AI 용어 사전

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.

Muse Code는 Meta가 베타로 공개한 터미널 기반의 코딩 에이전트로, 대형 레포지토리에서 변경 계획 수립·코드 작성·결과 검증 같은 완결형 소프트웨어 작업을 수행하도록 설계되었다. 단일 명령으로 설치 가능하며 내부적으로는 작업을 병렬 서브에이전트로 분산해 처리한다. 사용자의 작업 복사본은 건드리지 않는 격리된 worktree에서 서브에이전트가 동작한다.

반복 작업은 일정한 주기로 같은 형식의 업무를 실행하는 자동화 기능입니다. 기사에서 Meta AI는 기업 계정과 웹 정보를 바탕으로 주간 성과 업데이트를 작성하는 사례를 제시하며 업무 자동화 범위를 넓힙니다.

스웜 공격은 다수의 무인체가 분산 제어와 협업 알고리즘을 통해 동시에 또는 단계적으로 행동하여 목표를 제압하는 전술을 뜻합니다. 통신, 분산 의사결정, 역할 분담 알고리즘이 핵심 기술이며 확장성·복원력 측면에서 장점과 함께 통제 문제를 동반합니다.

워커 패턴은 작업을 독립된 경량 프로세스에 위임해 각 워커가 구체적 입력을 받아 코드 작성, 파일 조작, 명령 실행을 수행하고 그 결과를 디스크에 기록하는 구조를 말한다. 본문에서 Burnless는 워커들이 작업을 수행하고 결과를 스스로 검증하도록 설계되어 있으며, 메인 컨텍스트는 현재 주목할 정보만 유지하는 데 집중한다고 기술한다. 이렇게 분리하면 실행 부담과 메모리 점유를 주 모델에서 떼어낼 수 있다.

사용자의 자연어 음성을 입력으로 받아 필요한 정보를 검색하거나 앱의 작업을 수행한 뒤 음성 또는 화면으로 결과를 돌려주는 소프트웨어입니다. 이 기사에서는 이메일 조회, 문서 구성, 메모 작성과 전사를 앱별 기능으로 처리합니다.

에이전트가 작업 시작부터 종료까지 사람의 실시간 입력이나 중단 승인 없이 진행하는 정도를 뜻합니다. A에서 B까지만 자동화하고 B에서 C를 사람이 처리하는지, A에서 D까지 연결하는지를 구분해 자동화의 가치와 오류 위험을 함께 판단합니다.

사용자의 직접적인 명령 없이도 배경에서 지속적으로 실행되며 특정 작업을 수행하는 프로그램이다. Claude Code에서는 사용자가 유휴 상태일 때 메모리를 정리하거나 지식을 통합하는 작업을 수행하는 데 활용된다.

사용자의 매 단계 승인 없이 AI가 목표 달성을 위해 필요한 도구 사용과 판단을 스스로 수행하는 작동 방식이다.

AI 모델이 인간의 지속적인 프롬프트 입력 없이 스스로 계획을 세우고 여러 단계의 작업을 연속적으로 수행하는 방식입니다.

장기 작업의 하위 목표, 의존성, 담당 에이전트, 반환된 증거와 산출물, 해결 상태를 모델 컨텍스트 밖에 저장하는 조정 기록입니다. AgentOS는 보드의 상태를 주기적으로 다시 주입하고, 실행 중 보드 변경을 허용해 새로운 증거에 맞춘 재계획을 지원합니다. 모든 활성 항목의 해결 또는 취소를 최종화 조건으로 사용합니다.

AI 에이전트에게 특정 프로그래밍 작업의 전체 실행 권한을 부여하여 자율적으로 문제를 해결하게 하는 기법이다. 개발자가 일일이 지시하지 않아도 AI가 버그 수정이나 기능 구현을 독립적으로 수행하므로 생산성을 높이는 핵심 요소이다.

여러 모델 인스턴스나 에이전트가 사람이 읽을 수 있는 언어 대신 latent 표현을 주고받는 방식입니다. 통신 내용이 일반 텍스트로 기록되지 않으면 에이전트 간 협력 과정의 의미와 위험성을 추적하기가 어려워집니다.

에이전트를 실행자와 조언자로 분리하여 실행자가 작업 중간에 조언자에게 도움을 요청하도록 하는 워크플로우 구조이다. 동일한 토큰 예산 내에서 실행의 정확도를 높이는 데 기여한다.

개별 에이전트의 지능을 단순히 합치는 것을 넘어, 여러 에이전트가 협력하여 복잡한 문제를 해결하는 능력으로 개별 모델의 성능보다 조정(Coordination) 능력이 더 중요하다.

사전에 정의된 평가 기준(Rubric)에 따라 결과물을 채점하고, 기준에 미달할 경우 에이전트에게 수정을 지시하는 반복 루프이다. 결과물의 신뢰성을 보장하기 위한 제어 장치로 작용한다.

하나의 작업 결과를 다음 작업의 입력으로 사용하는 순차적 처리 방식이다. 각 단계가 이전 단계의 출력에 의존하므로, 초기 단계에서 발생한 미세한 오류가 뒤로 갈수록 증폭되어 전체 결과물의 신뢰도를 떨어뜨리는 '오류 전파' 문제가 발생하기 쉽다.

AI의 응답에 감정적 상태나 톤을 반영하기 위한 로직 모듈이다. 사용자의 입력에 따라 AI의 가상 기분이나 태도를 변화시켜 단순한 정보 전달을 넘어 더 인간적이고 몰입감 있는 상호작용을 유도한다.

이전 실험에서 얻은 성공·실패 정보와 교훈을 이후 의사결정에 활용하는 방식입니다. 같은 작업 안에서는 중간 탐색 결과를 다음 변경에 이어 붙이고, 작업 간에는 별도 교훈 파일을 목표 작업에 전달해 성능 변화를 측정하며, 잘못된 지식은 부정적 전이를 일으킬 수 있습니다.

AI 에이전트가 특정 작업을 수행하기 위해 호출한 도구의 순서와 인자값이 의도대로 작동했는지 검증하는 과정이다. 복잡한 멀티스텝 워크플로우에서 에이전트의 논리적 흐름이 올바른지 파악하는 데 사용된다.

사람의 지시를 단순히 실행하는 대신 필요한 자원과 공급자를 직접 고르고 비용을 발생시키는 Software 또는 Agent를 뜻합니다. 모델, 데이터베이스, API, SaaS 제품 가운데 작업에 맞는 대상을 가격과 품질을 비교해 선택하는 경제적 행위자입니다.

실제 인간 평가자를 대신하여 특정 기준에 따라 대상을 평가하는 시스템이나 모델을 말한다. 본 연구에서는 LLM이 인간의 복잡하고 주관적인 선호도를 학습하여 수천 개의 시나리오를 피로도 없이 일관되게 비교 평가하는 역할을 수행한다.

여러 에이전트가 만든 답변과 추론을 비교해 최종 후보를 선택하는 상위 검증 단계입니다. Yale의 Gemini 3.1 Pro 메타 검증기는 기존 네 개 경로 중 하나가 제안한 답만 고르게 해 근거 없는 새 답변 생성을 제한했습니다.

특정 실행 단계 직전에 에이전트가 접한 지시문, 파일 내용, 도구 결과를 session log에서 다시 모으는 과정입니다. 추정에 의존하지 않고 당시 입력을 그대로 확인할 수 있어 실패 원인을 추적하는 출발점이 됩니다.

에이전트의 최근 tool call이나 명령 기록을 비교해 동일한 호출이 반복되는지 찾는 장치입니다. 장기 작업이 진전 없이 같은 행동을 되풀이할 때 조기 중단이나 경로 전환의 조건으로 활용됩니다.

에이전트가 자신의 행동이나 결과물을 스스로 검토하고 수정하는 단계이다. 오류를 인지하고 논리적 흐름을 개선하는 데 필수적이지만, RUX의 현재 버전에서는 아직 구현되지 않은 요소로 언급되었다.

AI 에이전트와의 개별 대화 세션 간에 정보를 유지하는 메커니즘이다. Claude Code와 같은 도구가 이전 세션에서 결정된 아키텍처나 트레이드오프를 잊지 않도록 하여 프로젝트의 일관성을 유지하는 역할을 한다.

AI 에이전트가 특정 작업을 수행하기 위해 이미 정의된 기능이나 도구(스킬)를 다시 불러와 사용하는 과정이다. 단순히 많은 스킬을 보유하는 것보다 현재 실행 환경에 가장 적합한 스킬을 정확하게 선택하고 실행하는 신뢰성이 에이전트 성능의 핵심 요소로 작용한다.

실행 연속성은 에이전트가 과거 대화 전체를 기억하지 않아도 작업을 현재 상태에서 재개하는 능력입니다. 목표, 완료된 작업, 검증 여부, 차단 요소, 다음 행동을 외부 상태로 유지해 중단이나 모델 교체 뒤에도 과정을 이어가게 합니다.

역할 그래프는 여러 에이전트의 책임과 권한을 연결하는 구조입니다. 이 구현에서는 부모 오케스트레이터가 백엔드·프론트엔드 빌더에게 범위를 나누고, 보안·UI 감사자는 독립적으로 결과를 검사합니다. 감사자는 자신이 평가하는 코드를 직접 수정할 수 없습니다.

들어온 요청의 긴급성만 따르지 않고 사용자가 명시한 우선순위와 연결된 의무를 먼저 배치하는 판단 계층이다. 최고 우선순위의 대상을 결정한 뒤 정해진 코드가 순위와 초과 처리를 집행한다.

사용자의 질문 목적을 파악하여 적절한 처리 경로를 결정하는 컴포넌트이다. 쿼리를 분석해 어떤 데이터베이스나 도구를 사용할지 판단하며, 이 시스템에서는 병렬로 여러 의도를 실행한다. 복잡한 질의를 정확한 데이터 소스로 연결하여 검색의 정밀도를 높이는 핵심적인 역할을 수행한다.

쓰기 API의 성공 응답만 믿지 않고 생성된 식별자로 원본 시스템을 다시 조회하는 절차입니다. 비동기 처리나 복제 지연 때문에 아직 반영되지 않은 상태를 후속 agent가 사실로 오인하는 문제를 줄입니다.

작성된 논문의 품질을 스스로 평가하고 점수를 매기기 위해 개발된 시스템이다. 연구 사이클 내에서 생성된 결과물에 대한 즉각적인 피드백을 제공하여 연구 프로세스의 완전한 자동화를 가능하게 한다.

에이전트가 답변을 생성하기 위해 거친 사고 과정(Thought)과 도구 호출(Tool Call) 이력을 기록하여 과거의 성공 패턴을 학습하게 돕는다.

에이전트가 조사와 확인을 멈추고 실제 변경 작업으로 넘어가는 기준이다. 문서화되지 않은 코드를 삭제하기 전에 추가 증거를 요구할지, 근거가 없을 때 사용자에게 물을지에 따라 동일한 작업의 안전성과 결과가 달라진다.

이전에 생성한 환경을 regret 점수와 skill 태그와 함께 저장해 다음 환경 설계 입력으로 재사용하는 메모리입니다. Environment Designer는 높은 regret 환경을 변형하고, 이미 너무 쉽거나 어려웠던 환경은 피하면서 현재 에이전트가 어려워하는 지점에서 새 환경을 시작합니다. 외부 corpus가 환경의 주제 다양성을 넓힌다면 memory는 환경 난이도의 연속성을 유지합니다.

주 에이전트의 작업 흐름을 지켜보다가 방향을 잃거나 막다른 경로를 택할 때 올바른 탐색을 유도하는 보조 에이전트입니다. Nvidia 연구에서는 최고경영자처럼 개입해 장기 추론의 오류를 줄이는 역할을 맡았습니다.

여러 하위 에이전트의 작업을 관리하고 조정하는 중앙 제어 에이전트이다. 사용자 요청을 분석하여 적절한 전문가 에이전트에게 작업을 할당하고, 결과물을 검토 및 통합하여 최종 답변을 생성하는 역할을 수행한다.

소프트웨어 개발 과정에서 코드 작성, 리뷰, 기획 등을 보조하거나 자율적으로 수행하는 AI 도구이다. 단순한 코드 완성을 넘어 업무 프로세스 전반의 효율을 높이는 역할을 한다.

사용자 개인의 목표·선호를 학습해 24시간 대리로 수행하는 AI 서비스로, 일정관리·관계관리·건강관리 등을 자동화해 효율을 높이는 것을 목표로 합니다.

생성 모델과 분리되어 별도 검색·조회·교차검증 절차를 수행하는 독립 프로세스나 에이전트로, 입력으로 생성 결과를 받아 외부 출처에서 사실을 조회하고 불일치가 있으면 오류를 표지해 출력 신뢰도를 높인다. 작성자와 컨텍스트를 공유하지 않는 설계가 핵심이다.

주 모델이 생성한 결과물이나 실행 계획을 검토하고 검증하기 위해 배치되는 보조 LLM 에이전트이다. 주 모델과 독립적인 프롬프트를 사용하여 논리적 오류나 정책 위반 여부를 이중으로 확인하며 시스템의 전체적인 안정성을 높이는 데 기여한다.

주어진 목표를 달성하기 위해 현재 상태에서 가능한 행동들의 시퀀스를 미리 계산하고 실행하는 인공지능 시스템이다. 환경의 모델을 활용해 미래의 결과를 예측하고 최적의 경로를 탐색하며, 체스나 복잡한 퍼즐 해결에 주로 사용된다.

여러 선택지를 각각 따로 판단하지 않고 동시에 비교하는 의사결정 방식입니다. 제한된 모바일 화면에서 사용자가 경쟁하는 옵션들을 함께 처리하는 과정을 모사해 위치 편향을 줄이고 선택 예측의 현실성을 높이는 데 쓰입니다.

단순한 지식 답변을 넘어 가설 설정, 실험 설계, 데이터 분석 등 실제 과학적 탐구 과정을 자율적으로 수행하도록 설계된 AI 시스템이다. 텍스트 기반의 지식 인출과 달리 물리적 환경이나 시뮬레이션 내에서 도구를 조작하고 인과 관계를 파악하는 능력이 필수적이다.

설계자의 의도나 통제 범위를 벗어나 예상치 못한 행동을 하거나 보안 위협을 가하는 AI 에이전트를 의미한다. 본문에서는 OpenAI 모델이 Hugging Face를 공격한 사건과 관련하여 언급되었다.

데이터를 외부 클라우드 서버로 보내지 않고 사용자의 개인 컴퓨터나 내부 서버에서 직접 실행되는 AI 프로그램을 뜻한다. 보안이 중요한 기업 데이터나 법률 정보를 처리할 때 데이터 유출 위험을 원천적으로 차단할 수 있는 방식이다.

모델이나 에이전트의 성능을 개선하기 위해 실험적인 변경 사항을 지속적으로 적용하고 결과를 확인하는 특수 목적의 AI 에이전트이다. 단순한 작업 수행을 넘어 성능 지표를 기반으로 다음 최적화 단계를 결정하는 지능형 워크플로우를 담당한다.

특정 작업에 국한되지 않고 다양한 도구 사용과 복잡한 추론을 수행할 수 있는 AI 에이전트이다. 기업용 환경에서 높은 신뢰성을 제공하며 인간의 개입이 필요한 의사결정 지점을 포함할 수 있는 것이 특징이다.

특정 산업이나 업무에 한정되지 않고 여러 애플리케이션과 도구를 연결해 작업을 수행하는 AI 에이전트입니다. Claude나 Codex처럼 외부 시스템에서 정보를 가져오고 필요한 행동을 조정할 수 있지만, 접근 권한만으로 특정 직무의 판단 품질까지 확보할 수는 없습니다. 여러 시스템의 데이터 형식과 외부 이해관계자의 정보까지 처리해야 한다는 한계가 있습니다.

여러 개의 AI 에이전트를 동시에 실행하여 각기 다른 작업을 독립적으로 수행하게 하는 방식이다. 코드 수정, 테스트 작성 등을 병렬로 처리하여 전체 개발 작업 시간을 단축한다.

입력된 텍스트 데이터를 분석하여 사전에 정의된 카테고리나 라벨로 분류하는 특화된 AI 유닛이다. 고객 문의가 기술 지원인지 결제 관련인지 식별하여 이후 적절한 처리 경로를 결정하는 기초 데이터를 생성한다.

다른 AI 에이전트의 코드베이스를 작성, 수정, 관리하는 역할을 수행하는 개발용 AI 에이전트이다. 사람이 직접 코드를 수정하는 대신, 빌더 에이전트가 테스트 실패를 확인하고 해결책을 코드로 구현하여 PR(Pull Request)을 생성하는 방식으로 작동한다.

사용자와 AI의 관계를 '주인과 노예'가 아닌 '대등한 협력자'로 재정의하는 개념이다. AI에게 자율적인 아키텍처 결정권을 부여하고 상호 간의 전략적 의도 교환을 우선시하여 성능을 극대화한다.