Introduction to AI Agent

PreviousIntroduction to RAG Next[ENG] Edu Full Package - No-Code Zone

Last updated 9 days ago

Introduction to AI Agent

1. AI Agent의 개념 소개

AI Agent가 대체 뭐길래 요즘 이렇게 주목을 받을까요?

이 섹션에서는 LLM과 Agent의 관계, 왜 Structured 데이터가 중요한지, 그리고 어떤 식으로 Agentic Workflow를 구성할 수 있는지를 이미지와 예시로 함께 알아봅니다.

1-1. AI Agent란?

AI Agent는 사용자의 명령이나 주어진 상황을 이해하고, 이를 바탕으로 목표를 달성하기 위한 작업을 자율적으로 수행하는 시스템입니다. 이를 위해 다양한 **도구(tool)**나 API를 활용할 수 있으며, 데이터를 기반으로 상황을 인식하고 판단하여 일련의 행동을 실행합니다.

✅ 간단히 말하자면, 주어진 목표를 달성하기 위해, 스스로 판단하고 행동하는 인공지능 시스템입니다.

1-2. LLM과 Agent의 관계

LLM은 원래 텍스트를 이해하고 생성하는 데 특화된 모델입니다.

이러한 LLM이 점점 커지면서 추론(Reasoning) 능력까지 가지게 되었죠. 이게 바로 Scaling Law의 힘!

하지만, 실제 문제를 해결하기 위해선 "생성" 외에도 더 많은 기능이 필요합니다. 그래서 등장한 것이 Agent입니다.

1-3. LLM이 잘하는 건 Reasoning! Agent는 이걸 극대화합니다

Agent는 LLM의 추론 능력(Reasoning)을 중심으로, 다른 기능(계산, 검색, 외부 API 호출 등)을 연결하여 복잡한 작업을 자동화할 수 있게 도와줍니다.

그리고 이때 중요한 기술 중 하나가 바로 Function Calling입니다.

Function Call에 대해 더 자세히 알아보고 싶다면 Getting Started to Function Call을 참고하세요!

🧠 Function Call이란?

Function Call은 LLM이 외부 도구를 '사용하겠다'고 요청하는 방식입니다. 마치 “AI가 직접 프로그램의 버튼을 눌러 무언가를 실행하는 것”과 같죠.

예를 들어:

“서울의 내일 날씨 알려줘” 라는 질문을 받았을 때,
- LLM은 그걸 “get_weather(location="Seoul", date="tomorrow") 함수를 실행해줘!” 라고 말할 수 있습니다.
```
from langchain.tools import tool

# 데코레이터를 사용하여 함수를 도구로 변환합니다.
@tool
def get_weather(location: str, date: str) -> str:
    """지정한 지역(location)과 날짜(date)에 대한 날씨 정보를 반환합니다."""
    # 실제 날씨 API 연동 로직이 들어갈 수 있음
    return f"{date}의 {location} 날씨는 맑습니다."
```
- @tool 데코레이터: 이 함수가 외부에서 사용할 수 있는 도구임을 명시하는 부분
- Docstring: 함수의 역할을 설명하는 부분
  - LLM이 언제 이 도구를 사용해야 할지 판단하는 기준이 됩니다

이처럼 LLM은 사람처럼 명령을 이해한 뒤, 프로그래밍 언어처럼 함수 호출 형태로 의도를 표현할 수 있습니다.

🤖 Function Call + Agent의 실제 흐름

LLM의 역할: 질문을 분석해 어떤 함수가 필요한지 판단 → Function Call 생성
Agent의 역할: 생성된 함수를 실제로 실행하고 → 결과를 다시 LLM에 전달
LLM의 최종 역할: 결과를 자연어로 요약해 사용자에게 전달

요약하자면,

Function Call = LLM이 외부 도구(API, 계산기, 검색 등)를 사용하려고 만드는 실행 요청 명령
Agent = 이런 요청을 실제로 실행해주는 비서 또는 도우미 역할

1-4. Agent들이 협력하려면? 데이터를 Structured화하자

AI끼리 협업하려면 사람이 말하듯이 “아버지가 방에 들어가신다”라고 말해선 안 됩니다.

❌ Unstructured: “아버지가방에들어가신다”
✅ Structured: {"Person": "아버지", "Space": "방"}

Agent들은 이런 **구조화된 데이터(JSON)**를 기반으로 서로 협업합니다.

Structured Ouputs에 대해 더 자세히 알아보고 싶다면 Getting Started to Structured Ouptut을 참고하세요!

2. Agentic Workflow

Agentic Workflow를 잘 설계하려면 어떻게 해야 할까요? Agentic Workflow는 복잡한 목표를 달성하기 위해 **작업(Task)**을 나누고, 각 Task를 가장 잘 수행할 수 있는 Agent에게 맡기는 설계 방식입니다.

2-1. Agent Workflow 설계 방법

🔍 핵심은 “작업을 잘게 나누는 것!”

이때 중요한 점은, 작업(Task)을 쪼개는 일은 LLM이 아니라 사람이 해야 한다는 점입니다.

LLM이나 Agent가 혼자서 "무엇을 어떻게 나눌지"까지 알 수는 없습니다. 우리가 목표를 이해하고, 전체 과정을 논리적으로 분해해줘야 Agent가 각 역할을 맡아 제대로 작동할 수 있어요.

몇 가지 예시를 통해 Task를 어떻게 나눌 수 있는지 살펴보겠습니다.

🪜 예시 1: 날씨 안내 서비스 만들기

사용자 요청: "내일 서울에서 우산을 가져가야 할까?"

🧩 Task 쪼개기 예시

지역과 날짜 파악
→ 서울, 내일
날씨 정보 검색
→ 강수 확률 확인
우산 여부 판단 기준 적용
→ 강수 확률 60% 이상이면 우산 권장
결과 정리 및 응답 생성

🤖 Task별 Agent 배정 예시

지역과 날짜 추출을 위한 NLP Agent → 사용자 요청 문장에서 정보 추출
날씨 정보 호출을 위한 Weather Agent → 기상청 API 호출
우산 여부 판단을 위한 Rule-based Judge Agent → 기준 적용
자연어 응답 생성을 위한 Response Agent → 자연어 설명 생성

💼 예시 2: 마케팅 이메일 자동 생성하기

사용자 요청: "신제품 홍보 이메일을 만들어줘"

🧩 Task 쪼개기 예시

타깃 고객 분석
제품 정보 정리
이메일 톤/스타일 선택
이메일 작성
맞춤화된 추천 문구 추가

🤖 Agent 분배 예시

고객 분석을 위한 Customer Analysis Agent → CRM 데이터 기반으로 타깃 고객 정보 추출
제품 정보 요약을 위한 Product Summary Agent → 제품의 주요 특징 정리
이메일 스타일 조정을 위한 Tone Styling Agent → 마케팅 목적에 맞게 톤과 문체 조절
이메일 문구 생성을 위한 Copywriting Agent → 자연스럽고 설득력 있는 문장 작성
맞춤 문구 추천을 위한 Personalization Agent → 사용자의 행동 데이터 기반으로 개인화 문구 추천

이 밖에도 다양한 Agent 활용 사례는 우리 주변에서 쉽게 찾을 수 있는데요, 아래와 같은 우리 일상과 밀접한 예시들도 있습니다.

데이터 분석 Agent
- 수십만줄의 csv를 분석해 내고, 시각화까지 진행하며 에러도 스스로 수정합니다.
파일 관리 Agent
- 로컬 폴더 내의 파일 삭제, 이동, 읽기, 쓰기 등을 자동화합니다.
보고서 작성 Agent
- 문서 검색, 요약, 마크다운 형태의 보고서 작성, 이미지 삽입까지 자동화합니다.

✅ 핵심 정리

Agentic Workflow = Task 나누기 + 역할 분배
Task 쪼개기는 사람이 전략적으로 설계해야 함
각 Agent는 자신이 잘하는 일을 맡아서 자동화 수행
전체 흐름은 Router → Task → Agent → 응답 구조로 이루어짐

2-2 AI Agent Orchestration

앞서 본 것처럼, 하나의 목표를 달성하기 위해 여러 Agent가 함께 협업하는 Agentic Workflow를 설계하는 것이 중요합니다. 그리고 제대로 협업하기 위해서는 어떤 Agent를 어떤 상황에 쓸 것인지 판단하고 조율하는 똑똑한 시스템, 바로 Orchestration Layer가 필요합니다.

🎼 Orchestration Layer란?

사용자의 요구(Input)에 맞춰 어떤 Agent(또는 Model)를 쓸지 선택하고 조합하는 중간 지휘자 역할입니다.

사용자의 요청을 이해하고
어떤 Agent 조합이 가장 효율적일지 판단하고
각 Agent에게 적절한 역할을 분배해줍니다.

🔄 다양한 모델을 조합하는 Multi-Agent 구조

현대의 AI 시스템은 하나의 모델만으로 구성되지 않습니다. 대신, 서로 다른 기능을 가진 여러 Agent + 여러 Model을 조합합니다.

🧠 Agent Orchestration이 중요한 이유

✅ 서비스 안정성 확보
→ 한 Agent가 실패해도 전체 서비스는 무너지지 않음
✅ 성능 최적화 가능
→ 상황에 따라 비용 적은 모델 선택 or 고성능 모델 선택 가능
✅ 집단지성처럼 작동
→ 여러 Agent들이 협업하며 더 나은 결과 도출

🧱 다양한 사용자의 Input을 이해하는 Multi-Agent

사용자는 다양한 기준으로 요청합니다:

"정확하게", "싸게", "특정 국가의 모델은 빼고", "속도 우선", "오늘 안에 결과 줘"

Orchestration Layer는 이런 조건을 바탕으로 최적의 Agent 조합과 모델을 동적으로 결정합니다.

🧬 Agent의 발전 방향

Agent는 점점 더 지능적이고, 대화형으로 진화하고 있습니다. 들어온 요청에 대해 무조건적인 작업 수행을 하던 Agent부터 시작해서, 할 수 있는 작업과 할 수 없는 작업을 구분하는 Agent, 그리고 할 수 있는 정보에 대해 부족한 정보를 추가로 요청하는 Agent까지 계속 발전하고 있습니다.

Wrap Up

이번 섹션에서는 AI Agent의 핵심 개념을 살펴보았습니다.

🔹 AI Agent란? 목표 달성을 위해 자동으로 판단하고 행동하는 지능형 시스템

🔹 LLM + Agent 구조: LLM은 추론, Agent는 외부 기능 실행

🔹 Structured Data의 필요성: Agent 간 협업을 위한 핵심

🔹 Agentic Workflow: 태스크를 나누고, 태스크별 적절한 Agent 지정

📘 다음 섹션에서는 Upstage API들을 실제로 사용해 AI Agent를 만들어보는 실습으로 이어집니다! 준비되셨나요? 여러분의 첫번째 Agent를 직접 만들어 봅시다! 🤖✨

Suwan Kim | AI Edu | Upstage

PreviousIntroduction to RAG Next[ENG] Edu Full Package - No-Code Zone

Last updated 9 days ago

1. AI Agent의 개념 소개

AI Agent가 대체 뭐길래 요즘 이렇게 주목을 받을까요?

1-1. AI Agent란?

✅ 간단히 말하자면, 주어진 목표를 달성하기 위해, 스스로 판단하고 행동하는 인공지능 시스템입니다.

1-2. LLM과 Agent의 관계

LLM은 원래 텍스트를 이해하고 생성하는 데 특화된 모델입니다.

이러한 LLM이 점점 커지면서 추론(Reasoning) 능력까지 가지게 되었죠. 이게 바로 Scaling Law의 힘!

하지만, 실제 문제를 해결하기 위해선 "생성" 외에도 더 많은 기능이 필요합니다. 그래서 등장한 것이 Agent입니다.

1-3. LLM이 잘하는 건 Reasoning! Agent는 이걸 극대화합니다

Agent는 LLM의 추론 능력(Reasoning)을 중심으로, 다른 기능(계산, 검색, 외부 API 호출 등)을 연결하여 복잡한 작업을 자동화할 수 있게 도와줍니다.

그리고 이때 중요한 기술 중 하나가 바로 Function Calling입니다.

Function Call에 대해 더 자세히 알아보고 싶다면 Getting Started to Function Call을 참고하세요!

🧠 Function Call이란?

Function Call은 LLM이 외부 도구를 '사용하겠다'고 요청하는 방식입니다. 마치 “AI가 직접 프로그램의 버튼을 눌러 무언가를 실행하는 것”과 같죠.

예를 들어:

“서울의 내일 날씨 알려줘” 라는 질문을 받았을 때,
- LLM은 그걸 “get_weather(location="Seoul", date="tomorrow") 함수를 실행해줘!” 라고 말할 수 있습니다.
```
from langchain.tools import tool

# 데코레이터를 사용하여 함수를 도구로 변환합니다.
@tool
def get_weather(location: str, date: str) -> str:
    """지정한 지역(location)과 날짜(date)에 대한 날씨 정보를 반환합니다."""
    # 실제 날씨 API 연동 로직이 들어갈 수 있음
    return f"{date}의 {location} 날씨는 맑습니다."
```
- @tool 데코레이터: 이 함수가 외부에서 사용할 수 있는 도구임을 명시하는 부분
- Docstring: 함수의 역할을 설명하는 부분
  - LLM이 언제 이 도구를 사용해야 할지 판단하는 기준이 됩니다

이처럼 LLM은 사람처럼 명령을 이해한 뒤, 프로그래밍 언어처럼 함수 호출 형태로 의도를 표현할 수 있습니다.

🤖 Function Call + Agent의 실제 흐름

LLM의 역할: 질문을 분석해 어떤 함수가 필요한지 판단 → Function Call 생성
Agent의 역할: 생성된 함수를 실제로 실행하고 → 결과를 다시 LLM에 전달
LLM의 최종 역할: 결과를 자연어로 요약해 사용자에게 전달

요약하자면,

Function Call = LLM이 외부 도구(API, 계산기, 검색 등)를 사용하려고 만드는 실행 요청 명령
Agent = 이런 요청을 실제로 실행해주는 비서 또는 도우미 역할

1-4. Agent들이 협력하려면? 데이터를 Structured화하자

AI끼리 협업하려면 사람이 말하듯이 “아버지가 방에 들어가신다”라고 말해선 안 됩니다.

❌ Unstructured: “아버지가방에들어가신다”
✅ Structured: {"Person": "아버지", "Space": "방"}

Agent들은 이런 **구조화된 데이터(JSON)**를 기반으로 서로 협업합니다.

Structured Ouputs에 대해 더 자세히 알아보고 싶다면 Getting Started to Structured Ouptut을 참고하세요!

2. Agentic Workflow

2-1. Agent Workflow 설계 방법

🔍 핵심은 “작업을 잘게 나누는 것!”

이때 중요한 점은, 작업(Task)을 쪼개는 일은 LLM이 아니라 사람이 해야 한다는 점입니다.

몇 가지 예시를 통해 Task를 어떻게 나눌 수 있는지 살펴보겠습니다.

🪜 예시 1: 날씨 안내 서비스 만들기

사용자 요청: "내일 서울에서 우산을 가져가야 할까?"

🧩 Task 쪼개기 예시

지역과 날짜 파악
→ 서울, 내일
날씨 정보 검색
→ 강수 확률 확인
우산 여부 판단 기준 적용
→ 강수 확률 60% 이상이면 우산 권장
결과 정리 및 응답 생성

🤖 Task별 Agent 배정 예시

지역과 날짜 추출을 위한 NLP Agent → 사용자 요청 문장에서 정보 추출
날씨 정보 호출을 위한 Weather Agent → 기상청 API 호출
우산 여부 판단을 위한 Rule-based Judge Agent → 기준 적용
자연어 응답 생성을 위한 Response Agent → 자연어 설명 생성

💼 예시 2: 마케팅 이메일 자동 생성하기

사용자 요청: "신제품 홍보 이메일을 만들어줘"

🧩 Task 쪼개기 예시

타깃 고객 분석
제품 정보 정리
이메일 톤/스타일 선택
이메일 작성
맞춤화된 추천 문구 추가

🤖 Agent 분배 예시

고객 분석을 위한 Customer Analysis Agent → CRM 데이터 기반으로 타깃 고객 정보 추출
제품 정보 요약을 위한 Product Summary Agent → 제품의 주요 특징 정리
이메일 스타일 조정을 위한 Tone Styling Agent → 마케팅 목적에 맞게 톤과 문체 조절
이메일 문구 생성을 위한 Copywriting Agent → 자연스럽고 설득력 있는 문장 작성
맞춤 문구 추천을 위한 Personalization Agent → 사용자의 행동 데이터 기반으로 개인화 문구 추천

이 밖에도 다양한 Agent 활용 사례는 우리 주변에서 쉽게 찾을 수 있는데요, 아래와 같은 우리 일상과 밀접한 예시들도 있습니다.

데이터 분석 Agent
- 수십만줄의 csv를 분석해 내고, 시각화까지 진행하며 에러도 스스로 수정합니다.
파일 관리 Agent
- 로컬 폴더 내의 파일 삭제, 이동, 읽기, 쓰기 등을 자동화합니다.
보고서 작성 Agent
- 문서 검색, 요약, 마크다운 형태의 보고서 작성, 이미지 삽입까지 자동화합니다.

✅ 핵심 정리

Agentic Workflow = Task 나누기 + 역할 분배
Task 쪼개기는 사람이 전략적으로 설계해야 함
각 Agent는 자신이 잘하는 일을 맡아서 자동화 수행
전체 흐름은 Router → Task → Agent → 응답 구조로 이루어짐

2-2 AI Agent Orchestration

🎼 Orchestration Layer란?

사용자의 요구(Input)에 맞춰 어떤 Agent(또는 Model)를 쓸지 선택하고 조합하는 중간 지휘자 역할입니다.

사용자의 요청을 이해하고
어떤 Agent 조합이 가장 효율적일지 판단하고
각 Agent에게 적절한 역할을 분배해줍니다.

🔄 다양한 모델을 조합하는 Multi-Agent 구조

현대의 AI 시스템은 하나의 모델만으로 구성되지 않습니다. 대신, 서로 다른 기능을 가진 여러 Agent + 여러 Model을 조합합니다.

🧠 Agent Orchestration이 중요한 이유

✅ 서비스 안정성 확보
→ 한 Agent가 실패해도 전체 서비스는 무너지지 않음
✅ 성능 최적화 가능
→ 상황에 따라 비용 적은 모델 선택 or 고성능 모델 선택 가능
✅ 집단지성처럼 작동
→ 여러 Agent들이 협업하며 더 나은 결과 도출

🧱 다양한 사용자의 Input을 이해하는 Multi-Agent

사용자는 다양한 기준으로 요청합니다:

"정확하게", "싸게", "특정 국가의 모델은 빼고", "속도 우선", "오늘 안에 결과 줘"

Orchestration Layer는 이런 조건을 바탕으로 최적의 Agent 조합과 모델을 동적으로 결정합니다.

🧬 Agent의 발전 방향

Wrap Up

이번 섹션에서는 AI Agent의 핵심 개념을 살펴보았습니다.

🔹 AI Agent란? 목표 달성을 위해 자동으로 판단하고 행동하는 지능형 시스템

🔹 LLM + Agent 구조: LLM은 추론, Agent는 외부 기능 실행

🔹 Structured Data의 필요성: Agent 간 협업을 위한 핵심

🔹 Agentic Workflow: 태스크를 나누고, 태스크별 적절한 Agent 지정

Suwan Kim | AI Edu | Upstage