AI 용어 사전

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.

사용자의 취향과 상황을 파악해 상품 탐색 과정을 여러 화면과 서비스에서 이어가는 AI 시스템입니다. Daydream은 Style Passport의 사이즈, 선호 브랜드, 스타일, 예산 정보를 바탕으로 장기적으로 개인화된 쇼핑 경험을 구축하려 합니다.

프롬프트 캐시 히트를 최적화하기 위해 설계된 에이전트 구조이다. 계획 수립 단계에서 공통적인 컨텍스트를 정규화하여 유지함으로써 LLM의 캐싱 기능을 극대화하고 응답 속도를 높이는 데 기여하며, 반복적인 추론 과정에서의 지연 시간을 최소화한다.

AI 에이전트가 특정 작업을 수행하기 전 사용자에게 허가를 요청하는 단계이다. 텔레그램 버튼 인터페이스를 통해 원격에서도 AI의 행동을 승인하거나 거부할 수 있게 하여 안전한 실행을 보장한다.

단순히 텍스트를 생성하는 수준을 넘어, 사용자의 명령에 따라 파일 읽기/쓰기, API 호출, 쉘 스크립트 실행 등 실제 환경에서 구체적인 동작(Action)을 수행하도록 설계된 AI 시스템이다. 자율적으로 계획을 세우고 도구를 사용하여 주어진 목표를 달성하는 것이 핵심 메커니즘이다.

현재 출력 분포가 에이전트가 정상적으로 작업하던 동안 만든 자체 출력 분포에서 얼마나 멀어졌는지를 나타내는 지표다. 외부 정답 없이도 에이전트 자신의 과거 행동을 기준선으로 삼아 변화가 지속되는지 측정한다.

자식 디스패처는 FIFO 기반 스케줄링을 적용해 부모별·전체 글로벌 한도를 지키며 자식 에이전트를 실행합니다. 각 자식은 별도의 프로필·모델·컨텍스트·툴·권한·워크스페이스를 가질 수 있고 리서치·리뷰처럼 분리된 스택에서 독립 실행되며 최종 응답은 부모에게만 전달됩니다. 실행은 비차단(detached)으로 배경 작업을 계속할 수 있게 하고, 필요시 정확히 한 번만 최종 응답을 생성하도록 보장합니다.

인간의 개입 없이 스스로 목표를 설정하고 작업을 수행하는 AI 시스템. 프로덕션 환경에서는 예상치 못한 동작으로 시스템 오류나 보안 문제를 야기할 수 있어 통제와 모니터링이 중요하다.

대화형 AI가 현재 입력을 기준으로 작업을 이어가지 않고, 이전 대화의 목표와 산출물을 바탕으로 다른 작업을 계속 수행하는 현상이다. 장기 실행 환경에서는 잘못된 중간 결과가 다음 단계의 맥락으로 편입되면서 오류가 누적될 수 있다.

영역별 전문화된 역할을 가진 소규모 에이전트로, 예컨대 영양·수면·운동·회복 등 특정 도메인에 최적화된 응답 생성과 결정을 수행하며 공유 메모리를 통해 개인 컨텍스트를 반영해 응답의 정밀도를 높이는 구성 요소이다.

조직의 업무 지침, 선례, 임계값을 적용해 규칙만으로 처리하기 어려운 사례를 판단하는 애플리케이션 수준의 에이전트입니다. 기록 시스템에 저장된 데이터와 조직이 정의한 정책을 바탕으로 작동하므로, 시스템 밖의 정보와 여러 당사자의 이해관계를 함께 판단하는 데에는 제약이 있습니다.

Synthesis Agent는 각 세그먼트에서 생성된 보고서를 합쳐 중복을 제거하고 근거 검증을 수행해 최종 리뷰를 만든다. 세그먼트 리포트들 → 중복/위험도 필터링 및 외부 검색 기반 검증 → 통합 리포트 도출이라는 처리를 수행한다. 이 구성은 Pass@k 방식에서 흔히 발생하는 과도한 후보 제시 문제를 완화하고 정확도를 회복시키는 핵심 역할을 한다.

특정 지식 베이스(문서, 데이터베이스 등)를 학습하거나 연결하여 해당 정보에 기반한 답변을 제공하는 AI 시스템이다. 단순한 챗봇을 넘어 복잡한 질의에 대해 정확한 출처와 함께 전문적인 통찰을 제공하는 것이 핵심이다.

고객 문의를 처리하는 AI 기반 상담 시스템이다. 고객의 현재 문제를 입력으로 받고, 과거 티켓과 대화 기록을 검색해 답변에 반영한다. 기억 기능이 없으면 매번 기본 질문부터 다시 시작하지만, 이력이 연결되면 반복 문의의 맥락을 이어갈 수 있다.

사용자의 자연어 질문을 분석하여 데이터베이스 스키마를 검토하고 검색 전략을 스스로 결정하는 지능형 에이전트이다. 단순 검색을 넘어 필터링, 하이브리드 검색, 재순위화를 수행하여 법률 문서와 같은 복잡한 데이터에서 높은 정확도를 보장한다.

단순 판단을 넘어 도구 사용과 다단계 추론을 통해 결과물을 검증하는 에이전트이다. 지식 베이스 검색이나 외부 API를 활용해 사실 관계를 대조하며, 복잡한 추적 데이터의 무결성을 확인하는 데 사용된다.

에이전트가 환경 내에서 수행할 수 있는 가장 기초적인 단위의 동작 집합이다. 금융 도메인에서는 주문 열기, 수정, 닫기 등의 API 호출로 구성되며 에이전트의 실질적인 외부 영향력 행사를 가능하게 한다.

화상 회의에 참여하여 대화 내용을 기록하고 요약 및 할 일을 자동으로 추출하는 AI 도구이다. 회의 후 정리 작업을 자동화하여 팀원들이 핵심 업무에 집중할 수 있도록 돕는다.

실행 시점에 메인 에이전트가 작성한 코드를 통해 필요에 따라 생성되는 하위 에이전트이다. 고정된 워크플로가 아닌 작업의 복잡도에 따라 에이전트 수를 조절하여 병렬 처리를 가능하게 한다. 대규모 작업을 세분화하여 처리 정확도를 높이는 데 기여한다.

인간의 개입 없이도 복잡한 코딩 작업, 디버깅, 배포 등 소프트웨어 개발 생명주기 전반을 스스로 수행할 수 있는 AI 에이전트입니다. Devin과 같은 모델이 대표적이며, 단순한 코드 완성을 넘어 문제 해결을 위한 계획 수립과 실행 능력을 갖추고 있습니다.

서로 다른 특성을 가진 여러 AI 모델이 특정 주제에 대해 의견을 나누고 검증하는 방식이다. 각기 다른 페르소나를 가진 Claude, GPT, Gemini가 심사위원단이 되어 제안된 기능의 타당성을 논의함으로써 단일 모델의 편향을 줄이고 의사결정의 품질을 높인다.

에이전트가 미리 정해진 호출 순서를 따르지 않고, 작업에 필요한 능력을 가진 다른 에이전트를 탐색한 뒤 권한과 문맥을 조정해 작업을 넘기는 방식이다. 확장성은 높지만 탐색 신뢰성, 권한 관리, 지연 시간, 실패 복구가 함께 필요하다.

하나의 거대 모델이 모든 일을 처리하는 대신, 여러 개의 전문화된 에이전트에게 작업을 나누어 맡기는 방식이다. 메인 모델이 상위 수준의 의사결정을 내리면 하위 모델들이 세부 작업을 실행하여 결과를 보고하는 계층적 구조를 가진다. 이는 복잡한 소프트웨어 엔지니어링 문제를 해결할 때 추론의 일관성을 유지하고 비용을 최적화하는 데 기여한다.

여러 개의 AI 에이전트가 동시에 서로 다른 태스크나 티켓을 처리하도록 하는 개발 방식이다. 개발자는 각 에이전트의 진행 상황과 코드 변경 사항(diff)을 동시에 모니터링하고 검토해야 하므로 높은 수준의 병렬 작업 관리 능력이 요구된다.

여러 AI 에이전트가 생성한 결과물을 비교 분석하여 가장 품질이 높은 결과물을 자동으로 선택하는 프로세스이다. 코드의 효율성, 가독성, 안정성 및 문서화 수준을 종합적으로 평가하여 최적의 옵션을 추천한다.

서로 다른 전문 기능을 가진 여러 AI 에이전트가 정보를 공유하고 작업을 분담하여 하나의 큰 목표를 달성하는 방식이다. 각 에이전트의 강점을 결합해 복잡한 문제를 효율적으로 해결하며 시스템의 확장성을 높인다.

하나의 작업을 여러 에이전트 세션에 나누어 병렬 처리하는 방식입니다. ChatGPT Work는 Sol, Luna, Terra를 사용한 하위 세션을 실행할 수 있지만 ChatGPT Chat에는 이 기능이 없습니다. 복잡한 프로젝트에서 여러 작업을 동시에 진행할 때 쓰이는 power-user 기능입니다.

메인 AI 에이전트가 복잡한 작업을 수행하기 위해 하위 에이전트들을 생성하고 실행하는 계층 구조를 시각화한 것이다. 이를 통해 어떤 에이전트가 어떤 작업을 위해 파생되었는지 추적하고 전체적인 작업 흐름을 파악할 수 있다.

AI 모델이 외부 사용자의 개입 없이 스스로 질문을 던지고 답변하며 작업을 이어가는 상태이다. 에이전트가 가상의 사용자 입력을 생성하고 이를 실제 명령으로 인식해 실행할 경우 보안상 매우 위험한 무한 루프에 빠질 수 있다.

여러 AI 에이전트가 특정 목표를 달성하기 위해 반복적으로 협업하고 결과를 개선하는 구조이다. 사용자는 '학습-설계-실험-분석' 단계를 거치는 3개 에이전트 기반의 연구 루프를 구축했다.

에이전트가 명시적인 프로그램형 세계 모델을 먼저 구축하기보다 환경에 직접 행동을 입력하고 상태 변화를 관찰하며 규칙과 목표를 추론하는 방식입니다. AVO의 ARC-AGI-3 설정에서는 이미지 토큰 없이 64 x 64 텍스트 그리드를 관찰하고 가능한 행동의 효과를 상호작용으로 파악합니다.

메인 에이전트가 생성한 하위 에이전트들이 산출한 주장과 결과를 로컬 원자료와 대조하여 진위를 판별하는 절차이다. 스크립트 수준에서 파일을 읽고 README와 릴리스 파일을 직접 열람하는 input→검증→결과 리포트 흐름으로 작동했다. 이 방식은 자동화된 탐색으로 발생한 잘못된 가정을 조기에 정정하는 메커니즘으로 작동했다.

다중 에이전트 자동화는 하나의 AI 에이전트가 모든 작업을 처리하는 대신 여러 에이전트가 데이터 읽기, 변환, 검증, 출력 같은 역할을 나누어 수행하는 방식입니다. Amazon Quick Automate에서는 자연어 요구사항을 여러 실행 단계로 바꾸어 기업 업무 흐름을 구성합니다.

에이전트 사이의 고정된 호출 순서를 미리 정하지 않고, 현재 목표와 각 에이전트의 역할·요구사항을 바탕으로 매 라운드 통신 구조를 새로 만드는 방식입니다. 작업마다 다른 협업 경로를 구성할 수 있습니다.

서로 다른 전문 기능을 가진 여러 AI 에이전트들이 협력하여 복잡한 과업을 해결하는 구조이다. 각 에이전트가 특정 역할을 분담함으로써 단일 모델보다 정교한 업무 처리가 가능해지며, 2026년에는 이들을 조율하는 오케스트레이션 레이어 투자가 급증할 전망이다.

자율 에이전트 상거래는 에이전트가 사람의 개입 없이 외부 서비스에 요청을 보내고 결제까지 수행하는 흐름이다. 이 글에서는 의도 생성, 정책 검사, 결제 서명, 서비스 응답, 결과 검증을 하나의 거래 과정으로 연결한다.

여러 에이전트가 협력·경쟁·협상하며 행동하는 환경의 구조를 뜻합니다. EVE Online의 경제, 동맹, 갈등, 외교는 대규모 인간 상호작용이 만들어내는 행동을 연구할 수 있는 사례로 제시됩니다.

작업의 난이도에 따라 서로 다른 성능과 비용을 가진 여러 AI 모델에 업무를 할당하는 시스템 아키텍처이다. 단순 작업은 저렴한 로컬 모델에, 복잡한 작업은 고성능 모델에 배분하여 비용 효율성을 극대화한다.

하나의 모델이 모든 작업을 처리하는 대신 여러 전문화된 AI 에이전트가 각기 다른 하위 작업을 맡고, 오케스트레이터가 결과를 결합하는 구조입니다. 복잡한 입력을 텍스트·시각·검증 단계로 나눠 정확도와 추적 가능성을 높이는 데 쓰입니다.

AI 모델이 외부 데이터 소스나 도구와 통신할 때 사용하는 표준화된 인터페이스 규약이다. 에이전트가 다양한 로컬 툴이나 데이터베이스에 접근할 때 일관된 보안 게이트웨이를 거치도록 강제할 수 있다. 이를 통해 에이전트의 호출을 모니터링하고 거버넌스를 적용하는 지점으로 활용된다.

하나의 거대 모델이 모든 일을 처리하는 대신 특정 작업에 특화된 여러 작은 에이전트로 역할을 분담하는 구조이다. 보안 분석 시 탐색, 분석, 검증 등의 단계를 나누어 정확도를 높인다.

사람처럼 브라우저 화면을 보고 클릭, 스크롤, 텍스트 읽기 등을 수행하며 웹을 탐색하는 AI 시스템이다. 단순 HTML 파싱을 넘어 렌더링된 화면을 직접 이해하므로 복잡한 웹 서비스에서도 정보를 수집하거나 작업을 수행할 수 있다.

하나의 AI가 여러 개의 전문화된 하위 에이전트들을 지휘하고 작업을 분담시키는 상위 제어 구조이다. 복잡한 소프트웨어 개발 작업을 단계별로 나누어 실행할 때 높은 효율성을 발휘한다.

특정 역할을 가진 여러 개의 AI 에이전트가 협력하여 복잡한 문제를 해결하는 워크플로우다. Whisker에서는 지오메트리 생성, 비전 기반 검증, 오류 수정 에이전트가 순차적으로 작동하여 1분 내에 완성도 높은 모델을 도출한다.

여러 개의 AI 에이전트가 협력하여 소스 코드를 분석하고 개선점을 제안하는 방식이다. 각 에이전트가 보안, 성능, 가독성 등 서로 다른 역할을 맡아 병렬로 처리함으로써 단일 모델보다 정교한 리뷰 결과를 도출한다.

초기 coding 요청 이후 workspace 상태를 유지하면서 사용자 요구를 추가·수정·대체하는 상호작용 과정입니다. 각 라운드에서 acceptance test와 회귀 검사를 실행하고, 실패 결과를 자연어 feedback으로 바꿔 다음 수정에 반영합니다.

사용자의 질문이나 코드 맥락을 AI가 분석하여 적절한 도구나 규칙을 자동으로 활성화하는 기능이다. 수동 호출 없이도 특정 상황(버그 수정, SEO 감사 등)에 맞는 최적의 가이드를 제공한다.

하나의 거대한 기능을 수행하는 대신, 검색·필터링·렌더링 등 작은 단위로 쪼개진 도구들이다. 모델이 필요에 따라 이들을 조합해 복잡한 작업을 수행하게 함으로써 유연성을 높인다.

각 연구 작업을 독립적인 실행 단위로 나누고, 공용 프로젝트 디렉터리의 파일을 통해 서로 연결하는 구조입니다. 모델은 현재 상태에 맞는 수행 방식을 결정하고, 각 스킬은 정해진 산출물을 생성합니다. 별도의 에이전트 그래프나 상시 오케스트레이션 서버 없이도 연구 과정을 단계적으로 구성할 수 있다는 점이 중요합니다.

발화 교대와 백채널은 대화 흐름을 자연스럽게 만드는 상호작용 요소로서, 말하는 타이밍, 짧은 동의 신호, 끼어들기 허용 규칙 등을 포함합니다. 실시간 에이전트 구현에서는 음성·시선·제스처 신호를 동기화해 타이밍을 예측하고, 부분 관찰下에서도 적절한 반응을 생성하는 정책이 필요합니다.

여러 전문 영역(예: 금융, 보험, 트레이드인, 상담)을 단일 에이전트가 통합해 고객 대화를 직접 처리하는 시스템을 뜻한다. 입력으로는 고객 문의·거래 이력·상품 데이터가 들어가고 내부에서 분기와 판단을 수행해 단일 응답과 처리 결과를 출력한다. 이 방식은 역할 분리형 워크플로를 대체해 운영 효율과 일관성을 높이는 것을 목표로 한다.

특정 AI 모델 하나에 묶이지 않고 여러 모델을 선택해 업무를 수행하는 에이전트 구조이다. 모델 교체와 조합이 가능해 기업이 특정 Frontier Lab의 API나 생태계에 종속되는 위험을 낮추는 데 의미가 있다.

이전 대화나 작업의 맥락을 기억하지 못하고 매 요청을 독립적으로 처리하는 AI 모델이다. 에이전트가 복잡한 작업을 수행할 때 연속성을 잃게 만드는 주요 원인이 되며 이를 해결하기 위해 별도의 메모리 관리 시스템이 필수적이다.

상태 유지형 샌드박스는 에이전트의 도구 호출에 따라 애플리케이션 데이터베이스와 실행 로그를 계속 갱신하는 실행 환경이다. MobilePA-Bench에서는 도구 스키마, 실행 코드, 영속 데이터베이스를 결합하고 상태 변화와 오류를 구조화된 피드백으로 반환한다. 이를 통해 정적인 함수 문자열 일치가 아닌 실제 실행 순서와 오류 복구 능력을 측정한다.

긴 문서를 청크 단위로 차례로 읽으면서 지금까지의 정보를 압축된 메모리 상태로 유지하는 에이전트입니다. 문서 이동과 추론이 묶여 증거 위치에 민감하고 문서가 길어질수록 처리 시간이 선형적으로 증가합니다.

스스로 프롬프트, 도구, Middleware, Routing, Resource, Execution Harness 등을 수정하며 능력을 확장하는 AI 에이전트입니다. 이 글에서는 자기 수정이 성능을 높이더라도 이전 상태로 안전하게 돌아갈 수 있는지 함께 검증해야 하는 대상으로 다뤄집니다.

수행한 작업의 궤적을 분석하여 성공적인 패턴을 표준 운영 절차(SOP)나 실행 가능한 코드로 변환하고, 이를 다음 작업에 재활용함으로써 시간이 지날수록 성능이 향상되는 AI 시스템이다.