챕터별 상세
01:05
ReAct 프레임워크의 핵심: 추론과 행동의 결합
ReAct는 LLM의 추론(Reasoning) 능력과 행동(Acting) 능력을 결합한 프레임워크이다. 추론만 사용할 경우 할루시네이션이나 에러 누적 문제가 발생하고, 행동만 수행할 경우 계획 수립이나 예외 처리가 어렵다는 단점이 있다. ReAct는 이 두 과정을 교차로 수행하여 실시간 주가 정보 확인과 같은 복잡한 작업을 외부 도구 호출을 통해 해결한다.
05:38
Self-Refine: 스스로 피드백하며 결과물을 다듬는 반복 루프
Self-Refine은 LLM이 생성한 초기 결과물을 스스로 평가하고 개선하는 반복적 프레임워크이다. 별도의 모델 학습이나 추가 데이터 없이 동일한 LLM을 피드백 제공자와 개선자로 활용한다. 인간이 이메일 초안을 쓰고 스스로 수정하는 과정에서 착안했으며, 코드 최적화나 수학 문제 해결 등 다양한 도메인에 적용 가능하다.
09:20
Self-Refine의 작동 원리: 생성, 피드백, 개선의 3단계
Self-Refine은 초기 생성(Initial Generation), 피드백(Feedback), 개선(Refine)의 3단계 프롬프트로 구성된다. 피드백 단계에서는 결과물의 오류 위치를 식별하고 구체적인 수정 방향을 제시하는 'Actionable'하고 'Specific'한 피드백 생성이 핵심이다. 개선 단계에서는 이전 결과물과 피드백 이력을 모두 컨텍스트로 활용하여 최종 결과물의 품질을 높인다.
python
def self_refine(input_x, model_M):
# 1. Initial Generation
y_0 = model_M.generate(input_x)
y_current = y_0
for i in range(max_iterations):
# 2. Feedback
feedback = model_M.generate_feedback(input_x, y_current)
if stop_condition(feedback):
break
# 3. Refine
y_next = model_M.refine(input_x, y_current, feedback)
y_current = y_next
return y_currentSelf-Refine의 핵심 로직인 생성, 피드백, 개선의 반복 루프를 추상화한 코드이다.
14:28
실험 결과로 증명된 Self-Refine의 범용적 성능 향상
GPT-3.5, ChatGPT, GPT-4 등 다양한 모델에서 Self-Refine 적용 시 일관된 성능 향상이 나타났다. 특히 코드 최적화 태스크에서 GPT-4 대비 8.7%의 높은 성능 향상을 보였다. 다만 수학 문제의 경우 미묘한 연산 오류를 모델이 스스로 찾아내기 어려워 상대적으로 향상 폭이 작았으며, 이는 피드백의 품질이 전체 성능의 결정적 요인임을 시사한다.
19:35
AutoGuide: 과거 경험에서 지식을 추출하는 에이전트 가이드라인
AutoGuide는 에이전트의 과거 성공 및 실패 경로(Trajectory)를 분석하여 상황별 가이드라인을 자동으로 생성하는 기법이다. 웹 내비게이션처럼 사전 지식이 부족한 환경에서 에이전트가 겪는 시행착오를 줄이기 위해 고안되었다. 오프라인 경험에서 '해야 할 것'과 '하지 말아야 할 것'을 자연어 형태의 가이드라인으로 압축하여 저장한다.
에이전트가 웹사이트의 UI 구조나 버튼 위치를 미리 알지 못할 때 발생하는 성능 저하를 해결하기 위한 접근법이다.
24:48
AutoGuide의 핵심 메커니즘: 컨텍스트 식별과 가이드라인 추출
AutoGuide는 컨텍스트 식별 모듈과 가이드라인 추출 모듈로 나뉜다. 식별 모듈은 긍정적 경로와 부정적 경로가 갈라지는 시점까지의 공통된 상황을 자연어로 요약한다. 추출 모듈은 해당 상황에서 어떤 행동이 성공으로 이끌었는지 분석하여 명시적인 지침을 만든다. 이를 통해 에이전트는 컨텍스트 길이에 제한받지 않고 필요한 핵심 지식만 활용할 수 있다.
30:04
복잡한 웹 환경에서의 AutoGuide 성능 검증 및 일반화 능력
ALFWorld, WebShop, WebArena 등 다양한 벤치마크에서 AutoGuide는 기존 ReAct 대비 월등한 성공률을 기록했다. 특히 학습하지 않은 새로운 도메인에서도 과거에 얻은 가이드라인을 적용해 성능을 높이는 일반화 능력을 보였다. 멀티모달 환경에서도 이미지와 텍스트 정보를 결합한 가이드라인 생성이 가능함을 확인했다.
용어 해설
- ReAct 프레임워크(ReAct Framework)
- — LLM이 추론(Reasoning)과 행동(Acting)을 교차로 수행하도록 설계된 프레임워크이다. 모델이 내부 지식을 활용해 논리적 사고를 진행함과 동시에 외부 도구나 API를 호출하여 부족한 정보를 보완함으로써 복잡한 작업을 해결한다.
- 궤적(Trajectory)
- — 에이전트가 특정 목표를 달성하기 위해 수행한 관찰(Observation), 행동(Action), 보상(Reward)의 시퀀스 기록이다. 에이전트의 의사결정 과정을 시간 순서대로 나열한 데이터로, 모델의 학습이나 가이드라인 추출의 기초 자료가 된다.
- 인컨텍스트 러닝(In-Context Learning)
- — 모델의 가중치를 업데이트하지 않고 프롬프트 내에 몇 가지 예시(Few-shot)를 제공하여 모델이 새로운 작업을 수행하도록 유도하는 기법이다. 에이전트가 현재 상황에 맞는 행동을 하도록 예시 데이터를 컨텍스트로 주입한다.
- 순차적 의사결정(Sequential Decision Making)
- — 한 번의 판단으로 끝나지 않고 여러 단계에 걸쳐 행동을 선택하며 최종 목표를 달성해 나가는 과정이다. 웹 쇼핑에서 검색, 필터링, 옵션 선택, 구매로 이어지는 과정처럼 이전 단계의 결과가 다음 단계의 판단에 영향을 미친다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 04.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
