> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# 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.

| 구분      | 일반 LLM 호출    | AI Agent            |
| ------- | ------------ | ------------------- |
| 입력 → 출력 | 1회 호출, 1회 응답 | 다단계 추론 및 행동 반복      |
| 도구 사용   | 없음           | API, DB, 검색 등 도구 호출 |
| 의사결정    | 없음           | 다음 행동을 스스로 결정       |
| 상태 관리   | 없음           | 작업 진행 상태 유지         |
| 오류 처리   | 없음           | 실패 시 대안 전략 수행       |

### Agent의 핵심 구성 요소

| 구성 요소                      | 역할     | 설명                                          |
| -------------------------- | ------ | ------------------------------------------- |
| **AI Agent**               | 전체 시스템 | LLM + Reasoning Loop + Tool Use를 결합한 자율 시스템 |
| **LLM (Brain)**            | 추론 엔진  | 질문을 이해하고 다음 행동을 결정하는 핵심 두뇌                  |
| **Reasoning Loop (ReAct)** | 추론 루프  | Thought → Action → Observation 반복으로 목표 달성   |
| **Tool Use**               | 도구 실행  | API, DB, Search 등 외부 도구를 호출하여 행동 수행         |

***

## 서브 페이지

| 페이지                                     | 내용                                                            |
| --------------------------------------- | ------------------------------------------------------------- |
| [ReAct 패턴 & Planning](react-planning)   | ReAct 루프 상세, 실패 모드 3가지, Plan-and-Execute 비교, 실전 System Prompt |
| [Tool Use / Function Calling](tool-use) | JSON 수준 동작 흐름, Tool Description 노하우, 도구 설계 원칙 7가지             |
| [Agent Memory 시스템](memory)              | 단기/장기/에피소드/작업 기억 유형별 비교와 Databricks 구현                        |
| [Multi-Agent 패턴](multi-agent)           | Supervisor/Swarm/계층형 패턴, 통신 패턴, 비용 분석, 디버깅                    |
| [Agent 프레임워크 비교](frameworks)            | Databricks, LangGraph, CrewAI, OpenAI, AutoGen 코드 비교          |
| [프로덕션 운영 가이드](production)               | 안전성, 디버깅, 안티패턴 5가지, PoC 가이드, 고객 FAQ                           |

***

## 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.

| 오해                                         | 사실                                                                               |
| ------------------------------------------ | -------------------------------------------------------------------------------- |
| "Agent는 항상 Single Agent보다 Multi-Agent가 낫다" | 단순한 작업에 Multi-Agent를 사용하면 오히려 지연시간, 비용, 오류율이 증가합니다. Single Agent로 충분한지 먼저 검증하세요. |
| "도구를 많이 줄수록 Agent가 강력해진다"                  | 도구가 10\~15개를 넘으면 LLM이 적합한 도구를 선택하는 정확도가 떨어집니다. 도구 설명(description)의 품질이 더 중요합니다.  |
| "Agent가 스스로 학습하고 진화한다"                     | 현재 대부분의 Agent는 매 세션마다 새로 시작합니다. 장기 메모리와 자가 개선은 별도로 구현해야 합니다.                     |

***

## 참고 자료

* [Yao et al., "ReAct: Synergizing Reasoning and Acting in Language Models" (2022)](https://arxiv.org/abs/2210.03629)
* [Databricks Agent Framework 문서](https://docs.databricks.com/en/generative-ai/agent-framework/index.html)
* [LangGraph 문서](https://langchain-ai.github.io/langgraph/)
* [CrewAI 문서](https://docs.crewai.com/)
* [OpenAI Agents SDK](https://openai.github.io/openai-agents-python/)
* [AutoGen 문서](https://microsoft.github.io/autogen/)