AI 에이전트 쉽게 이해하기: LLM·워크플로·에이전트 3단계 정리

핵심 메시지

• 대규모 언어모델(LLM)은 텍스트 생성에 강하지만, 개인·사내 데이터 같은 비공개 정보는 잘 모르고 사용자의 프롬프트를 기다리는 수동적 도구다.
• AI 워크플로는 사람이 미리 정한 경로(제어 로직)를 따르며, 외부 도구에서 정보를 가져오는 RAG도 워크플로의 한 종류다.
• AI 워크플로가 AI 에이전트가 되려면 의사결정자였던 사람의 자리를 LLM이 대신해야 한다.
• 에이전트의 핵심은 추론(Reason)과 행동(Act)을 결합한 ReAct 방식이며, 결과를 스스로 평가해 반복 개선하는 능력이다.

쉽게 이해하기

이 영상은 기술 배경은 없지만 AI 도구를 자주 쓰는 일반 사용자를 위해, AI 에이전트를 'LLM → AI 워크플로 → AI 에이전트'라는 3단계 학습 경로로 설명한다. 어렵게 느껴지는 RAG나 ReAct 같은 용어도 사실은 단순한 개념이라는 점을 강조한다.

1단계 LLM은 챗GPT, 제미나이, 클로드처럼 대규모 언어모델 위에 만들어진 앱으로, 사용자가 입력을 주면 학습 데이터를 바탕으로 출력을 만든다. 다만 내 캘린더 같은 비공개 정보는 알지 못하고, 먼저 묻기 전까지는 움직이지 않는 수동적 성격을 가진다.

2단계 AI 워크플로는 '개인 일정에 대해 물으면 먼저 구글 캘린더를 검색하라'처럼 사람이 경로를 정해 두는 방식이다. 단계가 수백 개라도 의사결정을 사람이 하면 여전히 워크플로일 뿐이며, 영상에서는 make.com으로 뉴스 기사를 모아 요약하고 SNS 글 초안을 매일 오전 8시에 자동 생성하는 사례를 든다.

3단계 AI 에이전트는 이 워크플로에서 의사결정자인 사람을 LLM이 대신하는 순간 완성된다. 에이전트는 목표를 받아 어떤 순서로 어떤 도구를 쓸지 스스로 추론하고 행동하며, 중간 결과를 관찰해 필요하면 반복한다. 영상은 키워드로 영상 속 장면을 찾아내는 비전 에이전트 데모를 실제 사례로 보여준다.

주요 인사이트

• 에이전트와 워크플로를 가르는 기준은 '복잡함'이나 '단계 수'가 아니라 '누가 의사결정을 하느냐'다. 사람이 판단하면 워크플로, LLM이 판단하면 에이전트다.
• RAG는 거창한 기술처럼 들리지만 모델이 답하기 전에 캘린더나 날씨 서비스 같은 외부 정보를 먼저 찾아보게 하는 과정으로, 본질적으로 AI 워크플로의 한 형태다.
• ReAct는 에이전트가 추론(Reason)과 행동(Act)을 번갈아 수행하는 가장 일반적인 구성으로, 모든 에이전트가 갖춰야 할 기본 골격이다.
• 에이전트는 사람이 수동으로 프롬프트를 고쳐 쓰던 반복 개선을, 또 다른 LLM에게 자기 결과물을 비평시키는 방식으로 자율적으로 수행할 수 있다.

자주 묻는 질문

관련 AI 소식