RAG 시스템 구축하기 — AI 에이전트: 메모리, 계획, 그리고 다단계 추론

이전 기사에서 우리는 LLM에게 자율적으로 도구를 호출할 수 있는 능력을 부여했습니다. 이제 우리는 과거의 상호작용을 기억하고, 앞을 계획하며, 자신의 출력을 스스로 평가하는 제대로 된 **AI 에이전트 (AI Agent)**를 구축할 것입니다.

무엇이 무언가를 "에이전트"로 만드는가?

도구 사용 (Tool Use) 능력을 갖춘 LLM은 강력하지만 상태가 없는 (stateless) 특성을 가집니다 — 즉, 각 실행은 새로 시작됩니다. 에이전트는 세 가지 능력을 추가합니다:

도구 사용 (Tool Use)만 있을 때:
  질문 → LLM 결정 → 도구 → 답변
  (실행 간 메모리 없음)
...

우리는 복잡도 순서대로 세 가지 패턴을 구현할 것입니다:

파일	패턴	추가되는 기능
09_agent_basic.py	ReAct	각 행동 전 추론 (Reasoning)
...

패턴 1: ReAct — 09_agent_basic.py

ReAct (Reasoning + Acting)는 기초적인 에이전트 패턴입니다. 각 행동을 취하기 전에, 에이전트는 다음에 무엇을 할지에 대해 명시적으로 추론합니다.

# 09_agent_basic.py
import psycopg2
from google import genai
...

python 09_agent_basic.py
# [Step 1]
#   → list_categories({})
...

패턴 2: 장기 메모리 (Long-term Memory) — 10_agent_memory.py

이제 에이전트는 세션 전반에 걸쳐 당신에 대해 학습한 내용을 유지합니다.

# 10_agent_memory.py (주요 추가 사항)
import json
from pathlib import Path
...

각 세션이 끝난 후, agent_memory.json은 사실과 선호 사항들로 채워지며 커집니다. 다음 실행 시 이를 자동으로 불러옵니다.

패턴 3: 계획-실행-평가 (Plan-Execute-Evaluate) — 11_agent_planner.py

가장 구조화된 패턴입니다. 에이전트는 먼저 명시적인 계획을 세우고, 이를 단계별로 실행한 다음, 목표가 달성되었는지 평가합니다.

# 11_agent_planner.py

PLANNER_SYSTEM = """당신은 계획 에이전트입니다. 작업이 주어지면 단계별 계획을 생성하세요.
...

각 패턴을 사용하는 시점

패턴 (Pattern)	최적의 용도 (Best for)	오버헤드 (Overhead)
ReAct	범용 에이전트 (General-purpose agents), 대부분의 사용 사례	낮음 (Low)
...	...	...
ReAct로 시작하세요. 개인화가 필요할 때 메모리 (Memory)를 추가하세요. 작업의 복잡성이 요구될 때 계획 (Planning)을 추가하세요.

우리가 구축한 것

06: LLM이 도구 (Tool) 사용 여부를 결정함
07: LLM이 설명을 읽고 여러 도구 사이에서 라우팅 (Routing)함
08: LLM이 여러 단계에 걸쳐 도구를 사용함 (에이전트 루프 (Agentic loop))
...

다음 기사에서는 한 걸음 더 나아가 우리의 검색 함수를 MCP (Model Context Protocol) 서버로 노출할 것입니다. 이를 통해 우리의 Python 스크립트뿐만 아니라 어떤 LLM에서도 재사용할 수 있게 만들 것입니다.

전체 소스 코드: github.com/qameqame/pgvector-tutorial