LLM - AI Agent

AI 에이전트란

AI 에이전트 시스템은 대규모 언어 모델(LLM)을 중심 두뇌로 삼아 사용자의 요청을 이해하고, 필요한 도구를 사용해 처리하는 시스템입니다. 단순히 텍스트를 생성하는 데 그치지 않고, 작업의 흐름을 스스로 판단하며 여러 단계를 이어 수행한다는 점이 특징입니다.

단일 에이전트 시스템

하나의 LLM이 모든 역할을 혼자 수행하는 가장 기본적인 구조입니다. 구성이 단순해 빠르게 만들고 운영할 수 있지만, 작업이 복잡해질수록 한계가 드러납니다.

• 장점: 단일 엔진으로 간단한 작업을 처리, 설정과 운영이 빠름
• 한계: 복잡한 작업에는 비효율적이고, 다양한 도구 사용·협업에 제약
• 구현 형태: 플랫폼 제공 LLM 활용, 또는 로컬 LLM에 RAG(검색증강생성)·파인튜닝을 결합

멀티 에이전트 시스템

여러 에이전트가 협력해 하나의 작업을 나누어 수행하는 구조입니다. 각 에이전트가 특정 역할에 전문화되어, 복잡한 작업을 더 정밀하게 처리할 수 있습니다.

• 전문화된 에이전트로 결과물의 품질을 높임
• 멀티턴(여러 차례 주고받는) 대화로 작업의 정밀도를 향상

멀티 에이전트의 세 가지 구조

에이전트들을 어떻게 조직하느냐에 따라 크게 세 가지 유형으로 나뉩니다.

• 협업형: 여러 에이전트가 평등하게 대화하며 작업을 수행 (예: CrewAI, AutoGen)
• 감독형: 감독자 에이전트가 작업을 관리하고, 개별 에이전트의 결과를 평가·피드백 (예: LangGraph의 슈퍼바이저 모델)
• 위계형: 감독형을 기반으로 하위 에이전트 간 계층적 분담을 추가 — 작업 복잡성이 높을수록 효과적

주요 프레임워크

멀티 에이전트를 구현할 때 자주 쓰이는 대표 프레임워크입니다. 각각 작업을 나누고 조율하는 방식이 다릅니다.

• CrewAI: 각 에이전트가 도구를 장착하고 사용자의 요청을 나누어 처리
• AutoGen: 멀티턴 대화와 협력을 통해 요청을 처리
• LangGraph: 라우터와 도구 호출 노드를 통해 에이전트에 작업을 효율적으로 배분

단일 vs 멀티, 어느 것을 쓸까

정답은 없으며, 작업의 복잡도에 맞춰 선택합니다.

• 단일 에이전트: 단순·명확한 작업에 적합하고 빠르지만, 복잡한 작업에는 비효율적
• 멀티 에이전트: 역할 분담이 필요한 복잡한 작업에 강하지만, 설계·운영 비용이 커짐

구현 시 고려사항

에이전트 시스템을 설계할 때는 다음을 명확히 해야 안정적으로 동작합니다.

• 각 에이전트가 사용할 도구를 정의하고, 역할을 분명히 분담
• 작업의 흐름과 방향성을 명확히 설계