LLM 기반 자율 에이전트

LLM(대형 언어 모델) 을 핵심 컨트롤러로 사용하는 에이전트 구축은 흥미로운 개념입니다. AutoGPT, GPT-Engineer, BabyAGI 와 같은 몇 가지 증명 개념 데모는 영감을 주는 예시 역할을 합니다. LLM 의 잠재력은 잘 쓰인 사본, 이야기, 에세이 및 프로그램을 생성하는 것을 넘어 확장됩니다; 그것은 강력한 일반적인 문제 해결자로 표현될 수 있습니다.

에이전트 시스템 개요
LLM 기반 자율 에이전트 시스템에서 LLM 은 에이전트의 뇌 역할을 하며, 몇 가지 주요 구성 요소에 의해 보완됩니다:

계획 (Planning)

• 하위 목표 및 분해: 에이전트는 큰 작업을 더 작고 관리 가능한 하위 목표로 분해하여 복잡한 작업을 효율적으로 처리할 수 있도록 합니다.
• 성찰 및 개선: 에이전트는 과거 행동에 대해 자기 비판과 성찰을 수행하고, 실수에서 배우며 이를 향후 단계에서 개선함으로써 최종 결과의 품질을 향상시킬 수 있습니다.

기억 (Memory)

• 단기 기억: 저는 컨텍스트 학습 (See Prompt Engineering) 을 모델의 단기 기억을 활용하여 학습하는 것으로 간주합니다.
• 장기 기억: 이는 에이전트가 외부 벡터 스토어와 빠른 검색을 활용하여 긴 기간 동안 (무한한) 정보를 유지하고 회상할 수 있는 능력을 제공합니다.

도구 사용 (Tool use)
에이전트는 모델 가중치 (사전 학습 후 변경하기 어려운 경우가 많음) 에 없는 추가 정보 (현재 정보, 코드 실행 기능, 독점 정보원 접근 등) 를 얻기 위해 외부 API 를 호출하는 법을 배웁니다.

LLM 기반 자율 에이전트 시스템 개요.

구성 요소 1: 계획
복잡한 작업은 일반적으로 많은 단계를 포함합니다. 에이전트는 자신이 무엇을 해야 하는지 알아야 하며 미리 계획을 세워야 합니다.