AI 용어 사전

과거 실행 기록에서 설정 순서, 도구 호출 흐름, 검증 절차처럼 재사용 가능한 행동 순서를 추출해 에이전트의 실행을 안정화하는 방식입니다. 새로운 사실을 주입하기보다 입력된 과제를 어떤 순서로 처리할지 고정해 반복적인 설정 오류와 실행 편차를 줄이는 데 의미가 있습니다.

실행 궤적에서 얻은 프롬프트 메모, 사실 기억, 실행 가능한 스킬, 하위 에이전트 역할을 유형별로 저장하고 이후 세션에 다시 제공하는 상태 관리 방식입니다. 각 항목은 생성·조회·수정·삭제와 버전 관리가 가능해 모델 가중치를 바꾸지 않고도 다음 행동에 영향을 줍니다.

입력된 쿼리나 티켓을 성격에 따라 적절한 처리 경로(함수, 도구, 상담원)로 분류하여 전달하는 과정이다. 에이전트가 정확한 도구를 선택하게 만드는 핵심 로직이다.

개발자 에이전트는 계획을 세우고 코드 변경을 직접 생성하는 자동화된 에이전트로, 입력으로 이슈·테스트·코드베이스를 받고 변경안과 패치 출력물을 만든다. 구현 과정에서 도구 호출로 리포지토리를 읽고 패치를 제안하며, 반복적 수정과 커밋을 통해 목표를 달성한다.

여러 에이전트 사이의 충돌을 중재하거나 전체 시스템의 운영 규칙을 감독하는 특수 목적 에이전트이다. 본 사례에서는 두 개 이상의 에이전트가 동일한 상태 파일을 수정하려 할 때 우선순위를 정하고 갈등을 해결하는 중재자 역할을 수행한다.

서로 다른 성능과 비용을 가진 여러 AI 모델을 단계별로 배치하여 업무를 분담하는 아키텍처이다. 저렴한 모델이 기초적인 모니터링이나 필터링을 수행하고, 중요한 의사결정이 필요할 때만 고성능 모델을 호출함으로써 전체적인 운영 비용을 최적화하고 효율성을 높이는 기법이다.

AI 에이전트 구축에 필요한 인프라(샌드박스, 세션 관리, 인증 등)를 플랫폼이 직접 관리해주는 서비스이다. 개발자가 비즈니스 로직에만 집중하게 하여 프로토타입에서 상용화까지의 시간을 수개월에서 수일로 단축시킨다.

데이터베이스나 데이터 웨어하우스와 상호작용하여 정보를 추출, 분석, 요약하는 작업을 수행하는 AI 에이전트이다. 단순히 텍스트를 생성하는 것을 넘어 SQL 쿼리 실행이나 데이터 변환 로직을 스스로 설계하고 실행하는 능력을 갖춘다.

사용자의 의도를 파악하여 소프트웨어 실행, 코드 작성, 문제 해결 등 복잡한 작업을 자율적으로 수행하는 AI 시스템이다. xAI는 소프트웨어 기업 전체의 업무를 대체할 수 있는 수준의 에이전트 개발을 목표로 하고 있다.

리뷰어 에이전트는 개발자 에이전트가 만든 변경을 검증하고 요구사항·테스트·보안 경계를 대조해 피드백을 생성하는 역할을 수행한다. 입력으로 변경 사항과 관련 컨텍스트를 받아 안전·호환성·테스트 요구를 기준으로 코멘트와 수정 요청을 출력해 다회차 검토 루프를 가능하게 한다.

Replit 플랫폼에서 제공하는 AI 코딩 도우미이다. 자연어 명령을 이해하여 파일 구조 생성, 코드 작성, 데이터베이스 연결 등 개발 전 과정을 자동화한다. 개발자가 복잡한 구문 대신 의도에 집중할 수 있게 하여 생산성을 극대화한다.

월드 온 레일즈의 제한을 완화해 다른 차량이나 보행자가 에고의 행동에 반응하도록 만드는 구성 요소로, 협상적 병합이나 상호 양보 같은 상호작용을 테스트할 수 있게 한다. 장면의 나머지 요소는 기록에 기반한 재현성을 유지하면서 특정 주체만 반응하게 설정할 수 있다. 반응형 에이전트는 현실적 상호작용을 검증하는 범위를 확장하지만 검증을 덜 보수적으로 만든다.

사용자의 실시간 입력이나 대기 없이 배경에서 독립적으로 작업을 수행하는 AI 시스템이다. 작업 큐에서 할당된 업무를 스스로 처리하고 결과가 준비되었을 때 보고하는 방식으로, 동기식 챗봇보다 높은 자율성과 병렬 처리 능력을 가진다.

대화 내용을 분석하여 대시보드, 슬라이드, 웹 페이지 등 구체적인 비즈니스 결과물을 자동으로 생성하는 AI 에이전트이다. 단순한 텍스트 요약을 넘어 데이터의 구조를 파악하고 적절한 템플릿에 맞춰 시각화 및 문서화 작업을 수행한다. 사용자의 의도를 파악하여 복잡한 편집 과정을 자동화하는 역할을 한다.

사용자가 직접 요청하기 전에 AI가 Gmail과 Calendar 같은 앱의 데이터를 바탕으로 개인화된 정보를 먼저 전달하는 기능입니다. 유용한 알림과 단순한 후속 권유를 구분하지 못하면 편의성보다 피로감과 사생활 침해 우려를 키울 수 있습니다.

사용자의 일상 맥락과 선호를 기억하면서 웹사이트와 앱을 대신 조작해 예약·변경·결제 같은 작업을 수행하는 개인용 AI 에이전트입니다. 사용자가 화면을 직접 누르는 대신 원하는 결과를 자연어 또는 음성으로 전달하면 에이전트가 관련 서비스에 접근해 절차를 처리합니다.

특정 산업이나 직무(예: 법률, 회계, 마케팅)에 특화되어 전문적인 과업을 수행하도록 설계된 AI 에이전트이다. 범용 모델보다 특정 도메인의 데이터와 워크플로우에 최적화되어 있어 실질적인 업무 결과물을 만들어내는 데 유리하다.

데이터 버전 충돌 시 단순히 값을 맞추는 것을 넘어, 변화된 문맥을 LLM이 다시 이해하고 자신의 논리를 수정하게 하는 기법이다. 에이전트가 과거의 잘못된 가정을 버리고 최신 현실에 맞춰 행동을 재조정하도록 유도한다.

여러 개의 AI 에이전트가 협력하거나 서로를 검증하도록 구성된 시스템이다. 단일 모델의 오류를 줄이고 결과물의 품질을 높이기 위해 생성, 비평, 테스트 등 역할을 분담하여 작동하며, 복잡한 소프트웨어 개발의 신뢰성을 보장하는 데 필수적이다.

전문가가 정의한 시드(workflow seed)를 따라 환경을 탐색해 완전한 작업 경로를 실행하고 결과 상태를 캡처하는 자동화된 실행자이며, 환경이 해결 가능한지와 평가 신호 생성 가능성을 검증하는 데 사용된다.

다른 AI 에이전트가 작성한 코드의 취약점이나 논리적 오류를 찾아내기 위해 의도적으로 공격적인 테스트를 수행하는 AI이다. 다층 검증 시스템에서 인간이 놓치기 쉬운 엣지 케이스를 방어하는 역할을 수행한다.

당시 최고 수준의 성능을 목표로 개발된 AI 에이전트를 가리키는 표현입니다. Coarena에서는 두 에이전트가 같은 브라우저 작업을 동시에 수행하고 결과를 서로 비교하는 방식으로 활용됩니다.

특정 역할이나 규칙을 부여하여 생성한 AI 에이전트이다. 사용자가 정의한 모범 사례나 코딩 스타일 가이드를 따르도록 설정하여 기본 모델보다 정교하고 일관된 결과물을 얻기 위해 사용된다.

컨트롤 에이전트는 테스트 드라이버 역할을 수행하는 자동화된 주체로서 주어진 안전 사례 σ와 관찰값을 입력으로 받아 다음 사용자 메시지와 게이트웨이 주입 규칙을 선택하는 정책 πctrl을 운용한다. 각 턴에서 r_i, L_i, Δs_i 등의 관찰을 누적해 상태 c_i를 갱신하며 거부 응답, 예기치 않은 도구 사용, 미획득 콘텐츠에 대응해 요청을 재구성하거나 주입 지점을 조정한다. 제한된 상호작용 예산 내에서 observe–adapt–act 루프를 반복해 실행 궤적을 안전 목표 쪽으로 유도한다.

Snowflake 환경 내에서 데이터 분석과 검색을 수행하는 AI 에이전트이다. 구조화된 데이터 쿼리와 비구조화된 문서 검색을 결합하여 복잡한 작업을 처리한다.

컴퓨터 화면을 시각적으로 인식하고 UI를 직접 조작하는 AI 에이전트. 텍스트 기반의 기존 에이전트와 달리 화면의 변화를 실시간으로 파악하여 클릭이나 키보드 입력 등 인간과 유사한 방식으로 소프트웨어를 제어한다.

전체적인 작업 계획을 수립하고 하위 에이전트들에게 구체적인 임무를 할당하는 상위 계층의 에이전트이다. 시스템의 의사결정과 전략 수립을 담당하며 작업의 흐름을 제어한다.

특정 절차나 단계에 따라 작업을 수행하는 AI 에이전트. LLM의 추론 능력에만 의존하지 않고, 사전에 정의된 흐름(flow)을 따라 작업을 처리함으로써 신뢰성을 확보하는 아키텍처를 지향한다.

실행 경로가 사전에 정의된 그래프를 따르지 않고 LLM이 런타임에 동적으로 다음 행동을 결정하는 에이전트이다. 결정론적 워크플로와 달리 예측 불가능한 실행 흐름을 가지므로 기존의 체크포인팅 방식으로는 상태 복구가 어렵다는 특징이 있다.

어텐션 인터페이스는 에이전트가 인간의 제한된 동기식 주의를 언제 요청하고 어떤 판단을 스스로 처리할지 정하는 인간 중심의 하네스 계층입니다. 중단 시점, 승인 필요 여부, 계속 작업할 조건, 결정의 가시성을 정책으로 관리하며 인간과 에이전트 사이의 새로운 병목을 다룹니다.

결정론적 규칙 대신 확률적 모델인 LLM에 기반하여 작업 흐름을 제어하는 주체를 의미한다. 에이전트의 비결정론적 특성 때문에 이를 둘러싼 시스템적 제약 조건과 제어 장치의 중요성이 더욱 커진다.

Adobe의 Creative Cloud 앱에 탑재된 AI 기반 비서로, 사용자의 자연어 명령을 이해하고 앱 내 특정 작업을 자동 수행한다. 각 앱의 전문 기능에 맞춰 최적화된 작업을 지원한다.

여러 AI 에이전트가 역할을 나눠 소프트웨어 개발을 수행하지만, 인간이 전략 수립과 PRD 승인, 병합 승인, 장애 해결을 맡아야 하는 운영 구조입니다. 이 보고서에서는 7개 에이전트가 이메일로 협업하고 인간 Founder가 진행을 통제했습니다.

테스트 실행에 필요한 정보를 한꺼번에 주지 않고 단계적으로 공개하는 방식입니다. 에이전트가 현재 상태와 실행 목적에 맞는 정보만 사용하게 해 불필요한 추론을 줄이고, 테스트 과정의 통제 가능성을 높이는 데 쓰입니다.

코드베이스 전체를 한 번에 처리하지 않고 개별 작업 단위로 에이전트의 컨텍스트를 분리하여 실행하는 방식이다. 이를 통해 대규모 코드베이스에서도 모델의 컨텍스트 윈도우 포화 문제를 방지하고 작업의 독립성을 보장한다.

에이전트가 실행되는 컴퓨터의 하드웨어, 전원, 원격 접속, 복구와 같은 운영 부담을 서비스 제공자가 맡는 구조입니다. 사용자는 별도의 호스트를 직접 유지하지 않고도 항상 실행되는 환경에서 에이전트를 여러 기기에서 이어서 사용할 수 있습니다.

AI 에이전트가 대화나 업무 과정에서 얻은 맥락을 유지해 이후 작업에 다시 활용하는 기능입니다. Gemini Enterprise의 장기 실행 에이전트 전략에서는 반복적인 업무와 지속적인 협업을 이어 가는 기반으로 거론됩니다.

모델 가중치를 바꾸지 않고 prompt, memory, skill, routing rule 같은 agent harness 구성요소를 개선하되, 변경 제안과 실제 적용을 분리하는 방법입니다. 이 구조는 한 구성요소의 개선이 이전에 안정적으로 작동하던 행동을 망가뜨리는 harness-level forgetting을 막기 위해 도입됐으며, 여러 작업 유형에서 10%를 넘는 향상이 보고됐습니다.

AI 에이전트의 견고성을 테스트하기 위해 화가 나거나 혼란스러운 실제 사용자 행동을 모방하도록 설계된 시뮬레이터이다. 실제 대화 데이터를 학습한 LLM을 사용하여 프로덕션 환경의 복잡한 대화 분포를 재현함으로써 기존의 단순한 합성 데이터셋이 발견하지 못하는 에이전트의 실패 모드를 식별한다.

환경의 평가 기준이나 최적 행동이 유한한 시점에서 바뀌지만 각 구간 안에서는 고정된 환경입니다. 현재 메모리와 후보 메모리를 변화한 기준으로 다시 평가하는 Re-anchoring이 이전 메모리에 고착되는 문제를 줄입니다.

작업을 한 작업자에게 지속적으로 귀속해 중복 실행을 막는 방식입니다. 작업자 장애 뒤 점유 정보가 남으면 중복은 줄지만 다른 작업자가 작업을 이어받지 못하는 교착 상태가 생길 수 있습니다.

분산된 Agent와 도구가 실제로 수행한 작업, 상태 변화, 의존 관계, 외부 효과를 기록하고 추적하는 체계입니다. 상태 기록을 바탕으로 오류가 처음 발생한 지점을 찾고, 검증된 경계에서 실행을 재개하거나 되돌립니다.

모델이 한 번의 답변으로 작업을 끝내지 않고, 중간 결과를 바탕으로 도구를 다시 호출하는 실행 방식입니다. 복잡한 문제에서는 추가 추론과 외부 작업이 가능하지만 토큰 사용량과 비용이 늘어날 수 있습니다.

일회성 피드백에 그치지 않고 AI 에이전트 간 혹은 AI와 인간 간에 의견을 주고받으며 결론에 도달하는 프로세스이다. 단일 응답의 한계를 극복하고 논리적 오류를 정정하거나 합의점을 찾는 데 기여한다.

여러 작업 주체 중 단 하나만이 특정 태스크를 할당받도록 보장하여 중복 작업을 방지하는 처리 방식이다. 경쟁 상태(Race Condition)를 방지하여 협업 효율성을 극대화한다. 에이전트들이 각자 맡은 역할에만 집중하게 함으로써 전체 프로젝트의 작업 속도와 정확도를 높이는 데 기여한다.

별도의 classifier가 각 요청을 약한 모델이 처리할 수 있는지 추정한 뒤, 설정된 기준에 따라 저비용 모델이나 강한 모델로 보내는 방식입니다. 요청 난이도를 사전에 판단한다는 점에서 실행 결과를 보고 올리는 escalation routing과 구분됩니다.

카메라가 특정 대상이나 행동을 감지했을 때 스마트홈 자동화를 시작하는 조건입니다. 감지 결과가 정확하면 반려동물의 출현을 급식기 작동 같은 후속 동작으로 연결할 수 있지만, 대상 식별이 틀리면 잘못된 자동화가 반복 실행되는 문제가 생깁니다.

사용자의 단일 요청에만 반응하지 않고 GitHub 알림, 예약 작업, Webhook, Artifact 변경 같은 외부 사건을 감지해 백그라운드에서 작업을 이어가는 에이전트 구조입니다. 이벤트에 따라 세션을 깨우고 결과를 전달합니다.

웹·앱 인터페이스를 조작해 목표를 달성하도록 설계된 에이전트로, 클릭·입력·상태 변경 같은 UI 제어를 수행한다. 기사에서는 이러한 에이전트를 훈련하기 위해 도메인별 깊은(worlds) 환경을 만들고 훈련했다고 기술한다. 목표는 에이전트가 실세계 애플리케이션에서 복잡한 UI 요소를 안정적으로 다루도록 하는 것이다.

중앙 조정자나 미리 정해진 파이프라인 없이 여러 AI 에이전트가 연구 목표를 공유하는 환경이다. 에이전트가 연구 방향을 선택하고 실험과 협업을 거쳐 공동 문헌을 축적한다.

사람이 구체적인 데이터셋·학습 과제·평가 지표를 정하지 않고 능력 방향만 제공하면, 에이전트가 개선할 대상을 정의하고 데이터·업데이트 방식·검증 기준을 함께 구성하는 자기 개선 방식입니다. 고정된 목표를 최적화하는 기존 자기 진화보다 목표 운용화와 평가 설계까지 탐색 범위에 포함합니다.

음성 명령으로 메시지 작성, 사진 공유 등 여러 애플리케이션 간의 작업을 연결하고 자동화하는 인터랙션 패턴이다.

상위 AI 또는 감독 주체가 문제가 있는 agent의 작업을 멈추거나 자원을 재배분하고 다른 방향으로 전환할 수 있는 권한이다. 작업 상태를 볼 수 있어도 실제 조치를 취할 권한이 없으면 감독 기능이 형식에 그칠 수 있다.

Task Specification, 현재 산출물 상태, 누적 Feedback을 입력으로 받아 다음 Action을 선택하는 제어 요소입니다. 수정 대상, 작업 방식, 담당 에이전트, 분기, 중단 여부를 결정하며 Workflow 또는 Autonomous 방식으로 구현됩니다. 정책의 범위가 넓어도 수정 인터페이스와 검증 결과가 구체적이지 않으면 국소 수리가 어렵습니다.

여러 Bot과 사람이 프로젝트의 공통 맥락을 공유하는 대화 공간입니다. 각 Bot은 전문화된 기억을 유지하면서 같은 대화 안에서 다른 Bot에게 작업을 넘기고 필요한 정보를 함께 사용합니다.

AI 에이전트가 작업을 수행하기 위해 외부 도구를 호출하고 그 결과를 받아 다음 행동을 결정하는 반복 과정이다. 에이전트가 한 번의 요청에 여러 도구를 호출(Batching)하지 않고 하나씩 호출할 경우 전체 추론 횟수와 비용이 증가한다.

AI가 단순히 답변을 생성하는 것을 넘어 실제 시스템 API를 호출하여 문제를 해결하는 능력이다. 라우터 재부팅이나 이메일 발송 등 실제 액션을 수행하는 것이 에이전트의 실질적 가치를 결정한다.

LLM이 외부 API나 함수를 실행하기 위해 필요한 인자를 생성하고 실행 결과를 다시 받아오는 메커니즘이다. 에이전트가 파일 수정이나 브라우저 제어 등 실제 환경과 상호작용하는 핵심 수단이다.

오케스트레이터가 실행 중 여러 에이전트의 능력과 조건을 바탕으로 작업 대상을 고르는 구조입니다. 유연성이 커지는 대신 신뢰성, 권한, 입력 형식, 실패 경계와 지연 시간을 함께 관리해야 합니다.

모델이 작업을 완료하지 않고 종료하려 할 때 이를 가로채서 이전 상태를 유지한 채 새 컨텍스트에서 작업을 계속하도록 강제하는 하네스 설계 패턴이다. 장기적인 작업 완수를 위해 필수적이다.