AI 에이전트 스킬(Skills): 온디맨드 로딩으로 전문 지식 주입하기

핵심 메시지

• LLM은 방대한 고품질 텍스트로 학습되지만 본질적으로 특정 분야 전문가가 아니라 범용가다.
• 학습 데이터는 빠르게 낡는다. 특히 프레임워크가 자주 바뀌는 코딩에서 최신성이 문제가 된다.
• 스킬(Skills)은 프롬프트·도구 호출을 넘어 지시·예제·모범 사례·가이드를 담아 특정 니치 문제를 다룬다.
• 프롬프트와 달리 스킬은 필요할 때만 로드돼, 매번 같은 지침을 반복하지 않고 컨텍스트를 깨끗하게 유지한다.

쉽게 이해하기

대형 언어 모델(LLM)은 학습 목적에 맞게 선별된 고품질 텍스트로 훈련되지만, 그 결과 특정 분야의 전문가라기보다 두루 잘하는 범용가가 된다. 후속 학습으로 특정 영역을 보강할 수는 있어도, 우리가 매일 마주하는 좁고 구체적인 문제까지는 잘 알지 못한다. 게다가 학습에 쓰인 문서는 빠르게 낡는데, 프레임워크가 수시로 바뀌는 코딩이 대표적이다.

그렇다면 어떻게 LLM을 최신 상태로 유지하고, 나아가 특정 지식에 특화시킬 수 있을까. 영상은 2024년 무렵 에이전트 흐름과 함께 등장한 '스킬(Skills)'을 답으로 제시한다. 스킬은 단순 프롬프트나 도구 호출을 넘어, 에이전트가 특정 니치 문제에서 따라야 할 지시·예제·모범 사례·가이드를 담은 묶음이다.

핵심 차이는 로딩 방식이다. 프롬프트는 보통 컨텍스트 창에 직접 담겨 전달되지만, 스킬은 필요할 때만 온디맨드로 불러온다. 덕분에 여러 대화에 걸쳐 같은 지침을 반복해 줄 필요가 없고, 작업과 맞는 스킬만 그때그때 불러와 컨텍스트 창을 중심 과제에 집중시킬 수 있다. 내부적으로는 사용자 요청이 들어오면 에이전트가 자체 저장소에서 관련 스킬을 검색해 컨텍스트로 로드한다.

예를 들어 PowerPoint·Word·Excel 조작은 학습 데이터에 충분히 담기지 않은 니치 작업이지만, 별도의 스킬 라이브러리에 잘 문서화해 두면 에이전트가 이를 근거로 각 시스템을 다룬다. 사용자는 학습 데이터에 없는 자사 고유 지식으로 직접 스킬을 만들 수도 있고, 남이 만든 좋은 스킬 파일을 내려받아 에이전트에 붙일 수도 있다. 영상은 인격·기억·메신저 연동 같은 스킬을 모아둔 공유 마켓플레이스형 저장소도 함께 소개한다.

주요 인사이트

• 스킬의 본질은 '지식을 컨텍스트에 상주시키지 않고, 필요할 때만 검색해 붙인다'는 데 있다. 이는 RAG처럼 관련 지식을 검색해 주입하는 발상을 에이전트 지침 수준으로 끌어올린 것이다.
• PowerPoint·Excel처럼 문서화가 잘 된 니치 작업일수록 스킬의 효과가 크다. 학습 데이터의 공백을 조직 고유 지식으로 메우는 통로가 된다.
• 스킬 파일을 공유·재사용할 수 있다는 점은, 개별 앱마다 지침을 새로 쓰는 대신 검증된 모범 사례를 가져다 쓰는 생태계로 이어진다.

자주 묻는 질문

관련 AI 소식