AI 에이전트 개념 정리 — LLM·워크플로우·에이전트를 가르는 기준은 의사결정권

핵심 메시지

• LLM은 아는 것은 많지만 내 개인·사내 정보는 모르고, 시키기 전에는 움직이지 않는 수동적인 도구다.
• AI 워크플로우는 사람이 미리 정의한 경로, 즉 컨트롤 로직대로만 움직인다.
• RAG는 별개의 신기술이 아니라 참고할 자료를 사람이 정해 주는 워크플로우의 한 형태로 이해할 수 있다.
• AI 에이전트는 워크플로우에서 의사결정자 자리를 사람 대신 LLM이 차지한 형태다.
• 에이전트의 세 가지 특징은 추론, 행동, 반복이며 ReAct라는 이름은 추론과 행동의 앞글자에서 왔다.

쉽게 이해하기

AI 관련 정보를 찾다 보면 에이전트, 워크플로우, RAG, ReAct 같은 용어가 한꺼번에 쏟아진다. 영상은 이 개념들을 세 개의 레벨로 나누어 이미 아는 것에서부터 차례로 쌓아 올린다. 기술적 배경이 없어도 따라올 수 있도록 일상적인 예시를 계속 끌어오는 것이 특징이다.

레벨 1은 대형 언어 모델, 즉 LLM이다. 질문이나 명령을 입력하면 학습한 데이터를 바탕으로 결과를 만들어내는 구조인데, 여기에는 두 가지 분명한 한계가 있다. 하나는 제한된 지식이다. 인터넷의 텍스트를 아무리 많이 읽었어도 내 개인 정보나 회사 내부 자료는 알 수 없다. 다른 하나는 수동성이다. 사용자가 프롬프트를 넣기 전까지는 먼저 나서서 무언가를 챙겨 주지 않는다.

레벨 2는 AI 워크플로우다. LLM의 한계를 보완하기 위해 사람이 일하는 순서와 지침을 미리 정의해 두는 방식이다. 일정을 물으면 먼저 캘린더에 접속해 데이터를 가져온 뒤 답변을 생성하라고 경로를 지정해 두는 식이다. 뉴스 기사를 모아 요약하고 소셜 미디어 게시물까지 만들어 정해진 시각에 자동 실행하는 복잡한 구성도 가능하지만, 어디까지나 사람이 정한 컨트롤 로직 안에서만 움직인다.

여기서 영상은 자주 헷갈리는 두 가지를 정리한다. 첫째, RAG는 답변 생성 전에 미리 저장해 둔 외부 자료를 검색해 참고하도록 돕는 과정이므로 본질적으로 워크플로우의 한 형태다. 둘째, 단계를 수백 수천 개 추가해 아무리 복잡하게 만들어도 최종 의사결정을 사람이 한다면 그것은 에이전트가 아니라 워크플로우다. 결과물이 마음에 들지 않을 때 프롬프트를 고쳐 다시 돌려야 하는 것도 이 방식의 한계다.

레벨 3인 AI 에이전트는 바로 그 의사결정자 자리를 LLM이 대신하면서 갈린다. 에이전트는 목표를 받으면 어떤 방법이 효율적인지 스스로 계획하고(추론), 필요한 도구를 골라 실제로 작업을 수행하며(행동), 중간 결과를 관찰해 부족하다고 판단되면 사람의 개입 없이 스스로 고쳐 나간다(반복). 자기 결과물을 비평할 다른 모델을 스스로 붙여 품질을 끌어올리기도 한다. 에이전트를 만드는 대표적인 방식인 ReAct는 추론(Reason)과 행동(Act)의 앞글자를 딴 이름이다.

주요 인사이트

• 워크플로우와 에이전트를 가르는 기준은 복잡도가 아니라 의사결정권이 누구에게 있는가다. 이 기준 하나로 대부분의 자동화 사례를 분류할 수 있다.
• RAG를 별도의 어려운 기술로 받아들일 필요가 없다. 참고할 자료를 사람이 지정해 준 워크플로우라고 보면 개념이 훨씬 단순해진다.
• 에이전트의 진짜 차별점은 도구를 쓴다는 사실이 아니라, 결과를 스스로 관찰하고 만족스러워질 때까지 반복한다는 자율성에 있다.
• LLM의 두 가지 한계인 제한된 지식과 수동성이, 그다음 단계인 워크플로우와 에이전트가 등장한 이유를 그대로 설명해 준다.

자주 묻는 질문

관련 AI 소식