챕터별 상세
03:44
1단계: 파운데이션 (Foundations)
에이전틱 AI 학습의 시작은 LLM의 기본 원리를 이해하는 것이다. 사용자는 LLM에 입력을 주고 출력을 받는 과정을 넘어 프롬프팅, 컨텍스트 관리, 샘플링 기법을 익혀야 한다. 특히 추론과 행동을 결합한 ReAct 패턴을 통해 에이전트가 어떻게 문제를 해결하는지 파악하는 것이 핵심이다. 에이전트 생애주기인 계획(Plan), 실행(Execute), 반영(Reflect)의 순환 구조를 이해함으로써 자율 시스템의 기초를 다진다.
ReAct 패턴은 LLM이 단순히 답을 내는 것이 아니라 '생각' 단계를 거쳐 '행동'을 결정하게 만드는 프롬프트 구조이다.
08:25
2단계: 핵심 구성 요소 (Core Components)
에이전트가 외부 세계와 상호작용하기 위해서는 도구 및 함수 호출(Function Calling) 능력이 필수적이다. 웹 검색, 코드 실행, API 호출 등을 LLM과 연결하여 실질적인 작업을 수행하게 한다. 또한 에이전트가 과거의 대화나 정보를 기억할 수 있도록 인컨텍스트(In-context), 외부(External), 장기(Long-term) 메모리 시스템을 구축한다. 컨텍스트 엔지니어링을 통해 에이전트에게 전달되는 정보의 품질을 최적화하여 응답의 정확도를 높인다.
함수 호출은 LLM이 자연어 요청을 해석하여 특정 프로그래밍 함수를 실행할 수 있는 인자로 변환해주는 기술이다.
12:09
3단계: 오케스트레이션 (Orchestration)
복잡한 작업을 수행하기 위해 여러 에이전트를 관리하는 오케스트레이션 단계로 진입한다. LangGraph와 같은 프레임워크를 사용하여 상태 기반의 그래프 구조로 워크플로를 설계하고 에이전트 간의 라우팅을 제어한다. 단일 에이전트를 넘어 관리자(Supervisor)와 작업자(Worker) 패턴을 가진 멀티 에이전트 시스템을 구축한다. 시스템의 안전성을 위해 중요한 결정 단계에서 인간의 승인을 받는 Human-in-the-loop 기능을 통합한다.
LangGraph는 순환 구조를 가진 복잡한 에이전트 워크플로를 상태 머신 형태로 구현할 수 있게 돕는 라이브러리이다.
14:31
4단계: RAG 및 리트리벌 (RAG & Retrieval)
에이전트가 방대한 외부 데이터에 접근할 수 있도록 RAG 시스템을 고도화한다. 고정, 의미론적, 계층적 청킹 전략을 사용하여 데이터를 효율적으로 분할하고 벡터 데이터베이스에 저장한다. 단순 검색을 넘어 재순위화(Re-ranking), HyDE, Self-RAG와 같은 고급 기술을 적용하여 검색 품질을 개선한다. 특히 에이전트가 스스로 검색 시점을 결정하는 에이전틱 RAG를 구현하여 동적인 정보 활용 능력을 극대화한다.
HyDE(Hypothetical Document Embeddings)는 질문에 대한 가상의 답변을 먼저 생성한 뒤 이를 기반으로 유사한 실제 문서를 찾는 기술이다.
17:17
5단계: 디자인 패턴 (Design Patterns)
에이전트 시스템의 효율성과 안정성을 높이기 위해 검증된 디자인 패턴을 적용한다. 요청의 성격에 따라 적절한 에이전트에게 작업을 할당하는 라우터 에이전트(Router Agent) 패턴을 사용한다. 에이전트가 자신의 결과물을 스스로 비판하고 수정하는 리플렉션(Reflection) 루프를 구축한다. 작업 실패 시 스스로 계획을 수정하고 복구하는 Plan & Self-heal 패턴을 통해 시스템의 회복 탄력성을 확보한다.
리플렉션 패턴은 에이전트가 생성한 결과물을 다른 에이전트나 자기 자신이 검토하여 오류를 수정하게 만드는 반복 프로세스이다.
18:01
6단계: 안전성 및 평가 (Safety & Eval)
프로덕션 환경으로 나가기 전 시스템의 안전성과 성능을 철저히 검증한다. 프롬프트 인젝션 방어 및 데이터 검증을 위해 Guardrails를 설치하여 유해한 출력을 차단한다. 에이전트의 실행 궤적(Trajectory)과 도구 사용의 정확도를 측정하기 위한 평가 지표를 설정한다. 머신러닝 모델 평가와 유사하게 다양한 벤치마크와 메트릭을 활용하여 에이전트의 성능을 정량적으로 분석한다.
Guardrails는 LLM의 입출력을 실시간으로 감시하여 보안 정책이나 가이드라인을 위반하는 내용을 필터링하는 보안 계층이다.
19:03
7단계: 프로덕션 및 생태계 (Production & Ecosystem)
최종적으로 에이전트를 실제 서비스 환경에 배포하고 운영한다. MCP(Model Context Protocol)를 활용하여 표준화된 방식으로 도구 서버를 관리하고 다양한 IDE나 앱과 통합한다. 지연 시간(Latency), 비용, 관측 가능성(Observability)을 관리하는 프로덕션 운영(Ops) 체계를 구축한다. AWS Bedrock, Google Vertex AI 등 클라우드 플랫폼의 API를 활용하여 확장성 있는 에이전트 인프라를 구성한다.
MCP는 에이전트가 외부 데이터와 도구에 접근하는 방식을 표준화하여 개발 효율성을 높여주는 프로토콜이다.
용어 해설
- ReAct 패턴(ReAct Pattern)
- — 추론(Reasoning)과 행동(Acting)을 결합한 프롬프팅 기법이다. LLM이 문제를 해결하기 위해 단계별로 생각하고 필요한 도구를 호출하며 결과를 반영하는 순환 과정을 통해 복잡한 과업을 수행하게 한다. 에이전트가 자율적으로 판단하고 실행하는 핵심 메커니즘으로 작용한다.
- 오케스트레이션(Orchestration)
- — 여러 개의 AI 에이전트나 도구들이 협력하여 목표를 달성하도록 실행 흐름과 상호작용을 관리하는 기술이다. 워크플로의 상태를 유지하고 에이전트 간의 통신 및 작업 할당을 제어한다. 복잡한 비즈니스 로직을 자동화된 시스템으로 구현할 때 필수적이다.
- 에이전틱 RAG(Agentic RAG)
- — 고정된 검색 파이프라인 대신 에이전트가 스스로 언제, 어떤 정보를 검색할지 결정하는 검색 증강 생성 방식이다. 검색 결과가 불충분하면 다시 검색하거나 다른 도구를 사용하는 등 동적인 판단을 내린다. 기존 RAG보다 정교하고 정확한 답변 생성이 가능하다.
- MCP 프로토콜(MCP Protocol)
- — Model Context Protocol의 약자로, AI 모델과 외부 도구 또는 데이터 소스 간의 연결을 표준화하는 규약이다. 에이전트가 다양한 서버나 데이터베이스에 일관된 방식으로 접근할 수 있게 해준다. 에이전트 생태계의 상호운용성을 높이는 중요한 기술 표준이다.
- 인간 개입형 시스템(Human-in-the-loop)
- — AI 에이전트의 실행 과정 중 중요한 의사결정 단계에서 인간의 승인이나 피드백을 받는 구조이다. 에이전트의 자율성을 유지하면서도 치명적인 오류를 방지하고 안전성을 확보한다. 기업용 서비스에서 신뢰도를 높이기 위해 반드시 고려되는 설계 패턴이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 07.수집 2026. 04. 07.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.
