AI Agent 아키텍처

AI Agent는 LLM에 도구 사용(Tool Use)과 추론 루프(Reasoning Loop)를 결합하여, 복잡한 작업을 자율적으로 수행하는 시스템입니다.

참고 학습 목표

• AI Agent와 단순 LLM 호출의 핵심 차이를 설명할 수 있다
• ReAct 패턴의 Thought→Action→Observation 루프를 구체적으로 이해한다
• Tool Use/Function Calling의 동작 방식을 JSON 수준에서 설명할 수 있다
• LangGraph, CrewAI, Databricks Agent Framework의 차이를 코드 수준에서 비교할 수 있다
• Multi-Agent 패턴 3가지(Supervisor, Swarm, 계층형)를 시나리오에 맞게 선택할 수 있다

---

​

AI Agent란?

AI Agent는 단순 LLM 호출과 다릅니다. 핵심 차이는 자율적 의사결정 과 행동 실행 능력입니다.

성공 비유: 일반 LLM은 “질문하면 답하는 백과사전”이라면, AI Agent는 “스스로 조사하고, 도구를 사용하고, 결과를 종합하는 리서치 어시스턴트”입니다.

​

Agent의 핵심 구성 요소

---

​

서브 페이지

---

​

연습 문제

1. ReAct 패턴에서 Thought, Action, Observation 각각의 역할을 자신만의 예시로 설명하세요.
2. Tool Use에서 LLM이 직접 함수를 실행하지 않는 이유는 무엇이며, 이것이 보안에 어떤 이점을 주나요?
3. 고객 지원 챗봇(FAQ 응답 + 주문 조회 + 환불 처리)을 만든다면, Single Agent와 Multi-Agent 중 어떤 구조를 선택하겠습니까? 이유와 함께 설명하세요.
4. Supervisor 패턴과 Swarm 패턴의 핵심 차이를 “회사 조직 구조”에 비유하여 설명하세요.

---

​

흔한 오해 (Common Misconceptions)

Agent를 처음 도입하는 팀이 빠지기 쉬운 대표적 오해 3가지입니다. 이 오해를 피하는 것만으로도 PoC 성공률이 크게 높아집니다.

---

​

참고 자료

• Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models” (2022)
• Databricks Agent Framework 문서
• LangGraph 문서
• CrewAI 문서
• OpenAI Agents SDK
• AutoGen 문서