docs: rewrite comparison slides in easy-to-understand conversational tone

2026-07-19 14:06:22 +09:00
parent 3e4f5fe5f7
commit 5cbac7e87f
3 changed files with 39 additions and 39 deletions
@@ -21,24 +21,24 @@ marp: true

 ### 💡 구체적 사례 비교: "멀티 에이전트 관련 연구를 조사해줘"

-* **사용자 명령**: *"멀티 에이전트 관련 최신 연구 동향을 조사하고 보고서로 저장해줘."*
+사용자가 **"멀티 에이전트 관련 최신 연구 동향을 조사하고 보고서로 저장해줘"**라는 명령을 내렸을 때, 두 시스템은 완전히 다르게 움직입니다.

- **AI 모델 (LLM)의 반응**
-  - 학습된 내부 지식을 바탕으로 알려진 연구 목록을 **텍스트로 답변하고 설명**하는 수준에 그침 (실시간 웹 검색 및 실제 파일 저장 불가)
- **AI 에이전트 (Agent)의 반응**
-  - 학술 API(arXiv 등)를 호출해 최신 논문을 **자율 검색 및 다운로드**하고, PDF 본문을 파싱한 뒤 최종 마크다운 보고서 파일을 **디바이스에 실제 저장**
+먼저 **AI 모델(LLM)**은 머릿속(학습된 데이터)에 있는 지식만을 꺼내서 기존 연구 목록을 말로 친절하게 설명해 줍니다. 겉보기에는 똑똑해 보이지만, 실시간으로 최신 논문을 인터넷에서 검색해 오거나 보고서 파일을 디스크에 직접 저장하는 '행동'은 수행하지 못합니다.
+
+반면 **AI 에이전트(Agent)**는 명령을 받자마자 실제 행동을 개시합니다. 학술 API에 접속해 최신 논문을 검색해 오고, PDF 파일을 직접 다운로드해서 그 내용을 파싱한 다음, 최종 결과물을 마크다운 형태의 파일로 사용자의 컴퓨터 폴더에 실제로 만들고 저장해 줍니다.

 ---

-### 📊 기능 범주별 작동 방식 비교
+### 📊 역할과 작동 방식의 결정적 차이

-| 구분 | AI 모델 (LLM)의 행동 | AI 에이전트 (Agent)의 행동 |
-|---|---|---|
-| **역할** | **인지적 추론 (Thinking)** | **동적 계획 및 실행 (Doing)** |
-| **태스크 해석** | 주어진 질문에 대응하는 답변/코드 **생성** | 최종 목표 달성을 위한 **세부 계획(Planning) 수립 및 제어** |
-| **도구 활용** | "스크립트나 API를 사용해라"고 **텍스트로 권고** | API, 브라우저, 파일 시스템 등 도구를 **실제 실행 및 결과 수집** |
-| **피드백 대응** | 오류 발생 시 로그를 인간이 입력해줘야 인지 가능 | 예외 발생 시, **자가 성찰(Reflection)을 통해 스스로 계획을 수정** |
-| **상태 반영** | 수행 및 분석 결과를 화면에 **출력(텍스트)** | 최종 보고서 파일을 **실제 로컬 폴더에 생성 및 저장(물리 상태 변경)** |
+이 두 개념의 차이는 다음과 같이 쉽게 풀어볼 수 있습니다.
+
+- **생각(Thinking)과 행동(Doing)의 차이**
+  AI 모델은 질문을 던지면 이에 부합하는 지식이나 코드를 화면에 '답변'해 주는 똑똑한 뇌 역할을 합니다. 반면 AI 에이전트는 최종 목적지에 도달하기 위해 스스로 세부 계획을 세우고 실제 컴퓨터 환경에서 발로 뛰는 손과 발 역할을 함께 수행합니다.
+- **조언(Advise)과 실행(Execution)의 차이**
+  모델은 "이 스크립트를 이렇게 실행해서 저장하세요"라고 텍스트로 가이드라인만 알려줍니다. 하지만 에이전트는 운영체제나 파일 시스템에 직접 들어가서 스크립트를 실제로 실행하고 그 결과물을 직접 파일로 구체화합니다.
+- **오류를 마주했을 때의 대처 능력**
+  모델은 실행 중 오류가 났을 때 사람이 에러 로그를 다시 복사해서 붙여넣어 주기 전까지는 대기할 수밖에 없습니다. 반면 에이전트는 오류가 나면 스스로 로그를 해석하고, 성찰(Reflection) 과정을 거쳐 계획을 수정해 다시 시도합니다.

 ---