AI 요약
거대언어모델(LLM)은 지식은 풍부하지만 실행 수단이 없는 '수동적 존재'라는 한계가 있습니다. 이를 해결하기 위해 백엔드 엔지니어의 시각에서 Agent, RAG, Skill, MCP라는 네 가지 핵심 개념이 제시되었습니다. Agent는 '자율 직원'으로서 목표를 이해하고 작업을 분해하며, RAG는 신뢰할 수 있는 사유 데이터를 제공하여 모델의 환각 현상을 줄여줍니다. Skill은 특정 영역의 표준화된 역량을 정의하고, MCP는 외부 도구와 서비스를 호출하기 위한 통일된 표준 프로토콜 역할을 합니다. 이 네 가지 기술은 서로 보완적인 관계이며, 특히 Agent는 추론(Reasoning)과 행동(Acting)의 순환 구조를 통해 단순 응답기를 넘어 실무 해결사로 진화하고 있습니다.
핵심 인사이트
- Agent의 구성 공식: Agent는 'LLM(뇌) + 계획(Planning) + 기억(Memory) + 도구 호출(Tools)'의 결합으로 정의됩니다.
- 두 가지 계획 전략: 작업 성격에 따라 실시간 수정 방식인 'ReAct(Reasoning + Acting)'와 선계획 후실행 방식인 'Plan-and-Execute'로 구분됩니다.
- 이중 기억 구조: 컨텍스트 윈도우 내의 '단기 기억'과 벡터 데이터베이스에 저장되는 '장기 기억'을 통해 지속성을 확보합니다.
- 제어 로직: 무한 루프를 방지하기 위해
max_iterations = 10과 같은 최대 반복 횟수 설정 등 기술적 안전장치가 필수적입니다.
주요 디테일
- 차별점: 일반 LLM 호출이 단발성 동기 방식인 반면, Agent는 목표 중심의 비동기 다회차 자율 실행 방식입니다.
- ReAct 패턴: '생각(Thought) - 행동(Action) - 관찰(Observation)'의 반복을 통해 OOM(메모리 부족) 로그 분석부터 코드 수정 제안까지 자동 수행이 가능합니다.
- 도구 정의: 도구(Tool)는 이름, 설명, 매개변수 스키마(Schema)를 포함하여 정의되며 LLM이 이 정보를 바탕으로 호출 여부를 결정합니다.
- 워크플로우: LLM이 도구 호출(
has_tool_call)을 결정하면 결과를 메모리에 추가하고, 최종 답변(is_final_answer)이 나올 때까지 루프를 지속합니다. - MCP의 역할: 모델과 외부 도구 간의 인터페이스를 표준화하여 서비스 간 결합도를 낮추고 호환성을 높입니다.
향후 전망
- 자율형 워크플로우 가속화: 단순 챗봇을 넘어 엔지니어링 오류 탐지 및 수정까지 전담하는 자율형 AI 시스템이 보편화될 것입니다.
- 표준 프로토콜의 확산: MCP와 같은 표준이 정착됨에 따라 기업 내부 시스템과 외부 AI 도구 간의 통합이 더욱 용이해질 전망입니다.
출처:juejin