서론

2026년 7월, OpenAI (GPT-5.6 + ChatGPT Work), Anthropic (Claude Sonnet 5), Google (Gemini Spark)가 잇따라 '에이전트형' AI를 선보였습니다. 공통점은 단발성 응답이 아니라, 목표(Goal)를 전달하면 여러 단계의 작업을 자율적으로 진행하여 결과물을 반환한다는 설계 사상입니다. 이 기사에서는 그 '에이전트적인 사용법'을 코드 레벨에서 어떻게 구현하는지 최소 구성 샘플로 해설합니다.

에이전트의 기본 루프

에이전트 AI의 본질은 다음 흐름에 있습니다. 먼저 목표를 받고, 다음에 취해야 할 액션(tool 호출인지 완료인지)을 결정한 뒤, tool을 실행하여 결과를 관측합니다. 이를 완료될 때까지 반복합니다. 의사 코드(Pseudo-code)로 나타내면 다음과 같습니다 (요점을 한 줄씩 나열했습니다).

# 에이전트의 기본 루프 (요점을 한 줄씩 · 의사 코드)
messages = [{"role": "user", "content": goal}] # 목표를 받음
response = model_call(messages, tools) # 다음 액션을 결정
...

포인트는 모델이 '아직 작업이 필요하다'고 판단하면 tool을 호출하고, '완성되었다'고 판단하면 최종 답변을 반환하는 분기입니다. ChatGPT Work와 같은 제품도 추상화하면 이 구조의 확장판이라고 할 수 있습니다.

tool을 정의하기

에이전트에게 '작업'을 시키려면 실제로 부작용(Side effect)을 가진 함수(tool)를 전달합니다. 예를 들어 리포트 작성과 노트 검색을 준비해 두면, "노트를 검색해서 요점을 리포트로 정리해줘"라는 목표를 전달하는 것만으로도 검색 → 작성 순으로 에이전트가 스스로 판단하여 진행할 수 있습니다. tool의 시그니처는 다음과 같은 이미지입니다.

# tool = 부작용을 가진 함수. 이름 → 함수의 딕셔너리로 등록 (각 행 플랫 표기)
def write_report(filename, content): ... # Markdown을 파일로 작성
def search_notes(keyword): ... # 로컬 노트를 전체 검색
...

토큰 효율을 의식하기

Sam Altman은 GPT-5.6의 최상위 모델 "Sol"에 대해 "에이전트형 코딩에서 토큰 효율이 54% 향상되었다"라고 언급했습니다. 에이전트는 루프를 돌 때마다 이력을 보내기 때문에, 컨텍스트(Context)의 비대화가 곧바로 비용 증가로 이어집니다. 실무에서는 오래된 tool 결과를 요약하여 이력을 압축하는(최초의 목표와 최근 몇 턴만 남기는) 등의 기법이 효과적입니다. 장시간 태스크일수록 이러한 이력 관리의 숙련도가 체감 속도와 비용을 좌우합니다.

모델 선정 지침 (2026년 7월 시점)

요약

에이전트 AI의 구현은 파고들면 결국 "모델 호출 + tool 실행 + 루프 + 이력 압축"이라는 소박한 구조입니다. 각 사의 신모델은 이 루프의 각 요소(판단 정밀도 · 토큰 효율 · 툴 연계)를 강화하고 있을 뿐입니다. 우선 최소 에이전트를 직접 구동해 보며, 자신의 업무에 있는 '반복적인 작업'을 하나씩 tool로 만들어 보는 것을 추천합니다. 에이전트 시대의 차별화는 모델 그 자체보다 "어떤 tool을 갖게 할 것인가"라는 설계에 있습니다.

본 기사는 2026년 7월 19일 시점의 공개 정보에 기반합니다. 코드는 해설을 위한 최소 구성입니다.

Discussion