수행한다. 이 세 가지가 함께 작동할 때 AI는 단순한 챗봇을 넘어 에이전트가 된다.
앞으로 AI 서비스를 설계할 때는 모델 자체의 성능만 보는 것으로는 부족하다. 어떤 목표를 줄 것인지, 어떤 도구를 연결할 것인지, 어떤 기억을 유지할 것인지, 실행 결과를 어떻게 검증할 것인지가 중요해진다. AI 에이전트의 가치는 결국 "스스로 판단하고 실행하며 개선하는 흐름"을 얼마나 잘 설계하느냐에 달려 있다.
참고
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.