『AI 에이전트 일러스트레이티드 가이드』 (Korean Edition)

제2장. 대규모 언어 모델

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

제1장에서 살펴본 바와 같이, ‘LLM( )’은 에이전트가 관찰에서 행동으로 나아갈 수 있도록 하는 원동력입니다. 그림 2-1에서는 이러한 일반적인 워크플로를 확인할 수 있습니다. 여기서는 에이전트가 사용자와 상호작용하는 영역(왼쪽)과 에이전트가 환경과 상호작용하는 영역(오른쪽)을 색상으로 구분했습니다.

그림 2-1. 에이전트는 사용자와 환경 사이의 가교 역할을 한다

그림에서 볼 수 있는 루프를 자세히 살펴보기 위해 간단한 예를 들어 보겠습니다. 이 예시는 웹 검색 도구를 사용하여 사용자의 질문에 답하려고 하는 간단한 정보 탐색 에이전트입니다.

그림 2-2에서는 이러한 상호작용을 확인할 수 있습니다:

1. 사용자가 에이전트에게 질문을 한다.

2. 에이전트는 웹 검색 도구를 사용하여 환경에서 정보를 효과적으로 수집한다.

3. 검색된 정보는 에이전트에게 제공되며, 에이전트는 이제 사용자의 질문에 답하기에 충분한 정보를 확보했다고 판단한다.

4. 에이전트는 사용자에게 답변을 출력한다.

그림 2-2. 에이전트가 사용자의 질문을 수신하고(왼쪽), 웹 검색 도구를 호출하여 환경에서 정보를 검색한 뒤, 검색된 정보를 활용해 답변을 생성하여 반환한다(오른쪽)

LLM 기반 에이전트에서 LLM은 사용자 쿼리를 처리하고, 적절한 행동을 선택하며, 해당 행동으로 인한 피드백이나 관찰 결과를 처리하고, 사용자에게 다시 응답하는 역할을 맡습니다.

이 장에서는 LLMs이 어떻게 작동하고 어떻게 만들어지는지 배우게 될 것입니다. 본 장은 의도적으로 서로 다른 대상 독자를 염두에 두고 두 부분으로 구성했습니다.

1부에서는 에이전트 개발자를 대상으로 LLMs에 대한 고수준 개요를 제공합니다. 여기에는 에이전트 시스템을 구축하고 추론하는 데 필요한 핵심 개념, 기능, 한계 등이 포함되며, 기본 작동 원리에 대한 깊은 이해는 필요하지 않습니다.

2부에서는 모델의 내부 구조와 훈련 기법을 훨씬 더 심도 있게 다룹니다. 이 섹션은 기계 학습 개념에 어느 정도 익숙한 독자를 대상으로 하며, 단순히 LLMs을 사용하는 방법뿐만 아니라 왜 그런 방식으로 동작하는지 이해하고 싶은 독자를 위해 마련되었습니다. 이러한 이해는 에이전트 오류 진단, 모델 선정, 또는 에이전트의 수행 능력 한계를 넓혀 나갈 때 유용할 수 있습니다.

주로 에이전트 구축에 중점을 두고 계신다면, 제1부를읽은 후 다음 장으로 바로 넘어가셔도 됩니다. 필요한 모든 내용은 이미 습득하셨을 것입니다. ...