# Clip 2: AI Agent architecture 자세히 살펴보기 ## 학습 목표 * AI Agent의 핵심 구성 요소 이해하기 * 다양한 Agent 아키텍처 패턴 파악하기 * 실무에 적용 가능한 Agent 설계 원칙 습득하기 ## 1. Agent의 정의 ### OpenAI 정의 > **Agent는 "지시사항(해야 할 것), 가드레일(하지 말아야 할 것), 도구(할 수 있는 것)를 가지고 사용자를 대신해 행동하는 AI 시스템"** ### 일반적 정의 > **Agent는 "LLM을 사용하여 애플리케이션의 제어 흐름을 결정하는 시스템"** Agent는 다음과 같은 결정을 내릴 수 있습니다: * 잠재적인 경로들 사이에서 라우팅 * 어떤 도구를 호출할지 결정 * 더 많은 작업이 필요한지 판단 일반적으로 Agent가 할 수 있는 일은 2025년 10월 7일 발표된 Agent Builder 에서 확인할 수 있음

https://platform.openai.com/docs/guides/agents/agent-builder

{% @mermaid/diagram content="graph TD Input\[사용자 입력] --> LLM\[LLM 브레인] LLM --> Decision{제어 흐름
결정} ``` Decision -->|경로 선택| Route[라우팅] Decision -->|도구 선택| Tools[도구 실행] Decision -->|작업 평가| Continue{계속할까?} Tools --> Observe[결과 관찰] Observe --> Continue Continue -->|예| LLM Continue -->|아니오| Output[최종 결과] Route --> Output" %} ``` ## 2. 핵심 Agent 아키텍처 유형 ### 2.1 Router Architecture (라우터 아키텍처) 가장 단순한 형태의 Agent로, **제한된 제어 메커니즘**을 제공합니다. **특징:** * LLM이 미리 정의된 옵션 중 **단일 단계를 선택** * 구조화된 출력 기법 활용: * Prompt engineering (프롬프트 엔지니어링) * Output parsers (출력 파서) * Tool calling (도구 호출) **사용 예시:** {% @mermaid/diagram content="graph LR Input\[질문] --> Router{라우터 Agent} Router -->|기술 지원| Tech\[기술팀으로 전달] Router -->|결제 문의| Billing\[결제팀으로 전달] Router -->|일반 문의| General\[일반 지원팀으로 전달]" %} **적용 사례:** * 고객 문의 분류 시스템 * 문서 카테고리 분류 * 작업 우선순위 결정 ### 2.2 Tool-Calling Agent Architecture (도구 호출 Agent 아키텍처) 더 복잡한 Agent로, **다단계 의사결정**을 가능하게 합니다. **핵심 구성 요소:** {% @mermaid/diagram content="graph TB subgraph "Tool-Calling Agent" LLM\[LLM Core] Tools\[도구 모음] Memory\[메모리] Planning\[계획 모듈] ``` LLM <--> Tools LLM <--> Memory LLM <--> Planning end Input[입력] --> LLM LLM --> Output[출력]" %} ``` #### 1) Tool Calling (도구 호출) * LLM이 다양한 도구를 선택하고 사용 * API 호출, 데이터베이스 쿼리, 외부 서비스 연동 등 #### 2) Memory (메모리) **단기 메모리 (Short-term Memory):** * 현재 시퀀스 내에서 정보 유지 * 대화 컨텍스트, 중간 결과 저장 * 예시: ChatGPT 한 세션에서 주고 받은 메시지 **장기 메모리 (Long-term Memory):** * 상호작용 전반에 걸쳐 정보 회상 * 사용자 선호도 * 예시: CLAUDE.md, AGENTS.md {% @mermaid/diagram content="sequenceDiagram participant User participant Agent participant ShortMem as 단기 메모리 participant LongMem as 장기 메모리 ``` User->>Agent: "지난주에 논의한 프로젝트 계속하자" Agent->>LongMem: 과거 대화 검색 LongMem-->>Agent: 프로젝트 A 정보 반환 Agent->>ShortMem: 현재 대화 컨텍스트 저장 Agent-->>User: "프로젝트 A를 계속하시겠습니까?"" %} ``` #### 3) Planning (계획 수립) **재귀적 루프를 통한 계획:** 1. 호출할 도구 결정 2. 도구 실행 3. 결과 평가 4. 충분한 정보가 수집되면 종료 {% @mermaid/diagram content="graph TD Start\[시작] --> Analyze\[상황 분석] Analyze --> Plan\[도구 선택 계획] Plan --> Execute\[도구 실행] Execute --> Evaluate{목표 달성?} ``` Evaluate -->|아니오| Analyze Evaluate -->|예| End[완료]" %} ``` ## 3. 고급 Agent 설계 패턴 ### 3.1 Core Workflow Patterns (Anthropic) Anthropic이 제시한 5가지 핵심 워크플로우 패턴: #### 1) Prompt Chaining (프롬프트 체이닝) 작업을 순차적 단계로 분해 {% @mermaid/diagram content="graph LR A\[입력] --> B\[LLM 1:
분석] B --> C\[LLM 2:
처리] C --> D\[LLM 3:
요약] D --> E\[출력]" %} **장점:** 각 단계를 독립적으로 최적화 가능 **예시:** 문서 분석 → 핵심 추출 → 요약 생성 #### 2) Routing (라우팅) 입력을 분류하고 전문화된 작업으로 전달 {% @mermaid/diagram content="graph TD Input\[입력] --> Classifier{분류기} Classifier -->|타입 A| Expert1\[전문가 Agent A] Classifier -->|타입 B| Expert2\[전문가 Agent B] Classifier -->|타입 C| Expert3\[전문가 Agent C] ``` Expert1 --> Output[통합 출력] Expert2 --> Output Expert3 --> Output" %} ``` **장점:** 전문화된 처리, 효율성 향상 **예시:** 언어별 번역 Agent, 도메인별 질의응답 시스템 #### 3) Parallelization (병렬화) 하위 작업을 동시에 실행. 예시: Claude Deep Research {% @mermaid/diagram content="graph TD Start\[복잡한 작업] --> Split\[작업 분할] ``` Split --> Task1[하위작업 1] Split --> Task2[하위작업 2] Split --> Task3[하위작업 3] Task1 --> Merge[결과 통합] Task2 --> Merge Task3 --> Merge Merge --> Final[최종 결과]" %} ``` **장점:** 속도 향상, 리소스 효율성 **예시:** 여러 소스에서 동시에 정보 수집 #### 4) Evaluator-Optimizer (평가자-최적화자) 피드백 루프를 통한 반복적 개선 {% @mermaid/diagram content="graph TD Input\[초기 입력] --> Generator\[생성기] Generator --> Output1\[결과물] Output1 --> Evaluator{평가자} ``` Evaluator -->|불충분| Feedback[피드백] Feedback --> Generator Evaluator -->|충분| Final[최종 결과]" %} ``` **장점:** 품질 향상, 자가 개선 **예시:** 코드 생성 및 자동 테스트, 콘텐츠 작성 및 품질 검증 ### 3.2 고급 기능 #### Human-in-the-Loop (인간 개입) 중요한 결정 시점에 사람의 승인 요청 {% @mermaid/diagram content="sequenceDiagram participant Agent participant System participant Human ``` Agent->>System: 작업 A 완료 Agent->>System: 중요 결정 필요 System->>Human: 승인 요청 Human-->>System: 승인/거부 System-->>Agent: 결정 전달 Agent->>System: 작업 계속" %} ``` **적용 사례:** * 금융 거래 승인 * 콘텐츠 발행 전 검토 * 중요 시스템 변경 #### Reflection (반성/성찰) Agent가 자신의 출력을 평가하고 개선 {% @mermaid/diagram content="graph LR A\[생성] --> B\[자기 평가] B --> C{만족스러운가?} C -->|아니오| D\[개선 계획] D --> A C -->|예| E\[최종 출력]" %} ## 4. 멀티 에이전트 vs 싱글 에이전트 #### 멀티 에이전트가 유리한 경우 (Anthropic) **Orchestrator-Worker 패턴:** * 리드 Agent가 전문화된 하위 Agent들을 병렬로 조정 * 연구 평가에서 싱글 Agent 대비 90.2% 성능 향상 **적합한 작업:** * 병렬화가 가능한 독립적 탐색 경로 * 단일 컨텍스트 윈도우를 초과하는 정보량 * 여러 복잡한 도구 동시 사용 필요 **한계:** * 토큰 사용량 15배 증가 * Agent 간 의존성이 높은 작업엔 비효율적 * 코드 작성 등 병렬화 어려운 작업엔 부적합 #### 싱글 에이전트를 선택해야 하는 경우 (Cognition AI) **멀티 에이전트의 취약점:** {% @mermaid/diagram content="graph TD A\[Agent 1] -->|불완전한 컨텍스트| Decision1\[결정 A] B\[Agent 2] -->|다른 컨텍스트| Decision2\[결정 B] Decision1 -.상충.-> Conflict\[충돌하는 결과] Decision2 -.상충.-> Conflict" %} * **컨텍스트 단절**: 하위 Agent간 세밀한 컨텍스트 공유 어려움 * **일관성 문제**: 병렬 작업시 상충되는 결정 발생 * **의사결정 충돌**: "행동은 암묵적 결정을 담고, 충돌하는 결정은 나쁜 결과를 초래" *** ## 참고 자료 및 읽어보면 좋은 자료 * [LangGraph - Agentic Concepts](https://langchain-ai.github.io/langgraph/concepts/agentic_concepts/) * [Anthropic - Building Effective Agents](https://www.anthropic.com/engineering/building-effective-agents) * [OpenAI - a-practical-guide-to-building-agents.pdf](https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf) * [Anthropic - multi-agent-research-system](https://www.anthropic.com/engineering/multi-agent-research-system) * [Cognition - Dont-build-multi-agents](https://cognition.ai/blog/dont-build-multi-agents#a-theory-of-building-long-running-agents) * [OpenAI - AgentKit](https://openai.com/index/introducing-agentkit/) *** ## 강사 정보 * 작성자: 정구봉 * LinkedIn: * 이메일: ## 강의 자료 * 강의 자료: * Github: * FastCampus 강의 주소: --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://goobong.gitbook.io/fastcampus/part-2.-agent/chapter1_agent_-_/clip2_ai_agent_architecture_-_.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.