AI 에이전트 7가지 유형 정리: 반사형·목표 기반·학습·계층형·멀티 에이전트

핵심 메시지

• 챗봇은 '센서'만 있지만, AI 에이전트는 센서와 '액추에이터'를 함께 갖춰 실제로 행동한다.
• AI 에이전트는 복잡도 순으로 단순 반사형, 모델 기반 반사형, 목표 기반, 효용 기반, 학습형, 계층형, 멀티 에이전트의 7가지로 나뉜다.
• 유형이 올라갈수록 메모리 → 계획 → 최적화 → 학습 → 위임 → 협업 능력이 차례로 더해진다.
• 클로드 코드·코파일럿·데빈·코덱스 같은 실제 제품이 각각 어떤 유형인지로 설계 의도를 읽을 수 있다.
• 멀티 에이전트 시스템은 별개의 것이 아니라 앞선 여섯 유형을 조합한 결과다.

쉽게 이해하기

발표자는 챗봇과 에이전트의 차이를 '행동 여부'로 설명한다. 에이전트는 환경, 센서, 액추에이터 세 요소를 갖는데, 챗봇은 센서만 있어 읽고 답할 뿐이고 에이전트는 액추에이터로 계획을 세워 실제 세계에 무언가를 한다. 이어 소개하는 7가지 유형은 이 경계를 저마다 다르게 긋는다.

유형 1과 2는 반응형이다. 단순 반사형은 'if-this-then-that'처럼 조건에 규칙으로 반응하며 메모리나 학습이 없다(스팸 필터, ESLint, 푸시 때 도는 깃허브 액션). 모델 기반 반사형은 세계의 내부 상태, 즉 모델을 갖고 변화를 추적한다(스마트 온도조절기, AI 이전의 IDE 자동완성). 1에서 2로의 도약은 '메모리'다.

유형 3과 4는 미래를 향한다. 목표 기반 에이전트는 목표만 주면 단계를 스스로 계획한다(GPS, 클로드 코드의 계획 모드). 효용 기반 에이전트는 단순히 목표에 도달하는 게 아니라 가격·시간·평판 등 여러 기준에 점수를 매겨 '최선의 경로'를 고른다(넷플릭스 같은 추천 엔진). 핵심 도약은 각각 '계획'과 '최적화'다.

유형 5와 6은 도구를 넘어 팀원이 된다. 학습형 에이전트는 성능 요소·비평가·학습 요소·문제 생성기를 갖춰 피드백으로 행동을 바꾼다(깃허브 코파일럿이 수락·거절 패턴으로 개인화). 계층형 에이전트는 상위 에이전트가 작업을 쪼개 하위 전문가에게 위임하는 조직 구조다(데빈, 오픈AI 코덱스의 병렬 하위 에이전트).

유형 7 멀티 에이전트 시스템은 상하 관계 없이 각자 목표·모델·전략을 가진 독립 에이전트들이 협업한다(주인 없는 오픈소스 프로젝트에 비유, 윈드서프의 병렬 에이전트 등). 발표자는 멀티 에이전트가 별개 개념이 아니라 앞선 여섯 유형의 조합이며, 이 7가지가 어떤 AI 제품이든 분류해 보는 하나의 의사결정 틀이라고 강조한다.

주요 인사이트

• 챗봇과 에이전트를 가르는 기준은 '액추에이터'의 유무다. 읽고 답만 하면 챗봇, 계획을 세워 행동하면 에이전트다.
• 유형이 한 단계 오를 때마다 더해지는 능력이 분명하다: 메모리(1→2), 계획(→3), 최적화(→4), 학습(→5), 위임(→6), 협업(→7).
• 계층형 시스템의 위험은 최상위 계획자가 목표를 잘못 이해하면 전체 계층이 '자신 있게' 틀린 계획을 실행한다는 점이다.
• 제품을 유형으로 읽으면 설계 의도가 보인다. 예컨대 클로드 코드 계획 모드는 목표 기반, 코파일럿의 개인화는 학습형, 코덱스의 병렬 하위 에이전트는 계층형이다.

자주 묻는 질문

관련 AI 소식