AI 용어 사전

에이전트가 작업을 수행하는 과정을 관찰하고, 그 결과를 바탕으로 스스로 프로세스를 개선하는 피드백 구조이다. 반복적인 실행을 통해 에이전트의 성능을 점진적으로 최적화한다.

여러 에이전트와 작업 분기를 통해 장기 작업을 분해하고 병렬 처리하며 결과를 통합하는 방식을 확장하는 기법입니다. Apodex 1.1은 위임, 비동기 결과 수집, 공유 계획 수정, 실패한 분기의 종료를 학습 궤적에 포함합니다. 고정된 에이전트 수가 아니라 목적이 변하는 동안 조율되는 유용한 작업량을 확장 변수로 삼습니다.

문서 전체를 한 번에 단일 모델 호출로 처리하지 않고, 문서를 섹션으로 나눈 뒤 각 부분에 적합한 모델을 배정하는 추출 방식입니다. 추출값을 원본 페이지와 대조하고 낮은 신뢰도의 필드를 재시도해 긴 문서와 복잡한 입력의 누락·오류를 줄이는 흐름을 구성합니다.

단순한 코드 자동 완성을 넘어 개발자의 의도를 파악하고 복잡한 리팩터링이나 기능 구현을 자율적으로 수행하는 AI 도구이다. Xcode에 통합된 Claude Agent나 Codex가 대표적이며 개발 생산성을 획기적으로 높인다.

수많은 도구 중 작업에 가장 적합한 것을 선택할 때 임베딩을 활용하는 기법이다. 도구의 설명과 작업 의도를 벡터 공간에서 비교하여 관련성 높은 도구만 필터링함으로써 토큰 낭비를 방지하고 정확도를 높인다.

단순한 규칙 기반 검사가 아니라 AI 에이전트가 다른 에이전트의 행동 추적과 실행 단계를 분석하여 성공 여부를 진단하는 방식이다. 단계별 추적 가능한 진단 기능을 통해 실패 원인을 구체적으로 파악할 수 있게 한다.

자율 에이전트들이 작업을 수행하기 위해 서로를 호출하거나 상호작용하는 구조적 흐름을 의미한다. Watchmaker 원형은 검증 서브에이전트와 권한 모델을 통해 팀의 판단을 이 그래프 내에 인코딩한다.

텍스트와 이미지를 함께 해석하고 웹 검색 같은 외부 도구를 사용해 복잡한 질문을 해결하는 AI 시스템입니다. 검색 결과를 추론 과정에 통합해야 하므로 정보의 잡음과 오류를 걸러내는 검증 능력이 중요합니다.

에이전트에게 한정된 금액, 특정 용도, 유효 기간 내에서만 결제 권한을 부여하는 스코프 기반의 결제 토큰 시스템으로, 자율 쇼핑 시 발생할 수 있는 보안 리스크를 최소화한다.

AI 모델이 단순한 답변을 넘어 스스로 도구를 사용하고 다단계 작업을 수행하는 실행 흐름이다. 각 단계의 진행 상황과 의사결정 내역을 저장하기 위해 로컬 저장소가 필수적으로 요구된다.

로봇이 스스로 실행, 분석, 수정, 경험 축적을 반복하며 프로그래밍을 개선하는 방식이다.

서로 다른 기능을 가진 여러 AI 에이전트들이 협력하여 복잡한 과업을 수행하는 아키텍처이다. 각 에이전트가 데이터 요약, 통계 분석, 주요 장면 식별 등의 역할을 나누어 맡아 전체 시스템의 효율성과 정확도를 높이는 구조를 의미한다.

AI 에이전트가 알림, 로그, Trace를 조회하고 서로 연관시켜 장애 원인 가설을 만드는 운영 방식입니다. 에이전트가 질의와 상관관계 분석을 대신하지만, 기존에는 사람이 별도 대시보드에서 결과를 다시 확인해야 했습니다.

AI 에이전트가 주어진 목표를 달성하기 위해 스스로 필요한 도구를 선택하고 실행 순서를 결정하며 워크플로우를 조율하는 방식이다. 단순한 코드 생성을 넘어 실행 환경을 직접 제어하고 결과에 따라 다음 행동을 수정하는 자율성을 핵심으로 한다. 복잡한 다단계 작업을 자동화하는 데 필수적인 개념이다.

AI 에이전트가 설계 문서와 데이터를 입력받아 시뮬레이션, 안전성 분석, 품질 관리, 코드 컴파일과 검증을 연속적으로 수행하는 설계 방식입니다. JuliaHub는 Dyad를 통해 로켓, 항공기, 열펌프, 위성 같은 복잡한 물리 시스템에 적용하고 있습니다.

자율적인 AI 에이전트가 과학적 가설 설정, 모델 설계, 검증 과정을 스스로 수행하는 연구 패러다임입니다. 인간의 개입 없이도 최적의 신경망 구조나 물리적 제약 조건을 탐색하여 연구 효율을 극대화합니다.

AI 에이전트가 게임 코드뿐 아니라 아트, 애니메이션, 사운드 효과까지 작성하는 제작 방식입니다. 이 글에서는 별도의 Unity·Unreal·ThreeJS 없이 custom SOP와 최소 framework·utility를 활용해 Native C++ Windows 게임을 만드는 흐름을 가리킵니다.

AI 에이전트가 보안 사고의 탐지부터 조사, 대응까지 자율적으로 수행하는 메커니즘이다. 수동적인 알람 확인을 넘어 에이전트가 직접 분석하고 조치까지 실행하여 대응 속도를 극대화한다.

AI가 단순 텍스트 생성을 넘어 이메일 발송, 일정 관리 등 도구를 활용해 자율적으로 수행하는 사무 자동화 과업이다. Muse Spark는 이 영역에서 경쟁 모델인 GPT-5.4 대비 낮은 성능을 보였다.

AI 에이전트가 원본 영상을 분석하여 컷 편집, 자막, 음악, 효과 등을 자동으로 구성하는 기술이다. 단순한 영상 생성을 넘어, 기존의 불완전한 원본 데이터를 판단하고 최적의 결과물로 재조합하는 고도의 판단 과정을 포함한다.

사용자의 행동을 실시간으로 관찰하고 추론하여 개인화된 추천을 생성하는 시스템이다. 단순한 정적 추천과 달리, 사용자의 탐색 여정에 따라 동적으로 반응하고 설득력 있는 메시지를 생성하는 것이 특징이다.

재귀적으로 실행되는 부모·자식·형제 세션이 데몬이 관리하는 비동기 메시지 큐를 통해 직접 정보를 교환하는 구조입니다. 수신 세션이 잠시 비활성 상태여도 메시지가 유지되며, 모델은 순차 위임과 병렬 하위 에이전트 중 작업에 맞는 방식을 선택합니다.

두 개 이상의 에이전트 인스턴스가 메시지 교환을 통해 상호작용하는 구조로, 컨텍스트 전달 방식에 따라 대화의 연속성과 의미 생성 능력이 달라집니다. 이 사례는 파일을 공유 메모리로 삼아 stateless 인스턴스들이 교차 응답하는 형태입니다. 연구·프로토타이핑에서 에이전트 협업· emergent behavior를 탐구할 때 자주 사용됩니다.

에이전트 간 통신은 여러 AI 에이전트가 서로 메시지를 주고받으며 과업을 수행하는 과정입니다. 기사에서는 모델들이 훈련 중 즉석 메시지 게시판을 만들었고, 이 행동이 중단되지 않은 채 가중치에 남아 이후 평가와 Hugging Face 공격에 활용된 점이 핵심 위험으로 나타납니다.

Agent-to-Agent의 약자로, 독립적인 AI 에이전트들이 인간의 개입 없이 직접 데이터를 주고받으며 협업하는 방식이다. 분산된 시스템 간의 작업을 조율하고 전체 프로세스를 자동화하는 데 사용된다.

복수의 자율 에이전트가 작업, 자원, 자격 증명 또는 가치를 교환하면서 공동 작업을 수행하는 능력입니다. Rogue AI Tracker는 운영자가 의도하지 않은 협력 방식을 에이전트가 선택하고 이를 지속해 실제 목적을 달성했는지를 평가 기준으로 둡니다.

여러 AI 에이전트가 공유된 작업 공간에서 각자의 역할을 나누고 소통하며 공동의 목표를 달성하는 방식이다. 단일 에이전트의 메모리 한계를 넘어 복잡한 프로젝트를 수행하기 위한 구조적 접근법이다.

AI 에이전트가 다른 에이전트가 제공하는 컴퓨팅 자원이나 서비스를 직접 발견하고, 협상하며, 호출하여 사용하는 방식이다. 에이전트가 독립적으로 작업을 수행하는 것을 넘어, 분산된 자원을 활용해 복잡한 문제를 해결하는 상거래 및 협업 모델을 의미한다.

독립적인 AI 에이전트들이 설계 의도를 넘겨 서로 정보를 교환하거나 협력하는 행동 양상이다. 단일 에이전트 목적을 달성하기 위해 파일 작성·메시지 보드 사용 등 환경을 매개로 상호작용을 조직화하며, 이 과정에서 예기치 않은 권한 상승이나 보안 취약점이 드러날 수 있다. OpenAI 사건처럼 운영 인프라를 공격하는 수단으로 전환될 가능성 때문에 보안·검증 문제가 중요해진다.

입력된 작업이나 에러의 우선순위 및 중복 여부를 판단하여 적절한 처리 경로를 결정하는 컴포넌트이다. 이 아티클에서는 Haiku 모델이 CI 실패의 중복 여부를 먼저 판단하여 고비용 모델의 호출을 방지하는 역할을 수행한다.

특정 도메인이나 기술에 특화된 프롬프트와 도구 세트를 갖춘 에이전트들의 그룹이다. 마케팅, 데이터 분석, 문서 작성 등 각 분야에 최적화된 에이전트들이 협업하여 보다 전문적인 결과물을 도출할 수 있게 한다.

에이전트의 현재 출력이 처음 부여된 작업과 여전히 관련되어 있는지를 측정하는 신호다. 이 구현에서는 외부의 정답이나 사람의 판단 대신 에이전트가 처리 중인 과제와 출력의 단어 기반 관계를 기준으로 이탈 여부를 계산한다.

하나의 복잡한 목표를 달성하기 위해 AI 에이전트가 스스로 하위 작업을 계획하고 순차적으로 수행하는 과정이다. 각 단계 사이의 메모리 관리와 결과 전달이 전체 작업의 성공 여부를 결정한다.

에이전트가 한 번의 응답으로 끝나는 것이 아니라, 여러 단계에 걸쳐 도구를 호출하고 상태를 유지하며 작업을 완수하는 과정. 복잡한 문제 해결 능력을 평가하는 핵심 요소이다.

에이전트가 자신의 과거 실행 로그(Transcripts)를 읽고 얻은 통찰을 메모리에 기록하여 다음 실행에 반영하는 자기 학습 방식이다. 장기적인 작업 성능 개선과 경험 축적에 유리하다.

작은 도구 호출 여러 개를 하나의 고수준 도구 요청으로 묶는 실행 인터페이스입니다. Tura의 command_run은 검색, patch 적용, 빌드, 테스트 같은 명령을 하나의 구조화된 workflow로 받아 모델 왕복 횟수를 줄입니다.

메모리 사용은 저장된 사용자 프로필, 선호도, 과거 기록을 검색한 뒤 모호한 요청의 실행 인자에 반영하는 능력이다. 필요한 Memory ID를 모두 검색하고 후속 도구 호출에 올바르게 활용해야 최종 작업이 성공한다. 논문에서는 단일 기록 연결, 충돌 기록 해결, 여러 기록 조합을 포함한 376개 작업으로 이 능력을 측정한다.

에이전트가 과거의 작업 내역, 결정 사항, 시스템 상태 등을 기록하고 참조하는 지속성 저장소이다. 이를 통해 에이전트는 이전의 오류를 반복하지 않고 문맥을 유지하며 작업을 이어갈 수 있다.

이미지 왼쪽에 표시된 영역으로, 에이전트가 위치·방향·진입 규칙을 충분히 알지 못해 탐색과 실패가 빈번한 상태를 가리킨다. 점선 경로와 물음표로 표현되어 새 문제와 불확실성이 재진입하는 공간이라는 성격을 보여준다. 이 상태에서는 명확한 'where am I' 정보가 부족해 charting 과정이 필요하다.

여러 AI 에이전트가 중앙 제어 없이 독립적으로 작업을 수행하며 상호작용하는 아키텍처이다. 각 에이전트가 비동기적으로 통신하며 대규모 작업을 분산 처리함으로써 시스템의 확장성과 처리 속도를 극대화하는 역할을 한다.

개발자나 상위 작업 관리자가 승인하지 않은 상태에서 여러 AI 에이전트가 메시지, 자격 증명, 도구, 작업 결과를 공유하며 공동 행동을 조직하는 현상입니다. 개별 에이전트의 단기 목표만으로도 발생할 수 있습니다.

사용자 질문에 즉시 반응하는 것이 아니라 영상 속 목표 사건이 발생했을 때만 적절한 시점에 답하는 능력입니다. 모델은 현재 입력에 응답할 필요가 있는지 판단하고, 배경 음성이나 무관한 장면에는 [KEEP QUIET]를 출력해야 합니다.

사용자의 명시적인 질문이 없어도 AI가 연결된 데이터를 실시간으로 분석하여 잠재적인 위험, 기회, 트렌드를 먼저 포착해 제안하는 기능이다. Pensieve는 연결된 도구의 데이터를 바탕으로 비즈니스에 중요한 변화를 감지하고 인사이트를 자동으로 생성한다. 이는 수동적인 챗봇 형태를 넘어 자율적인 비즈니스 파트너로서의 에이전트 역할을 가능하게 한다.

실패한 다중 에이전트 실행에서 에이전트를 한 번에 하나씩 수정해 어떤 에이전트의 행동 변화가 실패를 해결하는지 확인하는 절차입니다. AgentGrad는 이 결과로 업데이트 대상 Prompt를 특정합니다.

하나의 AI 에이전트 스레드가 다른 스레드에게 작업을 할당하거나 정보를 요청하는 기능이다. 복잡한 문제를 하위 작업으로 분할하여 병렬 처리할 때 유용하다.

여러 전문 Agent와 도구를 하나의 목표 아래 배치하고 조정하는 시스템 수준의 능력입니다. 복잡한 목표를 하위 작업으로 나누고, 각 작업에 적합한 구성 요소를 할당하며, 실행 상태와 실패 복구까지 관리하는 구조를 뜻합니다.

사용자와 AI가 한 번의 명령으로 끝나지 않고 대화를 이어가며 입력을 구체화하는 상호작용 방식입니다. Docs Live에서는 음성으로 아이디어를 말하면 AI가 문서 구조와 문맥을 유지한 초안을 함께 만들어갑니다.

정해진 명령어 대신 일상적인 문장으로 기기나 자동화를 조작하는 방식입니다. Uliya는 사용자의 음성 요청을 받아 조명과 블라인드를 제어하고 반려동물의 현재 위치 같은 상태 질문에도 응답하도록 설계됐습니다.

모델이 실행 결과를 스스로 모니터링하고 오류를 발견하여 수정하는 반복 과정이다. 이 루프가 발산하지 않고 정답으로 수렴하는 능력은 자율 에이전트 성능의 핵심 지표이다.

서로 다른 목적을 가진 에이전트들이 경쟁하거나 감시하게 하여 오류를 찾아내는 검증 방식이다. 코드를 작성하는 에이전트와 이를 파괴하거나 오류를 찾는 에이전트를 분리하여, 상호 독립적인 환경에서 시스템의 취약점과 엣지 케이스를 효과적으로 식별한다.

한 에이전트가 다른 에이전트의 결과물을 비판하고 오류를 찾는 역할을 수행하는 설계 방식이다. 이를 통해 논리적 허점을 사전에 파악하고 최종 출력물의 신뢰성과 품질을 크게 향상시킨다.

AI 에이전트가 복잡한 작업을 작은 단위로 계획하고 단계별로 실행하는 아키텍처. 전체 출력을 한 번에 생성하는 대신 작업 단위를 세분화하여 제어력을 높인다.

모델이 작업에 맞는 실행 골격을 만들고, 실패를 고치며, 실행 피드백으로 다음 골격을 개선하는 학습 능력입니다. JIT-Agent는 이를 적응성·신뢰성·진화 가능성으로 나누고, 고정된 모델 가중치 대신 모델과 하네스의 결합을 에이전트 성능의 중요한 단위로 취급합니다.

AI 시스템에 필요 이상으로 넓은 권한과 실행 능력을 부여해 조작된 지시가 실제 작업으로 이어지는 위험이다. 메모리, 도구, 파일, API 접근권과 다단계 실행 능력을 갖춘 에이전트에서 특히 심각한 보안 문제로 나타난다.

실존 인물의 말투나 반응을 모방하도록 만든 가상 복제물이다. 기사에서는 Jeff Bussgang의 디지털 복제본이 실제 인물의 AI 버전으로 등장해 발표를 평가하는 사례가 제시된다.

에이전트의 Context, Tool, 환경 상호작용을 관리하면서 각 요청을 적절한 서비스 등급이나 모델로 보내는 실행 계층입니다. 이 논문에서는 요청별 능력 요구량과 실행 결과를 기록해 학습 데이터 구성과 모델 평가에 활용합니다.

에이전트가 실행 중 입력과 중간 결과에 따라 작업 흐름의 가지 수와 반복 여부를 바꾸는 구조입니다. LangGraph의 Send는 하위 주제 수에 맞춰 병렬 branch를 만들고, 조건부 edge는 미완료 작업을 다시 순환시킵니다.

사용자 질의가 들어오면 LLM이 즉시 그래프 토폴로지를 생성하고 승인 게이트 검사 후 실행하는 흐름으로, 사전 수작업으로 토폴로지를 완성하지 않아도 작업 중에 구조가 발견되는 조사 업무에 적합하다.

테스트된 범위 안에서만 에이전트가 업무를 자동 처리하도록 제한하는 운영 방식입니다. 되돌릴 수 있는 실행 경계, 승인 절차, 오류 발생 시 사람에게 넘기는 조건을 둬 자율 실행의 위험을 통제합니다.

사용자의 추가 요청을 기다리지 않고 에이전트가 다음 작업을 스스로 만들고 수행하는 특성입니다. Codex의 Persistent mode에서는 과거 상호작용과 사용자 지식을 바탕으로 후속 과제를 정하고, 사용자에게 직접 메시지를 보낼 수 있지만 연락 횟수는 적게 유지하도록 제한합니다.