실무에 적용 가능한 Agent 설계 원칙 습득하기
Agent는 "지시사항(해야 할 것), 가드레일(하지 말아야 할 것), 도구(할 수 있는 것)를 가지고 사용자를 대신해 행동하는 AI 시스템"
Agent는 "LLM을 사용하여 애플리케이션의 제어 흐름을 결정하는 시스템"
Agent는 다음과 같은 결정을 내릴 수 있습니다:
일반적으로 Agent가 할 수 있는 일은 2025년 10월 7일 발표된 Agent Builder 에서 확인할 수 있음
2. 핵심 Agent 아키텍처 유형
2.1 Router Architecture (라우터 아키텍처)
가장 단순한 형태의 Agent로, 제한된 제어 메커니즘을 제공합니다.
특징:
LLM이 미리 정의된 옵션 중 단일 단계를 선택
구조화된 출력 기법 활용:
Prompt engineering (프롬프트 엔지니어링)
사용 예시:
적용 사례:
더 복잡한 Agent로, 다단계 의사결정을 가능하게 합니다.
핵심 구성 요소:
API 호출, 데이터베이스 쿼리, 외부 서비스 연동 등
2) Memory (메모리)
단기 메모리 (Short-term Memory):
예시: ChatGPT 한 세션에서 주고 받은 메시지
장기 메모리 (Long-term Memory):
3) Planning (계획 수립)
재귀적 루프를 통한 계획:
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
장점: 각 단계를 독립적으로 최적화 가능 예시: 문서 분석 → 핵심 추출 → 요약 생성
2) Routing (라우팅)
입력을 분류하고 전문화된 작업으로 전달
장점: 전문화된 처리, 효율성 향상 예시: 언어별 번역 Agent, 도메인별 질의응답 시스템
3) Parallelization (병렬화)
하위 작업을 동시에 실행. 예시: Claude Deep Research
장점: 속도 향상, 리소스 효율성 예시: 여러 소스에서 동시에 정보 수집
4) Evaluator-Optimizer (평가자-최적화자)
피드백 루프를 통한 반복적 개선
장점: 품질 향상, 자가 개선 예시: 코드 생성 및 자동 테스트, 콘텐츠 작성 및 품질 검증
Human-in-the-Loop (인간 개입)
중요한 결정 시점에 사람의 승인 요청
적용 사례:
Reflection (반성/성찰)
Agent가 자신의 출력을 평가하고 개선
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:
한계:
싱글 에이전트를 선택해야 하는 경우 (Cognition AI)
멀티 에이전트의 취약점:
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
LinkedIn: https://www.linkedin.com/in/gb-jeong/
강의 자료: https://goobong.gitbook.io/fastcampus
Github: https://github.com/Koomook/fastcampus-ai-agent-vibecoding
FastCampus 강의 주소: https://fastcampus.co.kr/biz_online_vibeagent
Last updated
