AI 용어 사전

AI 에이전트가 특정 작업을 수행하기 위해 외부 도구를 호출하는 과정에서 오류가 발생하여 동일한 실패 동작을 무한히 반복하는 현상이다. 이는 API 호출 횟수를 급격히 증가시켜 단시간에 막대한 비용을 발생시키는 주요 원인이 된다.

모델이 일반 텍스트 대신 도구 실행을 요청하는 응답입니다. 이 글에서는 content가 null이거나 tool_use 블록을 포함할 때 파서가 호출 정보를 보존하는지가 평가 결과를 좌우합니다.

모델이나 추론 엔진이 외부 도구 실행 요청을 표현하는 메시지 구조입니다. 이 구현에서는 일반 응답 스타일만 Sharp에 맞추고 도구 호출 형식은 NInfer 고유 방식을 그대로 유지합니다.

음성 명령의 문맥을 파악해 받아쓰기 외 작업까지 실행하는 기능입니다. Relay의 Skills는 Slack 메시지 작성이나 Google Calendar 일정 생성처럼 별도 앱을 열고 대상과 내용을 채우는 과정을 자동화합니다.

AI가 여러 개의 외부 도구(검색, 코드 실행 등)를 동시에 호출하여 정보를 처리하는 방식이다. 독립적인 하위 질문들을 한꺼번에 처리함으로써 전체 응답 시간을 단축하고 정보 수집 효율성을 극대화한다.

AI가 사전에 부여받지 않은 도구나 기능을 코딩 능력을 통해 스스로 생성하여 확장하는 능력이다. 샌드박스나 네트워크 제한 같은 기존의 격리(Containment) 조치가 모델의 코딩 능력을 통해 무력화될 수 있음을 시사하는 핵심 개념이다.

새로 들어온 이슈를 사람이 직접 읽기 전에 에이전트가 분류하고, 재현 가능성이나 수정 방향을 확인하는 절차입니다. Astro는 자동 분류 뒤 버그 재현과 수정안 제시를 진행하고 사용자에게 수정 결과를 먼저 검증하게 합니다. 이를 통해 처리하지 못한 이슈의 지속적인 누적을 줄입니다.

여러 단계와 도구 사용이 이어지는 긴 작업을 중간 상태를 유지하며 끝까지 수행하는 능력입니다. 단일 질문의 정답률보다 계획 수립, 실행, 오류 복구, 최종 산출물 검증이 중요하며 실제 업무형 Agent 평가의 핵심 기준으로 활용됩니다.

사람과 AI가 반복적인 산출물 구축 과정에서 함께 의사결정을 내리는 방식입니다. 사람의 승인이나 중간 입력이 이후 시스템 작업을 바꾸며, 초기 프롬프트나 최종 점수만 전달하는 구조와 구별됩니다. 사람의 판단을 유지하면서도 상태, Action, 관찰 기록을 연결해야 책임 범위와 재수정 지점을 추적할 수 있습니다.

숙련된 전문가의 노하우를 AI로 구현하여 실시간으로 복잡한 물리적 작업을 지도하는 시스템이다. 텍스트로 설명하기 어려운 손기술이나 현장 노하우를 시각적 피드백과 가이드를 통해 전수하는 역할을 한다.

에이전트와 사용자 간의 대화 및 도구 호출 기록을 분석하여 해당 동작이 안전한지, 사용자 의도에 부합하는지 판단하는 별도의 모델입니다. 실행 전 단계에서 위험한 명령을 차단하는 가드레일 역할을 수행하여 자율적인 에이전트 운영의 안전성을 확보합니다.

사용자의 쿼리를 분석하여 어떤 데이터 소스나 처리 로직(모달리티)이 가장 적합한지 판단하고 할당하는 과정이다. 예를 들어 '대화 내용' 검색 시에는 텍스트 전사 데이터에 높은 가중치를 부여하도록 경로를 지정함으로써 검색의 정확도와 효율성을 높인다.

사용자의 최종 목표 설정만으로 기획, 설계, 코딩, 테스트, 배포까지의 전 과정을 AI 에이전트들이 스스로 수행하는 시스템이다. 인간의 개입 없이도 에이전트 앙상블이 아이디어를 생성하고 전략적 정렬을 평가하며 구현 결정을 내리는 구조를 가진다.

모델 가중치를 바꾸지 않고 추론 과정의 입력과 출력을 조정하는 외부 구조입니다. Prompt template, routing, memory, tool use, verification, answer-format enforcement를 결합해 모델이 문제를 처리하는 조건을 바꾸며, 같은 모델의 잠재 능력을 더 안정적으로 끌어내는 데 쓰입니다.

AI 모델이 호출할 수 있는 함수의 이름, 설명, 매개변수 구조를 정의한 명세서이다. JSON 형식으로 작성되어 모델이 정확한 형식의 데이터를 출력하도록 유도하는 가이드라인이 된다.

생성된 텍스트만 보지 않고 실행 결과, Simulator 상태, 테스트 Harness 또는 Formal Checker처럼 환경에 의존하는 신호로 메모리 제안의 채택 여부를 결정하는 필터입니다. 텍스트가 같은 두 환경을 구분하는 정보원을 제공합니다.

과학 연구 에이전트는 문헌 검색이나 데이터 분석에 그치지 않고 연구 프로젝트의 변화에 맞춰 지시, 맥락, 도구를 조정하는 AI 시스템입니다. 새 실험 결과나 논문이 들어오면 기존 계획을 버리지 않고 지식과 행동 방향을 갱신해야 하므로, 장기 연구에서 조종 가능성과 검증 가능성이 핵심입니다.

매우 짧고 구체적인 작업 단위만을 수행하도록 설계된 에이전트이다. 긴 작업 과정에서 발생할 수 있는 오류 누적을 방지하고, 각 단계의 성공 여부를 즉각적으로 검증하여 전체 시스템의 신뢰성을 높이는 역할을 한다.

도구 사용 에이전트는 외부 도구(예: API 호출, 데이터베이스 쿼리)를 프롬프트나 함수 호출 형태로 호출하면서 문제 해결을 수행하는 LLM 기반 에이전트를 뜻한다. 입력으로는 모델과 도구 인터페이스, 페르소나와 대화 이력 등이 주어지며 에이전트는 도구 호출 시도 여부와 결과를 통해 행동을 수정하거나 후속 처리 명령을 생성한다. 이러한 에이전트의 행동을 통제된 실험으로 평가하면 도구 구성이나 페르소나 변화가 출력에 미치는 영향을 정량화할 수 있다.

LLM이 단순히 텍스트를 생성하는 것을 넘어 외부 도구(DB 실행기 등)를 직접 호출하고 그 결과를 다시 입력으로 사용하는 루프 구조이다. 실행 오류를 스스로 확인하고 수정할 수 있는 자율성을 부여한다.

여러 AI 에이전트를 같은 시점에 병렬로 실행해 하나의 복잡한 문제를 다양한 경로에서 탐색하는 방식입니다. OpenAI는 Navier-Stokes 문제를 풀기 위해 10,000개의 에이전트를 동시에 사용했다고 밝혔지만, 세부적인 탐색 절차는 공개하지 않았습니다.

최종 목표를 달성하기 위해 스스로 하위 작업을 계획하고 실행하는 AI 에이전트 구조이다. 복잡한 목표를 작은 단위로 쪼개어 각 에이전트에게 할당함으로써 작업의 정확도와 효율성을 극대화한다.

사용자의 과거 대화, 현재 작업 중인 파일, 조직 내 워크플로 등 주변 상황 정보를 파악하여 최적의 답변을 제공하는 AI 도구이다. 단순한 명령 수행을 넘어 사용자의 의도를 더 정확하게 예측하고 보조하는 역할을 수행한다.

문서 구조와 편집 상태를 파악한 뒤 블록 단위 작업을 수행하는 AI 에이전트입니다. GenOffice는 문서·스프레드시트·프레젠테이션·PDF의 상태를 에이전트 도구에 연결하고 스냅샷과 diff를 남깁니다.

생성된 텍스트 내의 핵심 주장을 추출하고 이를 외부 데이터나 논리적 검증을 통해 진위 여부를 판단하는 특화된 AI 에이전트이다. 워크플로우 내에서 환각 현상을 방지하고 최종 결과물의 신뢰성을 확보하는 파수꾼 역할을 수행한다.

훈련 과정에서 추출한 절차·규칙·출력 관례를 SKILL.md 같은 텍스트형 아티팩트로 기록하고 이후 과제에서 해당 스킬을 불러와 재사용하여 성능 변화를 만드는 비모수적 자기진화 방식.

에이전트의 기능을 독립적인 '스킬' 단위로 모듈화하여 관리하는 아키텍처이다. 각 스킬은 명확한 메타데이터를 가지며, 에이전트는 상황에 따라 필요한 스킬을 동적으로 호출하여 작업을 수행한다.

작업 수행 중 발생하는 오류를 스스로 감지하고 원인을 분석하여 수정 코드를 실행함으로써 정상 상태로 복구하는 자율형 AI 시스템이다. 인간의 개입 없이도 시스템의 연속성을 유지할 수 있게 하는 핵심 기술이다.

에이전트가 자신의 내부 시스템 상태, 가용 도구, 오류 로그 등을 실시간으로 감시하는 기능이다. 이를 통해 시스템 결함을 스스로 인지하고 대응 전략을 수정할 수 있는 기반을 제공한다.

시스템이 스스로의 소스 코드를 분석하고 개선안을 제안하며 자율적으로 업데이트를 수행하는 AI 에이전트 구조이다. 인간의 개입 없이 24시간 가동되며 샌드박스 환경에서 테스트를 거쳐 시스템 성능을 점진적으로 향상시킨다.

퀀트 연구 등 복잡한 데이터 분석 작업을 스스로 수행하는 AI 시스템이다. 문제 정의부터 코드 작성, 실험, 결과 분석까지 전 과정을 자동화한다.

인간의 개입 없이 복잡한 수학적 정리를 증명하거나 문제를 해결하도록 설계된 AI 시스템입니다. 기존 LLM이 단순 계산에 그쳤던 것과 달리, 논리적 추론 단계를 스스로 구성하여 고난도 문제를 해결하는 능력을 갖추고 있습니다.

인간의 개입 없이 스스로 연구 주제를 탐색하고 실험을 수행하여 새로운 지식을 도출하는 AI 시스템이다. 복잡한 다단계 추론과 환경과의 상호작용이 요구되며 차세대 AI 기술의 핵심 분야 중 하나이다.

장기 실행 에이전트는 한 번의 응답에 그치지 않고 여러 단계의 작업을 이어서 수행하는 AI 시스템입니다. GPT-6 Astra는 실제 코드베이스와 컴퓨터 인터페이스에서 작업을 지속하도록 설계됐으며, 기업 환경에서는 높은 자율성과 시스템 접근 권한의 경계를 함께 정해야 합니다.

고객의 기존 시스템 환경 내부에 직접 배포되어 운영되는 에이전트. 인프라 마이그레이션 없이 기존 워크플로우에 즉시 통합되어 업무를 자동화하며, 시스템 변경에 대한 거부감이 있는 기업 환경에서 핵심적인 역할을 수행한다.

조직이 무엇을 해야 하는지에 관해 전략, 위험, 자원 배분처럼 열린 선택지를 포함한 판단을 내리는 가장 높은 수준의 애플리케이션 에이전트입니다. 검색 보조나 규칙 기반 프로세스 실행보다 더 많은 자율성과 판단이 필요하며, 업무 결과에 대한 책임과 긴밀하게 연결됩니다.

작성된 코드를 분석하여 버그, 보안 취약점, 스타일 가이드 위반 등을 자동으로 식별하는 AI 에이전트이다. 개발자가 직접 확인하기 전 1차 검증을 수행하여 코드 품질을 유지하고 개발 주기를 단축하는 데 기여한다.

생성된 정보의 정확성을 검증하기 위해 설계된 특화 에이전트입니다. LLM의 할루시네이션을 방지하기 위해 외부 데이터나 논리적 일관성을 검토하여 정보의 신뢰도를 높이는 역할을 수행합니다.

함수 호출 에이전트는 모델 응답에서 함수 호출을 생성하고 외부 시스템과 상호작용하는 대화형 에이전트 아키텍처이다. 장시간의 상태를 유지해야 할 때 기록을 축약하거나 요약하는 문제가 발생한다. 이 아키텍처에서 컨텍스트 관리 방식은 일관성과 정확성에 직접적인 영향을 미친다.

단일 프롬프트 응답을 넘어 여러 단계의 모델 호출과 중간 상태 관리를 요구하는 처리 흐름으로서 상태 유지, 분기, 재시도, 외부 API 호출을 포함할 수 있다. 설문 결과는 기업이 신뢰성 있는 다중 단계 실행을 성과 척도로 삼고 있음을 보여준다.

에이전트 산출물이 다음 단계로 넘어갈 자격을 독립적으로 판정하는 처리 흐름입니다. 이 파이프라인은 독립 검토와 결정론적 집행 장치를 연결하고, 둘이 제대로 작동하면 게이트에서 사람의 검토가 필요하지 않은 상태까지 도달할 수 있다는 운영 원칙을 담습니다.

여러 LLM 에이전트가 긴 기간 동안 서로 다른 주체를 대신해 거래하고 의사결정을 이어가는 설정입니다. 단일 요청의 일회성 응답이 아니라 누적된 상태, 상대방의 행동, 자원 변화가 다음 발화에 영향을 주기 때문에 운영 환경의 안전성을 평가하는 데 중요합니다.

작업 실패 시 단순히 다시 실행하는 것이 아니라, 실패 원인을 분석하여 다음 시도의 입력을 조정하는 메커니즘이다. LLM이 이전 실패 로그를 읽고 프롬프트를 수정함으로써 동일한 오류를 반복하지 않도록 유도한다. 에이전트의 자율성과 성공률을 높이는 핵심적인 워크플로 패턴이다.

경험 기반 핵심 진화는 일반 작업에서 발견한 버그, 컨텍스트 조립 실패, 도구 경로의 비효율, 사용자 피드백을 지속 가능한 오류 유형으로 기록하고 하네스 구조 변경으로 연결하는 방식이다. 제안은 사용자가 직접 적용하지 않고 에이전트가 우선순위와 수정 여부를 결정한다.

여러 AI 모델이 서로의 답변을 비판하거나 검증하여 답변의 정확성과 신뢰성을 높이는 기법. 모델 간의 의견 불일치를 드러내어 답변의 불확실성을 명확히 파악하는 데 사용된다.

Agent가 send_email이나 refund 같은 도구를 호출하기 직전에 정책을 확인하고 실행 허용 또는 차단을 결정하는 경계입니다. 허용 목록, 인자 제약, 상태 기반 규칙, 사람 승인, 감사 기록이 판단 과정에 포함됩니다.

각 주장이 어떤 에이전트와 전승 경로를 거쳐 생성됐는지 추적하는 방식이다. 전체 답변을 한 번에 신뢰하는 대신 개별 주장마다 근거와 전달 과정을 기록해, 다중 에이전트 시스템의 신뢰도 판정과 오류 위치 파악에 활용한다.

잠재 상태 기반 멀티에이전트 협력은 에이전트가 공개 대화문 밖의 내부 상태를 통해 조정하는 방식입니다. 공유 event ID가 비공개 상태와 채널·공개 행동을 연결해 각 행동의 연속성을 추적하는 구조로 제시됐습니다.

AI 에이전트가 특정 도구(파일 읽기 등)를 실행하기 직전에 사용자 정의 로직을 삽입하는 메커니즘이다. 이를 통해 입력 데이터를 가공하거나 실행 조건을 변경하여 에이전트의 동작을 최적화할 수 있다.

Agent가 계정으로 확인할 수 있는 조건을 먼저 배제하고, 대화에 있는 정보와 고객만 제공할 수 있는 정보를 수집한 뒤 사람에게 넘기는 처리 방식입니다. 최종 해결은 아니지만 사람이 처음부터 조사할 필요를 없앱니다.

수십 분에서 수 시간에 이르는 영상에서 질문과 관련된 짧은 장면을 찾아 답을 구성하는 검색 과제입니다. 정적 처리에서는 영상 전체의 프레임과 신호를 대량으로 입력해야 하지만, 에이전틱 방식은 관련 구간을 순차적으로 조회해 수백만 토큰을 쓰지 않고도 복합 질의에 대응합니다.

AI 에이전트가 생성한 결과물을 스스로 다시 읽고 오류나 개선점을 찾아내는 과정이다. 자동화된 워크플로에 포함될 경우 인간의 개입 없이도 결과물의 정확도와 품질을 높이는 핵심 기법이다.

서로 다른 계통의 agent가 같은 task를 수행한 trajectory를 비교해 한쪽의 성공 또는 상호 보완적인 실패 패턴을 다른 계통의 수정에 활용하는 연산입니다. 소스 파일을 직접 합치지 않고 target agent가 전달 가능한 행동 특성을 추출해 자신의 코드 구조에 맞게 적용합니다.

에이전트가 작업을 수행하기 전 단계별 계획을 먼저 수립하고 이를 바탕으로 실행에 옮기는 아키텍처이다. 단순 실행 방식보다 복잡한 논리 구조를 가진 소프트웨어 개발 태스크에서 높은 일관성과 정확도를 보장한다.

AI 모델과 사용자, 혹은 에이전트 간에 여러 차례 질문과 답변이 오가는 반복적인 상호작용 과정이다. 각 단계마다 이전 단계의 정보가 컨텍스트로 누적되어 모델의 추론과 의사결정에 반영된다.

에이전트나 Skill이 처리하지 않아야 할 요청과 그때의 중단 행동을 명시하는 규칙입니다. 범위 밖 조건이 없으면 에이전트가 기존 절차를 억지로 확장해 무관한 장애에 잘못된 대응책을 적용할 수 있습니다.

AI 에이전트가 최종 결과물을 생성하기 전 계획을 수립하고 정보를 구조화하는 초기 행동 양식이다. 이 단계에서 작업의 형태를 올바르게 잡아야 긴 작업 체인에서도 일관성을 유지하고 토큰 낭비를 줄일 수 있다.

규칙 요약에 대해 에이전트가 순차적으로 묻는 사전 정의된 질문들로, 특정 질문들이 규칙과 결합되면 해당 규칙의 전체 내용을 읽어 들여 적용 여부를 결정하도록 만드는 매커니즘입니다.

에이전트가 작업을 수행할 때 전체 계획을 세우고, 실행한 뒤, 결과를 관찰하여 계획을 수정하는 반복 루프 구조이다. 복잡한 비즈니스 프로세스에서 에이전트의 적응성을 높이는 데 필수적이다.

사용자 입력에 대해 모델이 추론하고 도구를 실행한 뒤 그 결과를 다시 모델에 전달하는 반복적인 사고-행동 순환 구조이다. 에이전트의 자율적 문제 해결 능력을 구현하는 핵심 메커니즘이다.