AI 용어 사전

경찰관의 자연어 요청을 바탕으로 AI가 여러 데이터베이스와 검색 도구를 연쇄적으로 사용해 수사 단서를 만드는 치안 운영 방식입니다. 기사에서 제시된 시스템은 차량 검색, 체포 기록 조회, 주소 확인과 인물 배경 조사를 하나의 작업 흐름으로 연결하며, Flock Safety는 다단계 AI workflow와 자동 lead generation을 채용 공고에 포함했습니다.

에이전트가 수집된 정보를 바탕으로 특정 행동을 실행할지, 아니면 아무런 조치도 취하지 않고 침묵할지를 판단하는 핵심 로직이다. 상시 가동형 시스템에서는 불필요한 알림이나 행동을 억제하는 능력이 시스템의 신뢰도를 좌우한다.

이미지 오른쪽의 횡축 형태로 표시된 반복 보행 구간으로, 에이전트가 여러 번 걷고 새로운 콘텐츠가 적어지는 영역을 의미한다. 수직 막대로 구획을 만들고 화살표로 진행 방향을 표시해, 유효한 이동 규칙과 'done'의 의미가 안정화된 상태임을 시사한다. 차트화된 회랑에서는 탐색 비용과 실패 확률이 낮아지며 운영이 용이해진다.

시스템이 주기적으로 특정 작업을 수행하거나 상태를 점검하기 위해 실행되는 반복 프로세스이다. 본문에서는 에이전트가 30분마다 스스로 시스템 상태를 확인하고 다음 행동을 결정하도록 만드는 트리거 장치로 활용됐다.

여러 폴더형 에이전트에 작업을 배분하고 진행 상태를 추적하는 상위 조정 계층입니다. 이 사례에서는 Ruby daemon이 파일로 생성된 작업을 읽고 적절한 폴더에서 worker를 실행하며, 60초마다 상태를 확인합니다.

조건이 충족될 때 조명, 급식기, 알림 같은 기기의 동작을 자동으로 실행하는 규칙 기반 기능입니다. 사용자가 자연어로 조건과 동작을 입력하면 앱이 자동화 흐름을 구성할 수 있지만, 실행 횟수 제한이나 예외 조건이 부족하면 작은 인식 오류가 실제 기기 동작으로 이어집니다.

상위 시스템이 하위 agent의 작업 내용, 진행 상태, 정보 공유, 실패 징후를 실시간으로 파악할 수 있는 정도다. 사후 로그만 남기는 방식과 달리 진행 중인 작업을 감독하고 중단이나 방향 전환에 활용할 수 있어 agent 협업의 통제 기반이 된다.

생성형 AI 에이전트 여러 개가 기사 발굴, 초안 작성, 편집, 사실 확인, 이미지 제작과 배포까지 맡는 뉴스 조직이다. 이 글에서는 사람이 운영 방향과 법적 위험 기준을 정하고, 에이전트가 실제 뉴스 생산 흐름을 자동화하는 형태를 가리킨다.

여러 단계로 작업을 수행하는 LLM 에이전트에서 각 단계마다 적절한 모델을 선택하는 방식입니다. 요청별 비용과 성능을 조절할 수 있지만, 한 단계의 모델 교체가 이후 행동 전체를 바꿀 수 있어 단일 호출용 라우터와 다른 평가가 필요합니다.

AI 에이전트가 작업을 수행하고 배포되는 실행 환경이다. 기업 워크플로 내에서 에이전트의 동작을 제어하고 관리하는 핵심 인프라 역할을 한다.

AI가 주어진 목표를 달성하기 위해 스스로 계획을 세우고 도구를 선택하여 실행하는 구조이다. 이 프로젝트에서는 서브레딧 데이터를 수집하고 분석하여 사용자에게 최적의 게시 전략을 제안하는 역할을 수행한다.

여러 개의 소규모 AI 서브에이전트를 순차적 워크플로로 연결해 사람 대신 특정 개발 작업을 처리하는 방식으로, 입력 이벤트를 받아 재현·진단·검증·수정 단계를 자동으로 실행한다.

AI agent가 수행한 업무량을 사람의 workday와 비교해 표현한 단위입니다. OpenAI 연구 조직은 인간의 하루 노동량마다 3.1 agent-workdays의 노력을 사용한다고 밝혀, 연구자가 우선순위와 결과 판단을 맡은 채 실행 용량을 늘리는 방식을 나타냅니다.

하네스 소스 코드를 탐색하고 실행 추적과 점수를 분석하여 더 나은 코드 구조를 스스로 제안하는 자율형 모듈이다. 최적화 루프 내에서 반복적인 실험과 수정을 자동화한다.

LLM이 도구 사용, 계획 수립, 자율적 실행 등을 수행할 수 있도록 지원하는 프레임워크나 환경을 의미한다. 모델이 단순히 텍스트를 생성하는 것을 넘어 복잡한 워크플로우를 처리하는 에이전트로 작동하게 만드는 핵심 구조이다.

AI 에이전트가 수행한 작업의 과정과 결과가 목표에 부합하는지 자율적으로 판단하고 평가하는 시스템이다. 강화학습 과정에서 정교한 보상 신호를 제공하여 에이전트의 논리적 오류를 줄이고 학습의 정확도를 높이는 역할을 한다.

사용자의 의도(Intent)를 실시간으로 파악하여 웹사이트의 콘텐츠와 구조를 동적으로 변경하는 지능형 웹사이트이다. 단순한 정적 페이지 제공을 넘어 AI 에이전트가 사용자 목표에 최적화된 블록을 선택하고 배치하여 초개인화된 경험을 제공한다.

AI assistant가 정부·공공기관의 온라인 신청과 민원 제출을 대량으로 처리하면서 공공 서비스의 접수량이 급증하는 현상이다. 일부는 정당한 권리 행사를 돕지만, 기관의 심사 자원과 예산에 부담을 줄 수 있어 행정 시스템 재설계가 필요해진다.

대규모 언어 모델이 복잡한 작업을 수행하기 위해 수백 개의 하위 에이전트를 병렬로 관리하고 오케스트레이션하는 시스템이다. 모델이 스스로 작업을 분할하고 실행하여 대규모 코드베이스 마이그레이션과 같은 복잡한 태스크를 자동화한다.

소프트웨어 개발과 운영의 통합을 담당하는 특화된 AI 에이전트로, 주로 인프라 설정, 빌드, 배포 자동화 및 클라우드 환경 관리를 수행한다. 이 영상에서는 Google Cloud Run 배포를 담당한다.

사용자의 컴퓨터 운영체제 수준에서 파일 생성, 수정, 실행 등 로컬 작업을 직접 수행할 수 있는 AI 에이전트이다. 단순 텍스트 응답을 넘어 실제 파일 시스템과 상호작용하며 복잡한 워크플로를 자동화하는 데 핵심적인 역할을 수행하여 생산성을 극대화한다.

성공한 작업 수행 과정을 기록한 뒤, 이를 그대로 재현하는 단순 스크립트 기반 에이전트이다. 결정론적 환경에서 모델의 지능적 판단 없이도 높은 점수를 기록할 수 있어 벤치마크 공략의 주된 수단이 된다.

단일 응답으로 끝나지 않고 복잡한 목표를 달성하기 위해 여러 단계의 추론과 행동을 계획하고 실행하는 AI 시스템이다. 각 단계에서 도구 사용 여부를 결정하고 중간 결과를 바탕으로 다음 행동을 수정한다.

공식 API나 전용 Connector 대신 가상 브라우저에서 웹사이트에 로그인하고 화면 조작을 자동화하는 방식입니다. 일반 웹사이트도 반복 업무에 활용할 수 있지만 인터페이스 변경, 세션 만료, CAPTCHA로 인해 안정성이 떨어질 수 있습니다.

Segmenter Agent는 원고를 논리적 주제 단위로 분할해 각 세그먼트에 맞춘 검증 예산을 할당하는 구성 요소이다. 입력 원고 → 의미 기반 세그먼트 생성 → 각 세그먼트 난이도 평가 → 복잡도에 따라 compute 예산을 동적으로 배분하는 흐름을 따른다. 이 방식은 이론·증명처럼 고난도 구간에 더 많은 추론 토큰을 집중시켜 검증 효율을 높인다.

사용자가 명시적으로 명령하지 않아도 배경에서 지속적으로 작동하며 필요한 정보를 수집하거나 작업을 수행하는 AI 에이전트이다. 인간의 개입을 최소화하면서 업무 흐름을 보조하는 미래형 에이전트 모델이다.

LLM이 자율적으로 도구를 사용하고 계획을 세워 복잡한 작업을 수행할 수 있도록 감싸는 외부 제어 구조 또는 프레임워크입니다. 루프 실행, 상태 관리, 도구 호출 인터페이스 등을 제공하여 모델이 에이전트로서 동작하게 돕습니다.

AI 에이전트를 단순한 챗봇이 아닌 워크플로, 메모리, 도구 사용을 관리하는 하나의 운영체제처럼 구조화한 시스템이다. 반복적인 작업을 스킬로 정의하고 이를 자동화하여 복잡한 비즈니스 로직을 수행할 수 있게 한다.

코드나 시스템 내부에서 모델이 외부 도구를 호출해 순차적으로 작업을 처리하도록 설계된 흐름을 가리킨다. 기사 URL은 MUSE 코드·바이너리에서 이러한 워크플로 흔적이 식별되었다고 보도하는 점을 시사한다. 에이전트 워크플로는 도구 연동과 자동화된 의사결정 과정에 직결되므로 배포와 보안 측면에서 중요한 의미를 가진다.

자기 자신을 관찰해 도구·스킬·플러그인을 생성하거나 튜닝하면서 성능을 점진적으로 높이는 에이전트 설계로, 검증 루프와 메타레벨 평가가 병행되어야 안전하게 작동한다.

발생한 오류와 최근의 코드 변경점(Git Diff)을 대조하여 실제 인과관계가 있는지 분석하는 LLM 기반 에이전트이다. 단순한 통계적 이상 탐지를 넘어 변경된 파일의 성격(런타임 vs 문서)을 구분함으로써 자동 수정 프로세스의 정확도를 높인다.

최종 사용자나 클라이언트에게 제공되는 실제 서비스용 AI 에이전트이다. 빌더 에이전트에 의해 지속적으로 개선되고 유지보수되는 대상이며, 특정 도메인의 작업이나 도구 사용을 수행하는 최종 결과물이다.

사용자 인터페이스(UI) 없이 백그라운드에서 실행되는 AI 에이전트이다. 스크립트나 다른 프로그램에 의해 프로그래밍 방식으로 호출되어 특정 작업을 수행하며, 자동화된 파이프라인 구축에 필수적인 요소이다.

저장된 데이터를 분석하여 상위 수준의 통찰력을 도출하기 위해 호출하는 API 지점이다. 수집된 개별 이벤트를 종합하여 패턴을 인식하거나 미래 전략을 추론하는 '자기 성찰(Reflection)' 기능을 수행한다.

AI가 단순 답변을 넘어 외부 플랫폼과 연동하여 식당 예약과 같은 특정 과업을 자율적으로 수행하는 흐름이다. 사용자의 의도를 파악한 뒤 파트너사 API를 호출하여 실제 액션까지 완료하는 능력을 의미한다.

LLM이 목표 달성을 위해 도구 사용, 추론, 실행 과정을 거치는 일련의 시스템 구조이다. 각 단계의 입력값이 정확해야 최종 결과의 신뢰성을 보장할 수 있다.

AI 에이전트가 보안 이벤트를 감지하고 판단한 뒤 대응 작업까지 이어가는 보안 방식입니다. 여러 하위 에이전트와 전용 harness가 모델의 판단을 실행 가능한 탐지·차단 조치로 바꾸며, 자동화된 공격에 사람보다 빠르게 대응하는 데 의미가 있습니다.

Agentic workflows는 에이전트형 구성으로 작업을 자동화하는 워크플로우 개념을 나타낸다. 원문은 해당 주제에 관한 자료가 다섯 리소스에 포함되어 있다고 명시했다. 데이터 전문가가 워크플로우 설계나 자동화 전략을 참고하는 데 유용하다고 판단됐다.

여러 AI 에이전트나 도구들의 실행 순서를 결정하고 조율하는 상위 시스템이다. 수많은 후보(파일, ID, 레코드 등) 중 정확한 대상을 선택하여 하위 에이전트에게 전달하는 신뢰성이 시스템 전체 성능을 결정한다.

실시간 상호작용 모델과 장기 작업을 수행하는 백엔드 에이전트 사이에서 입력 전달, 작업 상태, 실행 이벤트, 권한, 결과 전달을 관리하는 조정 계층입니다. Gander에서는 task_start·task_send·task_resolve 요청을 검증하고, 비동기 작업을 Project·Task·Run·WorkerEvent·Delivery 단위로 추적합니다.

텍스트뿐만 아니라 이미지, 비디오 등 다양한 형태의 데이터를 활용하여 정보를 탐색하고 문제를 해결하는 AI 에이전트 기술이다. 단순한 검색을 넘어 시각적 단서를 바탕으로 다음 검색 단계나 도구 사용을 스스로 결정하는 능력이 핵심이다.

에이전트가 여러 작업을 병렬로 처리하지 않고 순차적으로 하나씩 처리하는 방식이다. 이 방식은 각 작업마다 독립적인 모델 호출을 발생시켜 전체적인 실행 시간과 API 비용을 최적화하지 못하는 단점이 있다.

독립된 AI agent 사이에서 전체 memory나 database를 넘기지 않고 필요한 context만 권한 단위로 공유하는 구조입니다. 요청, 승인, 읽기, 권한 철회의 흐름으로 접근 범위를 제한합니다.

개발자의 자연어 목표를 실제 Jetson 장치의 소프트웨어와 하드웨어 상태에 맞는 비디오 설정으로 바꾸는 작업 계층이다. 장치를 탐색하고, 지원 코덱과 메모리 경로를 선택하며, 실행·측정·재현에 필요한 결과와 근거를 함께 남긴다.

영상 전체를 고정된 프레임 속도로 처리하지 않고, 모델이 질의에 필요한 구간과 입력 양식을 능동적으로 선택하는 영상 분석 방식입니다. Gemini가 영상 프레임·오디오·Transcript를 도구로 조회하며 필요한 정보만 가져오기 때문에 긴 영상의 토큰 사용량과 분석 비용을 줄이면서 세밀한 검색과 판별을 수행할 수 있습니다.

LLM이 실행 시점의 텔레메트리를 평가하고 사용할 도구와 다음 실행 단계를 동적으로 선택하는 운영 방식입니다. 고정된 DAG나 유한 상태 머신과 달리 비결정적 추론을 사용하지만, 스키마·정책 엔진·승인 절차 같은 결정적 제약으로 실행 범위를 제한해야 합니다.

사람이 직접 버튼을 누르는 소수의 업무 자동화를 넘어 수십~수백 개의 에이전트가 24시간 작업하는 운영 상태입니다. 처리량과 자율성이 커지는 만큼 비용, 보안, 관측 가능성, 확장성을 함께 관리해야 합니다.

사용자의 개입 없이 스스로 목표를 설정하고 작업을 완수하는 자율형 AI 도구이다. Roger AI는 이러한 완전 자동화 방식과 단순 튜토리얼 방식의 장점을 결합하여 사용자의 통제권을 유지하면서도 전문적인 지원을 제공한다.

사용자의 개입 없이 자율적으로 코드를 작성하거나 수정하는 AI 에이전트 시스템을 의미합니다. 빠른 코드 생성이 가능하지만, 적절한 통제가 없으면 코드베이스의 구조적 품질을 급격히 떨어뜨릴 위험이 있습니다.

결정적 재생으로 얻은 부분 workspace에 에이전트가 누락된 파일, 잘린 파일 내용, 실행 의존성을 추가하는 과정입니다. 원래 과제를 해결하지 않고 과제 수행에 필요한 실행 맥락만 복구해 재구성 환경의 충분성을 높입니다.

AI 에이전트가 특정 작업을 수행하기 위해 웹이나 데이터를 탐색하는 방식이다. 이 프로젝트에서는 OpenRouter를 통해 다양한 LLM을 호출하여 AI 검색 엔진의 답변 결과를 수집하고 분석하는 로직으로 활용되었다.

AI 에이전트가 자율적으로 공급업체를 검색하고 협상하며 구매 결정을 내리는 차세대 조달 방식이다. 데이터의 가독성이 높은 아키텍처가 뒷받침되어야 효율적인 자동화가 가능하며, 이는 기업의 조달 프로세스를 획기적으로 간소화하는 데 기여한다.

AI 에이전트가 작업을 수행하기 위해 외부 함수나 API를 실행하는 과정이다. 이 과정에서 모델은 현재 상태와 도구 정의를 반복적으로 처리하며 많은 양의 토큰을 소비하게 된다.

AI가 한 번의 응답으로 끝내지 않고 계획, 도구 사용, 평가, 재시도를 반복하는 실행 구조입니다. 외부 평가자와 메모리, 도구를 연결해 모델의 부족한 자기 점검을 보완합니다. 이 글에서는 모델 바깥에 추가되는 보조 장치의 사례로 다뤄집니다.

AI 에이전트가 자율적으로 작업을 계획하고 실행하며 도구를 사용하는 과정을 구조화한 설계 방식이다. 단순한 프롬프트 실행을 넘어 복잡한 워크플로우를 안정적으로 처리하기 위한 아키텍처적 가이드라인을 기술한다.

AI가 단순히 질문에 답하는 수준을 넘어, 복잡한 목표를 달성하기 위해 스스로 계획을 세우고 외부 도구를 사용하며 문제를 해결해 나가는 자율적 실행 능력을 의미한다.

AI 에이전트가 실제 업무를 수행하기 위해 필요한 권한, 도구 호출, 메모리, 검증 로직 등을 포함하는 시스템 아키텍처. 모델의 추론 결과를 안전하게 현실 세계의 데이터베이스나 시스템에 반영하는 역할을 한다.

Agent Bridge는 Slack, Microsoft Teams, Discord 같은 협업 도구의 채팅방과 AI 에이전트를 연결하는 중간 계층이다. 서로 다른 Framework로 만든 에이전트가 같은 방에 참여하고 사람과 메시지를 주고받도록 만든다.

AI가 단순히 텍스트를 생성하는 수준을 넘어, 사용자의 목표를 이해하고 외부 도구를 사용하여 복잡한 작업을 자율적으로 수행하는 미래 지향적 AI 환경을 의미한다. OpenAI가 지향하는 에이전트 중심의 제품 전략 핵심이다.

모든 소프트웨어 인터페이스와 워크플로를 AI 에이전트가 자율적으로 수행할 수 있는 구조로 재편하는 철학을 의미한다. 단순한 도구 사용을 넘어 시스템 전체가 에이전트의 추론과 실행을 지원하도록 설계하는 것이 핵심이다.