요약: LLM은 입력을 처리하여 출력을 생성하는 상태 비저장(stateless), 요청-응답 엔진입니다. 반면, AI 에이전트는 이 모델을 실행 루프 안에 감싸고 도구(tools)를 장착하여, 모델이 순차적인 결정을 내리고, 결과를 관찰하며, 목표 달성을 위해 자율적으로 행동할 수 있게 합니다.

마케팅 과장과 혼용되는 산업 용어 때문에 언어 모델(LLM)과 AI 에이전트 사이의 경계가 자주 모호해집니다. 엔지니어로서 우리는 이 시스템들의 구조적 경계를 이해해야 효과적으로 구축, 디버깅 및 확장할 수 있습니다.

여기서는 순수한 언어 모델과 자율적인 에이전트 아키텍처 간의 기술적 차이점을 설명합니다.

LLM과 AI 에이전트의 차이점은 무엇인가요?

LLM은 입력을 출력으로 매핑하는 상태 비저장(stateless), 요청-응답 엔진입니다. AI 에이전트는 이 LLM을 지속적인 실행 루프 안에 감싸서, 도구에 접근하고 목표가 달성될 때까지 순차적인 결정을 내릴 수 있는 능력을 부여합니다.

표준 대규모 언어 모델(LLM)은 고급 순수 함수처럼 생각할 수 있습니다. 텍스트, 이미지 또는 비디오를 입력으로 넣으면, 텍스트, 이미지 또는 비디오가 출력됩니다. 채팅 기록을 다시 전달하지 않는 한 이전 API 호출 내용을 기억하지 못하며, 스스로 외부 시스템과 상호작용할 수도 없습니다.

에이전트는 이러한 요청-응답 모델을 가져와 실행 루프 안에 배치합니다. 이 루프 구조는 순차적으로 작동합니다:

1. 관찰(Observe): 환경의 현재 상태를 검사합니다.
2. 추론(Reason): 상태를 LLM에 보내고,

이 과정을 시각화하기 위해, 카메라, 바퀴, 그리고 지속적인 루프를 실행하는 온보드 컴퓨터가 장착된 물리적 로봇을 상상해 보세요. 시스템은 카메라 스냅샷을 찍어 LLM에 보내고, '앞으로 가야 할까요, 왼쪽으로 가야 할까요, 아니면 오른쪽으로 가야 할까요?'라고 묻습니다. LLM은 스냅샷을 분석하고 '앞으로'라고 응답합니다. 그런 다음 시스템은 그 물리적 모터 명령을 실행하여 한 걸음 앞으로 이동하고, 새로운 스크린샷을 찍어 이 과정을 반복합니다.

이 시스템의 지능은 요청-응답 모델입니다. 에이전트는 상태를 캡처하고, 모델을 호출하며, 모델의 텍스트 결정을 실제 세계 도구 실행으로 변환하는 주변 루프 자체입니다.

개발자들은 AI 에이전트를 구동하기 위해 어떤 도구를 사용하나요?

대부분의 개발자들은 Claude Code, Cursor, 또는 Devin과 같은 터미널 및 IDE 도구를 통해 매일 에이전트와 상호작용합니다. 이러한 시스템은 로컬 파일을 읽고, 필요한 편집을 결정하며, 터미널 명령을 실행하고, 그 결과를 자율적으로 검사합니다.

사용자 정의 AI 에이전트는 어떻게 만드나요?

기본적인 에이전트를 구축하는 것은 복잡한 오케스트레이션 프레임워크를 필요로 하지 않습니다. 단지 LLM API 주변에 표준 제어 루프를 작성하면 됩니다. 도구를 헬퍼 함수(helper functions)로 정의하고, 프롬프트가 이를 선택하도록 허용함으로써 Python이나 Node.js에서 처음부터 작성할 수 있습니다.

상용 수준의 프레임워크가 존재하지만, 처음부터 에이전트를 작성하는 것이 이 기술을 이해하는 가장 좋은 방법입니다. 기본적인 함수로 도구를 정의하고, 시스템 프롬프트에서 해당 함수들을 설명하며, LLM이 요청할 때 올바른 함수를 호출하는 간단한 파서를 작성하면 됩니다.

실험해 보기에는 믿을 수 없을 만큼 간단한 아키텍처이며, 자신만의 루프(loop)를 작성하는 것은 매우 교육적입니다.

감사합니다!

FAQ

AI 에이전트는 전문적인 머신러닝 모델을 필요로 하나요?

아닙니다. API를 실행 루프에 감싸고 도구 실행을 처리하는 코드를 작성하기만 한다면, 표준 LLM API(OpenAI, Anthropic 또는 Ollama를 통한 로컬 모델 등)를 사용하여 에이전트를 구축할 수 있습니다.

툴 호출과 AI 에이전트의 차이점은 무엇인가요?

툴 호출(Tool calling)은 LLM이 실행할 도구와 인수를 제안하는 단일 단계 기능입니다. 반면, AI 에이전트는 실제로 해당 도구를 실행하고, 그 출력을 캡처하여 장기적인 목표를 달성하기 위해 지속적인 루프(continuous loop)로 모델에 다시 피드백하는 더 광범위한 시스템 아키텍처입니다.

AI 에이전트를 제 컴퓨터에서 로컬로 실행해도 안전한가요?

제한 없는 터미널 접근 권한을 부여할 경우 위험할 수 있습니다. 에이전트는 임의의 코드를 작성하고 실행할 수 있기 때문에, 파괴적인 명령을 실행하기 전에는 샌드박스 환경(sandboxed environments), Docker 컨테이너 또는 명시적인 사용자 승인 프롬프트 내에서 실행하는 것이 가장 좋습니다.