Ch3. AI 에이전트 — 도구 사용과 자율 실행 루프

3강 개요: 답하는 AI에서 ‘일하는’ AI로

프롬프트(2강)가 한 번의 질문-답이라면, 에이전트는 목표를 받아 스스로 도구를 쓰고 여러 단계를 반복해 일을 끝낸다. 자동화의 핵심이 여기 있다.

이 강의의 목표: AI 에이전트의 3대 요소(도구 사용·자율 루프·메모리)를 이해하고, 단순 챗봇과의 차이를 안다.

일반 LLM: 입력 → 한 번 출력(끝)
에이전트: 목표 → [생각 → 도구 사용 → 결과 관찰] 반복 → 완료

핵심: '스스로 다음 행동을 결정'하며 외부 세계와 상호작용

LLM은 텍스트만 생성하지만, 도구를 붙이면 실제 행동을 한다.

도구 예: 웹 검색, 코드 실행, DB 조회, 이메일 발송, 계산기, 외부 API
작동: 모델이 "이 도구를 이런 인자로 호출하겠다"는 구조화 출력 →
      시스템이 실제 실행 → 결과를 모델에 다시 전달

함수 호출(function calling) 이 도구 사용의 표준 방식이다. 모델에 “사용 가능한 도구 목록(이름·인자 형식)“을 알려주면, 모델이 적절한 도구를 골라 JSON으로 호출한다. 모델은 ‘판단’을, 코드는 ‘실행’을 맡는 분업이다.

에이전트는 보통 관찰(Observe) → 사고(Reason) → 행동(Act) 을 반복한다(ReAct 패턴).

1. 사고: "목표 달성에 무엇이 필요한가?"
2. 행동: 적절한 도구 호출
3. 관찰: 도구 결과 확인
4. 다시 사고... → 목표 달성까지 반복
→ 막히면 다른 접근을 시도(자기 교정)

계획(Planning): 큰 목표를 하위 작업으로 분해해 순서대로
메모리(Memory):
- 단기: 현재 작업의 맥락(컨텍스트 윈도우)
- 장기: 외부 저장(벡터DB 등)에서 필요한 정보 검색(RAG)
→ 윈도우 한계를 넘는 정보·과거 기록을 다룸

RAG(검색 증강 생성): 모델이 모르는 최신·내부 정보를 외부에서 ‘검색해 넣어주는’ 방식. 할루시네이션을 줄이고(1강) 사실 기반 답을 만드는 핵심 패턴이다. 에이전트가 문서·DB를 도구로 조회하는 것이 곧 RAG의 실전 형태다.

복잡한 일은 여러 에이전트로 역할을 나누기도 한다.

예: 기획 에이전트 → 작성 에이전트 → 검수 에이전트
- 각자 전문 역할 + 서로의 결과를 주고받음
- 오케스트레이터가 전체를 조율
장점: 분업·검증 / 단점: 복잡도·비용 증가

에이전트는 강력한 만큼 통제가 중요하다. 자율 루프가 무한 반복하거나(루프 한계 설정 필요), 잘못된 도구를 위험하게 호출할 수 있다. 실행 권한 제한·승인 단계·반복 횟수 상한이 필수다(5강에서 상세).

다음 강의: 에이전트와 외부 세계를 잇는 방법 — API·웹훅·노코드 도구, 그리고 표준 연결 규약(MCP)을 다룬다.