Section 01자율 에이전트
자율 에이전트는 인간 개입 없이 독립적으로 작업을 수행하거나 결정을 내리는 시스템이다. AGI로 가는 중요한 단계로 여겨진다.
LLM을 에이전트로 쓰는 이유는 LLM이 어느 정도의 추론·계획 능력을 보였기 때문이다. LLM은 연역적(일반 규칙을 구체 사례에)·귀납적(예시에서 패턴)·귀추적(불완전한 데이터에서 설명) 추론을 한다. 개념을 연쇄시켜 단계별 추론으로 방정식을 풀거나 코드를 디버그한다.
하지만 이 능력은 사용자가 준 맥락이나 사전 학습 지식으로 제한된다. 자연스러운 대응은 LLM을 외부 도구로 확장하는 것이다.
프로파일링 모듈 — 에이전트의 역할(페르소나)을 정의한다. 수작업으로 만들거나 LLM이 자동 생성한다.
메모리 모듈 — 환경에서 인지한 정보를 저장한다. 단기 메모리(LLM 컨텍스트)와 장기 메모리(외부 RAG·DB·KG)를 결합한 하이브리드 메모리가 컨텍스트 한계를 넘는다. 읽기·쓰기·반영 세 작업을 수행한다.
계획 모듈 — 복잡한 작업을 부작업으로 분해한다. 피드백 없는 계획(CoT·ToT)과 피드백 있는 계획(ReAct의 생각–행동–관찰)이 있다.
행동 모듈 — 계획을 실제 결과로 변환한다. 사전 학습 지식이나 외부 도구(API·DB·다른 모델)를 쓴다.
에이전트를 개선하는 전략으로 미세조정이 흔히 쓰인다. WebShop은 amazon.com에서 120만 개 제품을 수집해 시뮬레이션 사이트를 만들고 인간 행동을 모아 미세조정 데이터셋을 만들었다. ToolBench는 16,000개 이상 실제 API를 모아 ChatGPT로 주석을 달고 LLaMA를 미세조정했다.
Section 02HuggingGPT
HuggingGPT는 강력한 개념을 소개한다 — 언어를 일반 인터페이스로 써서 LLM이 시각·음성·구조화 데이터의 외부 AI 모델과 협력하게 한다.
두 가지 발상에 기반한다. ① LLM은 텍스트 너머 정보에 접근할 수 없으면 제한된다. ② 현실의 복잡한 작업은 더 작은 작업으로 분해할 수 있다. 직관은 각 AI 모델을 기능 요약으로 언어로 설명할 수 있다는 것 — 그 설명을 LLM이 쓴다.
이 시스템에서 LLM은 "뇌"로 작동한다. 사용자 요청을 해석하고, 작업으로 분해하고, 텍스트 설명 기반으로 적절한 모델을 선택하고, 실행을 조율하고, 결과를 통합해 최종 응답을 생성한다.
① 작업 계획 — LLM이 사용자 요청을 분석해 해결 가능한 작업들로 분해한다. 작업 ID·종류·종속성·인수의 슬롯을 채운다.
② 모델 선택 — Hugging Face의 적절한 전문가 모델을 선택한다. 작업 유형으로 필터링하고 다운로드 수로 정렬해 상위 K개 설명을 프롬프트에 넣어 단일 선택한다.
③ 작업 실행 — 모델이 호출·실행되고 결과가 LLM으로 반환된다. 종속성 없는 작업은 병렬 실행한다.
④ 응답 생성 — LLM이 모든 단계의 결과를 통합해 자연어 답변을 만든다.
Section 03멀티에이전트 시스템
인간은 책에서만 배우지 않는다. 다른 인간에게서도 배우고, 대부분의 일을 협력적으로 한다. 멀티에이전트 시스템(MAS)에서 서로 다른 에이전트들은 자연어로 협력하고 소통한다 — 그들의 행동도 인간이 해석할 수 있다.
MAS에서는 특정 작업에 특화된 여러 LLM을 둘 수 있다 — 모든 것에 특화된 하나의 모델이 필요 없다. 집단적 의사결정을 하고, 단일 에이전트가 못 푸는 작업을 푼다. 다양한 응답에 다수 투표를 하거나, 피드백을 주거나, 다른 에이전트를 모니터링하는 에이전트를 둘 수 있다.
에이전트들이 꼭 협력할 필요는 없다. 게임 이론에 따라 경쟁이 작업 해결에 유리할 수 있다 — AlphaGo가 자신과 바둑을 두며 더 많은 게임 경험을 모은 것처럼. LLM은 대적(adversarial) 설정에 들어가, 다른 에이전트 피드백으로 자신을 개선할 수 있다.
인간과의 상호작용도 두 유형이 있다 — 불평등한 상호작용(지시자-실행자 패러다임: 인간이 지시, 에이전트가 실행)과 동등한 상호작용(에이전트와 인간의 동등한 파트너십).
| 측면 | 단일 에이전트 | 멀티에이전트 |
|---|---|---|
| 전문화 | 하나가 모든 것을 함 | 각 에이전트가 특정 작업에 특화 |
| 의사결정 | 단독 결정 | 집단 결정 · 다수 투표 · 토론 |
| 작업 범위 | 단일 에이전트가 풀 수 있는 작업 | 단일로는 못 푸는 복잡한 작업 |
| 비용·복잡도 | 낮음 | 높음 · 디버깅 어려움 |
Section 04서비스 패러다임
에이전트와 멀티에이전트는 새로운 비즈니스 패러다임을 낳았다.
| 패러다임 | 제공하는 것 | 대표 사례 |
|---|---|---|
| SaaS | 소프트웨어 — 구독으로 제공 | Salesforce · Microsoft 365 · Slack |
| MaaS | AI/ML 모델 — API로 접근 | OpenAI · Hugging Face · SageMaker |
| DaaS | 선별된 데이터셋 | Snowflake · Quandl · Clearbit |
| RaaS | 특정 결과·성과 | Pymetrics · Afiniti · Uptake |
RaaS(또는 OaaS)는 도구·플랫폼·원본 데이터 대신 특정 결과나 성과를 제공하는 비즈니스 모델이다. AI(LLM·에이전트 포함)가 공급자 측에서 고객을 위한 개인화된 통찰을 만든다.
고객은 기술 직원 없이 비즈니스 통찰에 집중할 수 있고, 일괄 금액 대신 구독으로 지불한다. 에이전트는 분석을 자동·일상적으로 수행한다 — 이 비즈니스 모델의 새 핵심 구성 요소다.
어느 패러다임을 고를지는 상황에 달렸다. SaaS는 안정적 구독 수익과 확장 가능한 제품일 때, MaaS는 고성능 AI 모델을 수익화할 때, DaaS는 고유한 고가치 데이터셋을 가질 때, RaaS는 측정 가능한 결과를 보장할 수 있을 때 적합하다.
Section 05미래 전망
에이전트 시스템을 실제로 배포하려면 운영 측면이 필요하다. Streamlit은 에이전트 기반 시스템의 프론트엔드·백엔드를 빠르게 프로토타이핑하는 프레임워크다. 비동기 프로그래밍(asyncio), Docker 컨테이너화, Kubernetes 오케스트레이션이 확장 가능하고 프로덕션 준비된 솔루션을 만든다.
모델 개발에는 추론 최적화가 중요하다 — 증류·양자화·프루닝으로 성능을 유지하며 모델 크기를 줄인다. MLOps를 LLM에 확장한 LLMOps가 배포·유지관리·모니터링을 다룬다.
AI 에이전트의 미래와 도전
AI 에이전트는 의료·법률을 비롯한 산업 전반에 변혁적 잠재력을 가진다 — 생의료 에이전트, 물리적 에이전트(로봇), 게임·웹 에이전트. 하지만 남은 도전도 크다.
- 인간-에이전트 의사소통 — 명확하고 신뢰할 수 있는 소통의 어려움.
- 멀티에이전트의 명확한 우월성 부재 — 멀티에이전트가 늘 단일보다 낫다는 보장이 없다.
- 추론의 한계 — LLM은 진정한 추론·일반화를 하지 못해 사전 학습에 본 것에 제한된다.
- 기계적 해석가능성 — 모델 내부가 어떻게 작동하는지 이해하는 일.
- 윤리적 질문 — 데이터 프라이버시, 지적 재산권, AGI로 가는 길의 안전.