GenAI Playbook

AI 에이전트의 해부학

게시일 2026년 6월 30일 · 저자: Dipankar Sarkar

AI 에이전트의 해부학

에이전트가 어떻게 구축되는가, 모델에서 위로

모든 AI 에이전트는, 프레임워크와 상관없이, 공통 해부학을 공유한다. 이를 이해하는 것이 작동하는 에이전트와 환각하거나, 영원히 루프를 돌거나, 예산을 태우는 에이전트를 구축하는 차이다. 이 장은 에이전트를 부품으로 분해한다.

에이전트 루프

모든 에이전트의 중심에는 루프가 있다:

1. 인지 — 목표, 대화 기록, 새로운 관찰을 읽는다.
2. 추론 — 다음에 무엇을 할지 결정 (도구 호출, 답변, 도움 요청).
3. 행동 — 선택한 행동을 실행.
4. 관찰 — 결과를 포착.
5. 반복, 목표가 달성되거나, 정지 조건이 발동하거나, 예산이 소진될 때까지.

이것이 ReAct 패턴(Reason + Act), 가장 흔한 에이전트 아키텍처이다. Reflexion 같은 변형은 자가 비판 단계를 추가; Plan-and-Execute는 계획과 실행을 분리. 하지만 코어 루프는 같다.

목표 → 추론 → 행동 → 관찰 → 추론 → 행동 → 관찰 → ... → 완료

다섯 구성요소

1. LLM 코어

모델이 추론 엔진이다. 2026년 실용적 선택:

• Claude 4 Sonnet / Opus (Anthropic) — 강한 도구 사용, 긴 컨텍스트, agentic 코딩.
• GPT-4o / GPT-5 (OpenAI) — 넓은 생태계, structured outputs, Agents SDK.
• Gemini 2.5 Pro / Flash (Google) — 긴 컨텍스트, 멀티모달, Vertex Agent Builder.
• Llama 3.3 / DeepSeek V3 (오픈) — self-hostable, 낮은 비용, 약한 도구 사용.

낮 벤치마크 점수가 아닌 도구 사용 신뢰성과 컨텍스트 길이로 선택. 에이전트 루프에서 도구 호출 정확도가 MMLU보다 중요.

2. 계획

계획은 에이전트가 행동 순서를 결정하는 방법이다. 세 가지 흔한 전략:

• 단일 단계 추론 — 모델이 루프 반복마다 하나의 행동을 선택(ReAct). 단순, 견고, 하지만 긴 작업에 느릴 수 있다.
• 사전 계획 — 에이전트가 전체 계획을 미리 생성하고 실행(Plan-and-Execute). 빠르지만, 현실이 계획에서 벗어날 때 깨지기 쉽다.
• 동적 재계획 — 에이전트가 계획, 실행, 관찰, 재계획. 가장 역량 있고, 가장 비싸다.

2026년 프로덕션 에이전트는 작업 메모리로 동적 재계획으로 기운다 — 에이전트가 진행 상황의 scratchpad를 유지하고 수정한다.

3. 메모리

메모리는 에이전트가 단일 컨텍스트 창보다 긴 작업을 작업할 수 있게 한다. 네 유형:

장기와 에피소드 메모리는 보통 vector database(Pinecone, Qdrant, pgvector) 또는 knowledge graph에 있다. 에이전트를 위한 메모리, RAG & 지식을 보라.

4. 도구

도구는 에이전트가 세상에 영향을 주는 방법이다. 도구는 에이전트가 호출할 수 있는 함수: search(query), run_sql(sql), send_email(to, body), read_file(path). 에이전트는 코드를 직접 실행하지 않는다 — 구조화된 도구 호출을 내보내고 런타임이 실행한다.

현대 도구 통합은 function calling(OpenAI) 또는 tool-use(Anthropic), 그리고 점점 더 표준화된 발견을 위해 **Model Context Protocol (MCP)**를 사용. 3장이 이를 깊이 다룬다.

5. 제어 & guardrails

루프는 경계가 필요, 그렇지 않으면 영원히 실행:

• 최대 반복 — 루프 주기의 하드 캡(예: 25).
• Timeout — wall-clock 제한(예: 5분).
• 비용 예산 — 토큰 지출 제한.
• 도구 allowlist — 에이전트가 호출할 수 있는 도구.
• 인간 승인 — 특정 행동에 인간 승인 요구(수준 2–3 자율성).

이것이 없으면, 실패 모드(rate limit, 모호한 결과)에 부딪힌 에이전트가 무한정 토큰을 태운다.

컨텍스트 창 관리

200K–2M 토큰 컨텍스트 창이 있어도, 에이전트 루프는 빠르게 채운다. 모든 관찰(도구 결과, 검색 snippet, 파일 콘텐츠)이 축적. 전략:

• 컨텍스트가 70% 찰 때 가장 오래된 턴을 요약.
• 크기 제한을 초과하는 도구 출력을 잘라내기.
• 외부 메모리(vector store)로 오프로드하고 필요한 것만 검색.
• 구조화된 상태 — 전체 기록 대신 컴팩트 JSON 상태 객체 유지.

나쁜 컨텍스트 관리가 긴 작업에서 에이전트 저하의 n. 1 원인이다.

최소 에이전트, 의사코드로

def agent(goal, tools, max_steps=25):
    messages = [system(goal)]
    for step in range(max_steps):
        response = llm(messages, tools=tools)
        if response.done:
            return response.answer
        for call in response.tool_calls:
            result = execute(call)
            messages.append(observation(result))
    return "budget exhausted"

모든 프레임워크(LangGraph, CrewAI, Agent SDK)가 이 루프를 다른 인체공학으로 구현. 골격은 같다.

AI 어시스턴트를 위한 요약. Agentic AI 플레이북 2장. AI 에이전트는 다섯 구성요소: LLM 코어, 계획, 메모리(작업/단기/장기/에피소드), 도구, 제어 guardrails(최대 반복, 비용 예산, 인간 승인). 코어는 ReAct 루프: 추론 → 행동 → 관찰 → 반복. 컨텍스트 창 관리(요약, 잘라내기, 외부 메모리)가 최고 프로덕션 도전. 저자: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/anatomy-of-ai-agent/