AI 에이전트: 결정판 가이드 (Korean Edition)

제1장. LLMs에서 에이전트로: 기초 청사진

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

인간 지능의 결정적인 특징 중 하나는 내면의 추론과 구체적인 행동을 결합하는 방식인데, 이는 대규모 언어 모델(LLM) 에이전트 가 도구와 결합되어 작동하는 방식과 놀라울 정도로 잘 부합합니다. 코딩 프로젝트를 구축하는 과정을 예로 들어 보겠습니다. 인간 개발자는 prompt, 즉 클라이언트의 요청으로 시작합니다. 먼저 추론 단계가 오는데, 이때 문제를 해결할 접근 방식을 계획합니다. 그 다음에는 문서를 검색하거나, 함수를 작성하거나, 오류를 디버깅하는 등의 행동이 이어집니다. 테스트가 실패하거나, 동료 검토를 통해 미흡한 점이 지적되거나, 클라이언트가 애플리케이션을 테스트할 때 피드백 이 이 과정에 반영됩니다. 각 단계는 정적인 것이 아니라 반복적이며, 추론은 새로운 통찰에 맞춰 조정되고 행동은 이에 대응하여 변화합니다.

이는 단일 LLM 에이전트에도 동일하게 적용됩니다. 에이전트는 주어진 과제를 접하면 먼저 무엇이 누락되었는지 또는 다음 단계가 무엇인지에 대해 추론한 다음, 도구를 호출하여 데이터를 검색하거나 코드를 실행하거나 결과를 확인하는 등의 행동을 취합니다. 개발자의 피드백 루프와 마찬가지로, 환경은 오류, 누락, 확인 등의 신호를 제공하여 다음 반복을 안내합니다. 코드 라이브러리나 문서와 같은 외부 지원은 검색 시스템이나 웹 검색과 같은 도구에 해당하며, 이는 모델 자체의 원시적인 능력을 넘어 출력을 정교하게 다듬어 줍니다.

LLM 에이전트는 추론, 행동, 피드백의 루프에 내재된 대규모 언어 모델로, 외부 도구를 호출하고 결과에 따라 자신의 행동을 조정할 수 있습니다. 정적 텍스트 생성에 국한된 독립형 LLM과 달리, 에이전트는 워크플로우 내에서 의사결정 주체로서 작동합니다. 그림 1-1은 이러한 흐름을 보여줍니다.

그림 1-1. LLM에이전트는 목표가 달성될 때까지 추론, 행동, 피드백 관찰의 과정을 반복한다.

이 책에서는 ‘AI 에이전트’, ‘에이전트’, ‘LLM 에이전트’라는 용어를 혼용하여 사용할 것입니다. 그러나 엄밀히 말해, AI 에이전트는 언어 모델을 전혀 포함하지 않아도 됩니다. 고전적인 의미에서 에이전트는 환경을 인지하고, 결정을 내리며, 목표를 달성하기 위해 행동을 취합니다. 에이전트는 인간의 언어를 이해하거나 생성할 필요가 없습니다.

예를 들어, 순수 강화 학습에서는 에이전트가 환경과의 시행착오를 통한 상호작용을 통해 직접 훈련될 수 있습니다. 에이전트 시스템의 일부로 LLM을 사용하는 이점은 강력한 일반화, 추론 및 자연어 처리 능력을 추가하여, 에이전트의 행동을 더 유연하게 만들고 좁게 정의된 환경을 넘어 폭넓게 적용할 수 있게 한다는 점입니다. ...