AI 에이전트 — 목표를 도구 실행으로 바꾸는 시스템

이 토픽을 마치면

기존 대화형 챗봇(LLM)과 AI 에이전트에 동일한 일을 시켰을 때의 반응 차이입니다.

기존 챗봇: "네, 경쟁사 정보를 입력해 주시면 요약해 드리겠습니다." (사용자가 직접 검색하고, 자료를 복사해서 붙여넣어 줘야 답을 함)
AI 에이전트: "알겠습니다. 1) 구글 검색으로 경쟁사 A, B, C의 최신 발표 자료를 찾고, 2) 핵심 수치를 웹에서 수집한 뒤, 3) 엑셀 파일로 정리하고, 4) 보고서 초안을 만들어 슬랙으로 공유하겠습니다."

기존 AI가 사용자의 묻는 말에 한 번 대답하고 끝나는 '수동적 대화 상대'였다면, 에이전트는 복잡한 목표를 스스로 판단하여 여러 단계의 업무를 연속해서 처리하는 '자율형 일꾼'입니다.

구분	단순 대화형 챗봇 (Chatbot)	AI 에이전트 (Agent)
작동 방식	1회성 질문-답변 (Single Turn)	목표 달성을 위한 연속적 단계별 실행 (Multi-step Loop)
주도권	사용자가 질문할 때만 반응	AI가 스스로 다음에 할 일을 판단하고 실행
도구 사용	텍스트 대화 중심	외부 도구(웹 검색, API, DB, 파일 생성 등) 능동적 활용
비유	매번 묻는 말에만 답하는 안내원	목표만 던져주면 스스로 알아서 해오는 전담 업무 대리인

한 줄 비유:

AI 에이전트는 질문 하나에 대답만 하는 인공지능이 아니라, **"목표를 주면 스스로 계획을 세우고 도구를 사용해 과업을 완수하는 자율 실행 시스템"**입니다.

에이전트는 사람의 일 처리 방식을 본떠 만든 4단계 피드백 루프를 거쳐 일합니다.

목표 분해 (Planning / Decomposing):
- 거대한 목표를 작은 실행 단위로 쪼갭니다.
- 예: "보고서 작성" → [1. 정보 수집] → [2. 데이터 분석] → [3. 문서 작성] → [4. 전송]
도구 선택 및 실행 (Tool Calling):
- 이전 단계에서 배운 MCP(표준 어댑터)를 활용해 외부 도구를 꺼내 씁니다. (예: 웹 검색 도구 실행, DB 조회 등)
결과 평가 및 추론 (Reasoning & Assessment):
- 실행한 결과가 올바른지 스스로 평가합니다. 정보가 부족하면 추가 검색을 진행합니다.
과업 완수 및 피드백 (Action & Iteration):
- 모든 과정이 완료될 때까지 위 루프를 반복(Loop)한 뒤 최종 결과물을 사용자에게 전달합니다.

자율 개발 에이전트 (Coding Agent): 요구사항만 입력하면 코드 작성, 테스트, 버그 수정까지 자율적으로 진행 (예: Devin, Cursor Agent 등)
리서치 및 시장 분석 에이전트: 논문이나 웹페이지 수백 개를 스스로 순회하며 핵심 정보를 취합해 보고서 작성
고객지원/운영 에이전트: 고객의 환불 요청 접수부터 사내 DB 확인, 환불 승인 조치, 안내 이메일 발송까지 전 과정을 자동 처리

아닙니다. 에이전트는 특정한 LLM 지능 모델 하나를 뜻하는 것이 아닙니다. LLM(두뇌) + MCP(도구 연결) + 기억 장치(지식 베이스) + 추론 및 계획 루프가 결합된 **'시스템 전체의 구조(Architecture)'**를 의미합니다.

아닙니다. 에이전트가 판단 착오를 일으키면 의도와 다른 도구를 연속해서 호출하거나, 무한 루프(Loop)에 빠질 수 있습니다. 그래서 에이전트가 궤도를 벗어나지 않도록 제어해 주는 시스템(뒤에서 배울 하네스)이 함께 결합되어야 합니다.

에이전트는 LLM 하나가 아니라 다음 부품의 조합입니다.

text

목표 + 현재 상태
      ↓
모델의 다음 행동 선택
      ↓
도구 실행 → 결과 관찰 → 상태 갱신
      ↓
성공 조건 검사 또는 다음 반복

여기에 도구 스키마, 작업 메모리, 장기 저장소, 권한 정책, 재시도, 비용·시간 제한, 사람 승인과 관찰 가능성이 붙습니다.

경로가 미리 정해진 업무는 결정론적 워크플로우가 더 안정적입니다. 입력마다 다음 단계가 달라지고 도구 선택을 사전에 열거하기 어려울 때 에이전트가 유리합니다.

모델이 “완료했습니다”라고 말하는 것은 완료 증거가 아닙니다. 파일 존재, 테스트 통과, API 응답, 레코드 수처럼 기계적으로 확인 가능한 종료 조건을 둡니다. 반복 횟수와 비용 상한을 넘으면 중단하고 사람에게 에스컬레이션합니다.

각 도구 호출의 입력·출력·시간·비용·오류를 구조화해 남깁니다. 단, 비밀번호와 개인정보는 로그에 기록하지 않습니다. 실행 trace가 있어야 같은 실패를 재현하고, 모델 문제와 도구 문제를 분리할 수 있습니다.