docs: improve 0_intro.md tone and add 0_intro_script.md presentation script
This commit is contained in:
@@ -11,11 +11,12 @@ marp: true
|
|||||||
---
|
---
|
||||||
|
|
||||||
## 🔍 이 발표에서 다루고 싶은 핵심 화두
|
## 🔍 이 발표에서 다루고 싶은 핵심 화두
|
||||||
최근 AI 패러다임은 고정된 지식만 답변하는 **정적 AI 모델(LLM)**에서, 주도적으로 행동하고 문제를 해결하는 **자율형 AI 에이전트(AI Agent)**로 빠르게 전환되고 있습니다.
|
|
||||||
|
|
||||||
- **AI 모델(Model)**: 언어의 의미적 표현과 단순 질의응답을 수행하는 **지능 엔진**
|
최근 AI 분야에서 가장 뜨거운 화두는, 단순히 사용자의 질문에 답을 하는 **정적 AI 모델(LLM)**을 넘어 스스로 목적을 가지고 움직이는 **자율형 AI 에이전트(AI Agent)**로의 패러다임 전환입니다.
|
||||||
- **AI 에이전트(Agent)**: 자율성, 목표 지향성, 도구 활용 및 협업 능력을 결합한 **행동 주체**
|
|
||||||
- **본 발표의 목표**: 모델을 에이전트로 전환하는 방법론부터 시작하여, 다중 에이전트 간의 협업 인프라와 표준 기술 동향을 조망합니다.
|
우리가 흔히 쓰는 AI 모델이 똑똑하게 생각하고 답변을 생성하는 '지능 엔진'이라면, AI 에이전트는 그 지능에 자율성과 행동력, 그리고 다른 에이전트와의 협업 능력까지 결합한 실제 '행동의 주체'라고 볼 수 있습니다.
|
||||||
|
|
||||||
|
오늘 발표에서는 단순한 AI 모델을 자율적인 에이전트로 업그레이드하는 구체적인 엔지니어링 방법론부터 시작하여, 여러 에이전트들이 유기적으로 협업하는 오케스트레이션 인프라와 산업 표준 기술 동향을 아주 쉽게 풀어보려 합니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -57,28 +58,30 @@ marp: true
|
|||||||
---
|
---
|
||||||
|
|
||||||
## 🛠️ AI 에이전트가 갖춰야 할 4대 필수 기능
|
## 🛠️ AI 에이전트가 갖춰야 할 4대 필수 기능
|
||||||
단순한 챗봇이 아닌 진정한 **AI 에이전트**로 기능하기 위해 소프트웨어 시스템 수준에서 반드시 제공해야 할 4가지 핵심 기능 규격입니다.
|
|
||||||
|
|
||||||
1. **자율적 목표 분해 및 계획 (Planning)**
|
단순히 대화만 나누는 챗봇이 아니라, 진짜 제 역할을 하는 **자율형 AI 에이전트**가 되기 위해 소프트웨어 시스템 차원에서 반드시 제공해야 하는 4가지 핵심 기능입니다.
|
||||||
- 최종 목표만 주어지면 스스로 세부 태스크를 설계하고, 실행 결과에 기반한 자기 성찰(Self-Reflection)을 통해 다음 계획을 능동적으로 수정하는 능력
|
|
||||||
2. **적응형 메모리 관리 (Memory)**
|
- **목표를 쪼개고 계획하는 능력 (Planning)**
|
||||||
- 대화 흐름을 보존하는 단기 기억과, 과거 지식 및 이력을 RAG 기반으로 영속화하여 인출하는 장기 기억 장치를 결합하여 유지하는 능력
|
사람이 최종 목표만 주면 스스로 실행 가능한 단계별 세부 태스크를 설계하고, 진행 과정에서 문제가 생기면 자가 성찰(Self-Reflection)을 통해 유연하게 계획을 수정합니다.
|
||||||
3. **안전한 외부 도구 활용 (Tool Use & Action)**
|
- **상태와 기억을 관리하는 능력 (Memory)**
|
||||||
- 외부 API, 파일 시스템, 코드 샌드박스 등 디지털 영토에서 작동하는 도구들을 안전한 격리 환경(Sandboxing) 내에서 자율 선택 및 실행하는 능력
|
현재 대화의 맥락을 잃지 않는 단기 기억은 물론, 과거의 경험과 방대한 지식을 데이터베이스로부터 필요할 때마다 영속적으로 꺼내어 쓰는 장기 기억을 조화롭게 다룹니다.
|
||||||
4. **표준 프로토콜 기반 협업 (Collaboration)**
|
- **물리적 환경과 연결되는 능력 (Tool Use & Action)**
|
||||||
- 이종 에이전트 또는 다른 사용자 시스템과 정형화된 프로토콜(A2A, gRPC 등)로 메시지를 주고받으며 작업을 분산 처리하는 능력
|
인터넷 검색, 외부 API 호출, 파일 시스템 접근, 코드 실행용 격리 환경(Sandboxing) 등 컴퓨터 세상의 다양한 도구들을 안전하게 선택하고 직접 작동시킵니다.
|
||||||
|
- **서로 소통하고 협업하는 능력 (Collaboration)**
|
||||||
|
다른 전문 분야를 가진 에이전트나 사용자 시스템과 표준화된 규격으로 메시지를 주고받으며 큰 단위의 작업을 나누어 분산 처리합니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## 🚀 패러다임 쉬프트: Model eats the Scaffolding
|
## 🚀 패러다임 쉬프트: Model eats the Scaffolding
|
||||||
에이전트 하네스(Scaffolding)의 핵심 기능은 장기적으로 모델 내부로 편입(Upstream)되는 추세입니다.
|
|
||||||
|
|
||||||
- **추론 시간 연산 (Test-time Compute)의 도입**
|
현재 에이전트 기술에서 가장 중요한 변화 중 하나는, 과거에 에이전트 '시스템(Scaffolding)'이 수동으로 제어하던 기능들이 점점 AI '모델 내부'로 흡수되고 있다는 점입니다.
|
||||||
- Gemini Thinking, OpenAI o1/o3 등 최신 모델은 외부 루프 없이 모델 내부에서 스스로 계획(Planning)하고 자가 수정(Reflection)을 끝낸 후 최종 답변을 도출
|
|
||||||
- **인지(Cognitive)와 집행(Execution)의 분리**
|
- **스스로 생각하는 모델의 등장 (Test-time Compute)**
|
||||||
- **모델(Model)**: 고차원 추론과 계획 설계(Planning)를 담당
|
최근 출시된 Gemini Thinking이나 OpenAI o1/o3 같은 모델들은 외부 시스템이 루프를 돌려주지 않아도, 모델 스스로 출력을 내보내기 전에 내부적으로 계획을 세우고(Planning) 스스로 오류를 성찰(Reflection)하는 과정을 완료합니다.
|
||||||
- **에이전트 인프라(Harness)**: 보안 샌드박싱, 상태 보존, 권한 통제 및 도구 실행을 담당
|
- **인지와 집행의 명확한 역할 분담**
|
||||||
- **알파(Alpha)의 이동**: 단순한 에이전트 계획 루프의 구현을 넘어, 복잡한 인프라 제어와 이종 표준 연동(ACP/A2A)이 핵심 차별화 요소로 진화
|
이에 따라 고차원적인 논리 설계와 계획(Planning)은 **AI 모델** 내부로 빠르게 넘어가고 있으며, 외부의 **에이전트 인프라(Harness)**는 안전한 실행 환경(Sandboxing), 권한 통제, 상태 관리처럼 모델이 직접 할 수 없는 물리적 보호막 역할을 수행하는 방향으로 진화하고 있습니다.
|
||||||
|
- **차별화 요소(Alpha)의 이동**
|
||||||
|
단순히 계획을 짜는 루프를 코드로 구현하는 것의 가치는 줄어들고, 이제는 복잡한 인프라를 실시간으로 제어하고 서로 다른 규격을 가진 이종 에이전트들을 표준 프로토콜로 유기적으로 엮어내는 기술이 핵심 경쟁력이 되었습니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
@@ -11,11 +11,12 @@ marp: true
|
|||||||
---
|
---
|
||||||
|
|
||||||
## 🔍 이 발표에서 다루고 싶은 핵심 화두
|
## 🔍 이 발표에서 다루고 싶은 핵심 화두
|
||||||
최근 AI 패러다임은 고정된 지식만 답변하는 **정적 AI 모델(LLM)**에서, 주도적으로 행동하고 문제를 해결하는 **자율형 AI 에이전트(AI Agent)**로 빠르게 전환되고 있습니다.
|
|
||||||
|
|
||||||
- **AI 모델(Model)**: 언어의 의미적 표현과 단순 질의응답을 수행하는 **지능 엔진**
|
최근 AI 분야에서 가장 뜨거운 화두는, 단순히 사용자의 질문에 답을 하는 **정적 AI 모델(LLM)**을 넘어 스스로 목적을 가지고 움직이는 **자율형 AI 에이전트(AI Agent)**로의 패러다임 전환입니다.
|
||||||
- **AI 에이전트(Agent)**: 자율성, 목표 지향성, 도구 활용 및 협업 능력을 결합한 **행동 주체**
|
|
||||||
- **본 발표의 목표**: 모델을 에이전트로 전환하는 방법론부터 시작하여, 다중 에이전트 간의 협업 인프라와 표준 기술 동향을 조망합니다.
|
우리가 흔히 쓰는 AI 모델이 똑똑하게 생각하고 답변을 생성하는 '지능 엔진'이라면, AI 에이전트는 그 지능에 자율성과 행동력, 그리고 다른 에이전트와의 협업 능력까지 결합한 실제 '행동의 주체'라고 볼 수 있습니다.
|
||||||
|
|
||||||
|
오늘 발표에서는 단순한 AI 모델을 자율적인 에이전트로 업그레이드하는 구체적인 엔지니어링 방법론부터 시작하여, 여러 에이전트들이 유기적으로 협업하는 오케스트레이션 인프라와 산업 표준 기술 동향을 아주 쉽게 풀어보려 합니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -57,27 +58,29 @@ marp: true
|
|||||||
---
|
---
|
||||||
|
|
||||||
## 🛠️ AI 에이전트가 갖춰야 할 4대 필수 기능
|
## 🛠️ AI 에이전트가 갖춰야 할 4대 필수 기능
|
||||||
단순한 챗봇이 아닌 진정한 **AI 에이전트**로 기능하기 위해 소프트웨어 시스템 수준에서 반드시 제공해야 할 4가지 핵심 기능 규격입니다.
|
|
||||||
|
|
||||||
1. **자율적 목표 분해 및 계획 (Planning)**
|
단순히 대화만 나누는 챗봇이 아니라, 진짜 제 역할을 하는 **자율형 AI 에이전트**가 되기 위해 소프트웨어 시스템 차원에서 반드시 제공해야 하는 4가지 핵심 기능입니다.
|
||||||
- 최종 목표만 주어지면 스스로 세부 태스크를 설계하고, 실행 결과에 기반한 자기 성찰(Self-Reflection)을 통해 다음 계획을 능동적으로 수정하는 능력
|
|
||||||
2. **적응형 메모리 관리 (Memory)**
|
- **목표를 쪼개고 계획하는 능력 (Planning)**
|
||||||
- 대화 흐름을 보존하는 단기 기억과, 과거 지식 및 이력을 RAG 기반으로 영속화하여 인출하는 장기 기억 장치를 결합하여 유지하는 능력
|
사람이 최종 목표만 주면 스스로 실행 가능한 단계별 세부 태스크를 설계하고, 진행 과정에서 문제가 생기면 자가 성찰(Self-Reflection)을 통해 유연하게 계획을 수정합니다.
|
||||||
3. **안전한 외부 도구 활용 (Tool Use & Action)**
|
- **상태와 기억을 관리하는 능력 (Memory)**
|
||||||
- 외부 API, 파일 시스템, 코드 샌드박스 등 디지털 영토에서 작동하는 도구들을 안전한 격리 환경(Sandboxing) 내에서 자율 선택 및 실행하는 능력
|
현재 대화의 맥락을 잃지 않는 단기 기억은 물론, 과거의 경험과 방대한 지식을 데이터베이스로부터 필요할 때마다 영속적으로 꺼내어 쓰는 장기 기억을 조화롭게 다룹니다.
|
||||||
4. **표준 프로토콜 기반 협업 (Collaboration)**
|
- **물리적 환경과 연결되는 능력 (Tool Use & Action)**
|
||||||
- 이종 에이전트 또는 다른 사용자 시스템과 정형화된 프로토콜(A2A, gRPC 등)로 메시지를 주고받으며 작업을 분산 처리하는 능력
|
인터넷 검색, 외부 API 호출, 파일 시스템 접근, 코드 실행용 격리 환경(Sandboxing) 등 컴퓨터 세상의 다양한 도구들을 안전하게 선택하고 직접 작동시킵니다.
|
||||||
|
- **서로 소통하고 협업하는 능력 (Collaboration)**
|
||||||
|
다른 전문 분야를 가진 에이전트나 사용자 시스템과 표준화된 규격으로 메시지를 주고받으며 큰 단위의 작업을 나누어 분산 처리합니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## 🚀 패러다임 쉬프트: Model eats the Scaffolding
|
## 🚀 패러다임 쉬프트: Model eats the Scaffolding
|
||||||
에이전트 하네스(Scaffolding)의 핵심 기능은 장기적으로 모델 내부로 편입(Upstream)되는 추세입니다.
|
|
||||||
|
|
||||||
- **추론 시간 연산 (Test-time Compute)의 도입**
|
현재 에이전트 기술에서 가장 중요한 변화 중 하나는, 과거에 에이전트 '시스템(Scaffolding)'이 수동으로 제어하던 기능들이 점점 AI '모델 내부'로 흡수되고 있다는 점입니다.
|
||||||
- Gemini Thinking, OpenAI o1/o3 등 최신 모델은 외부 루프 없이 모델 내부에서 스스로 계획(Planning)하고 자가 수정(Reflection)을 끝낸 후 최종 답변을 도출
|
|
||||||
- **인지(Cognitive)와 집행(Execution)의 분리**
|
- **스스로 생각하는 모델의 등장 (Test-time Compute)**
|
||||||
- **모델(Model)**: 고차원 추론과 계획 설계(Planning)를 담당
|
최근 출시된 Gemini Thinking이나 OpenAI o1/o3 같은 모델들은 외부 시스템이 루프를 돌려주지 않아도, 모델 스스로 출력을 내보내기 전에 내부적으로 계획을 세우고(Planning) 스스로 오류를 성찰(Reflection)하는 과정을 완료합니다.
|
||||||
- **에이전트 인프라(Harness)**: 보안 샌드박싱, 상태 보존, 권한 통제 및 도구 실행을 담당
|
- **인지와 집행의 명확한 역할 분담**
|
||||||
- **알파(Alpha)의 이동**: 단순한 에이전트 계획 루프의 구현을 넘어, 복잡한 인프라 제어와 이종 표준 연동(ACP/A2A)이 핵심 차별화 요소로 진화
|
이에 따라 고차원적인 논리 설계와 계획(Planning)은 **AI 모델** 내부로 빠르게 넘어가고 있으며, 외부의 **에이전트 인프라(Harness)**는 안전한 실행 환경(Sandboxing), 권한 통제, 상태 관리처럼 모델이 직접 할 수 없는 물리적 보호막 역할을 수행하는 방향으로 진화하고 있습니다.
|
||||||
|
- **차별화 요소(Alpha)의 이동**
|
||||||
|
단순히 계획을 짜는 루프를 코드로 구현하는 것의 가치는 줄어들고, 이제는 복잡한 인프라를 실시간으로 제어하고 서로 다른 규격을 가진 이종 에이전트들을 표준 프로토콜로 유기적으로 엮어내는 기술이 핵심 경쟁력이 되었습니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|||||||
@@ -0,0 +1,77 @@
|
|||||||
|
# 🎙️ 특강 발표 대본 스크립트 — 0. Intro
|
||||||
|
|
||||||
|
본 문서는 `0_intro.md` 슬라이드에 대응하는 발표용 대본 스크립트입니다. 청중의 흥미와 이해를 돕기 위해 친절한 구어체 존댓말로 작성되었습니다.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 🎴 Slide 1: 타이틀 (표지)
|
||||||
|
* **슬라이드 제목**: AI Multi-Agents 오케스트레이션 기술 동향 및 사례 — 정적 AI 모델에서 자율적 AI 에이전트로의 패러다임 전환
|
||||||
|
* **대본**:
|
||||||
|
> "안녕하세요, 여러분. 오늘 세미나 발표를 맡은 발표자입니다.
|
||||||
|
> 오늘 우리가 함께 나눌 주제는 **'AI Multi-Agents 오케스트레이션 기술 동향 및 사례'**입니다.
|
||||||
|
> 최근 AI 시장은 매우 빠르게 변하고 있습니다. 그중에서도 가장 눈에 띄는 변화가 바로, 단순히 대답만 하던 정적인 AI 모델이 스스로 알아서 일을 처리하는 '자율형 AI 에이전트'로 바뀌고 있다는 점입니다.
|
||||||
|
> 오늘 이 세미나를 통해 AI 에이전트가 무엇이고, 여러 에이전트가 어떻게 협업하는지 그 인프라와 최신 트렌드를 함께 살펴보겠습니다."
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 🎴 Slide 2: 🔍 이 발표에서 다루고 싶은 핵심 화두
|
||||||
|
* **슬라이드 제목**: 이 발표에서 다루고 싶은 핵심 화두
|
||||||
|
* **대본**:
|
||||||
|
> "본론으로 들어가기 전에, 이번 특강 전체를 관통하는 핵심 화두를 먼저 짚어보려 합니다.
|
||||||
|
> 최근 AI 업계의 가장 큰 흐름은 **'정적 AI 모델(LLM)'에서 '자율형 AI 에이전트(AI Agent)'로의 전환**입니다.
|
||||||
|
> 우리가 흔히 쓰는 챗GPT나 제미나이 같은 AI 모델은 똑똑하게 생각하고 답변을 만들어내는 훌륭한 '지능 엔진'입니다. 하지만 지능만으로는 실제 업무를 완수하기 어렵습니다.
|
||||||
|
> 반면 AI 에이전트는 그 똑똑한 지능에 '자율성'과 실제 컴퓨터를 조작하는 '행동력', 그리고 다른 에이전트와 손을 잡는 '협업 능력'까지 결합한 진짜 '행동의 주체'입니다.
|
||||||
|
> 오늘 발표에서는 바로 이 모델을 어떻게 자율적인 에이전트로 확장할 수 있는지, 그리고 이들이 유기적으로 협업하는 인프라의 표준을 조망해 보고자 합니다."
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 🎴 Slide 3: 💡 구체적 사례 비교: "멀티 에이전트 관련 연구를 조사해줘"
|
||||||
|
* **슬라이드 제목**: 구체적 사례 비교: "멀티 에이전트 관련 연구를 조사해줘"
|
||||||
|
* **대본**:
|
||||||
|
> "말로만 들으면 두 개념이 잘 와닿지 않으실 텐데요. 쉬운 예시를 하나 들어보겠습니다.
|
||||||
|
> 청중 여러분 중 한 분이 AI에게 **'멀티 에이전트 관련 최신 연구 동향을 조사하고 보고서로 저장해줘'**라는 명령을 내렸다고 해봅시다.
|
||||||
|
> 이때 **AI 모델(LLM)**은 자신의 머릿속, 즉 학습 데이터에 들어있는 기존 연구 목록을 꺼내서 텍스트로 친절하게 설명해 줍니다. 답변은 아주 훌륭하지만, 인터넷에서 최신 논문을 검색해 오거나 컴퓨터 디스크에 보고서 파일을 직접 저장하는 등의 '물리적인 행동'은 수행하지 못합니다.
|
||||||
|
> 반면 **AI 에이전트(Agent)**는 명령을 받자마자 스스로 필요한 일감들을 정리하고 직접 인터넷 검색을 개시합니다. 학술 API에 접속해 실시간으로 최신 논문을 검색하고, PDF 파일을 직접 다운로드해서 본문을 요약한 뒤, 최종 결과물 보고서 파일을 여러분의 디스크 폴더에 실제로 생성하고 저장까지 완료해 줍니다."
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 🎴 Slide 4: 📊 역할과 작동 방식의 결정적 차이
|
||||||
|
* **슬라이드 제목**: 역할과 작동 방식의 결정적 차이
|
||||||
|
* **대본**:
|
||||||
|
> "이 두 시스템의 결정적 차이를 세 가지 포인트로 더 쉽게 요약해 보겠습니다.
|
||||||
|
> 첫째는 **생각과 행동의 차이**입니다. AI 모델이 질문에 알맞은 답을 보여주는 똑똑한 '뇌'라면, 에이전트는 계획을 세우고 실제 컴퓨터 환경에서 움직이는 '손과 발' 역할을 같이 합니다.
|
||||||
|
> 둘째는 **조언과 실행의 차이**입니다. 모델은 '이렇게 코드를 짜서 실행해서 저장해 보세요'라고 화면에 글씨로 조언만 하지만, 에이전트는 파일 시스템에 직접 들어가 코드를 실제로 실행하고 결과를 수집합니다.
|
||||||
|
> 셋째는 **오류를 마주했을 때의 대처 능력**입니다. 모델은 에러가 나면 사람이 다시 에러 메시지를 복사해서 붙여넣어 주기 전까지는 멍하니 대기하지만, 에이전트는 스스로 로그를 읽고 자가 성찰(Reflection)을 거쳐 계획을 알아서 수정한 뒤 다시 도전합니다."
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 🎴 Slide 5: 🚗 아주 쉬운 비유: "운전자"와 "자율주행 차량"
|
||||||
|
* **슬라이드 제목**: 아주 쉬운 비유: "운전자"와 "자율주행 차량"
|
||||||
|
* **대본**:
|
||||||
|
> "여전히 '그래도 결국 모델이 판단해서 코드를 짜는 건데 에이전트가 주체적이라고 볼 수 있나?'라는 의문이 생기실 수 있습니다.
|
||||||
|
> 그래서 저는 이 둘을 **'운전자'와 '자율주행 차량'**으로 비유하곤 합니다.
|
||||||
|
> 여기서 **AI 모델**은 차에 타고 있는 **운전자(뇌)**입니다. '다음 교차로에서 우회전하고 멈추자'라는 고차원적인 인지 판단을 담당하죠.
|
||||||
|
> **AI 에이전트**는 운전자의 판단을 가속 페달과 바퀴 구동력으로 변환하는 **자율주행 차량 시스템 전체**입니다.
|
||||||
|
> 특히 차량 시스템은 운전자가 실수로 절벽으로 돌진하려 할 때 자동으로 브레이크를 밟아 차단하는 **안전 가드레일** 역할이나, 통신이 끊겼을 때 스스로 갓길에 차를 대는 **예외 통제**, 그리고 여러 에이전트의 합의를 이끄는 **의사결정 통제** 같은 시스템 수준의 독자적인 판단을 수행합니다. 즉, 운전자 혼자서는 달릴 수 없으며, 차량 시스템이 있어야 비로소 목적지에 안전하게 도착할 수 있는 것입니다."
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 🎴 Slide 6: 🛠️ AI 에이전트가 갖춰야 할 4대 필수 기능
|
||||||
|
* **슬라이드 제목**: AI 에이전트가 갖춰야 할 4대 필수 기능
|
||||||
|
* **대본**:
|
||||||
|
> "그렇다면 단순한 대화형 앱이 아니라, 진짜 자율주행 차량 같은 온전한 'AI 에이전트'가 되기 위해 갖추어야 할 4대 필수 기능은 무엇일까요?
|
||||||
|
> 첫째는 **목표를 쪼개고 계획하는 기능(Planning)**입니다. 최종 목표만 주어지면 실행 계획을 짜고 자가 성찰을 통해 계획을 수정해 나갑니다.
|
||||||
|
> 둘째는 **상태와 기억을 관리하는 기능(Memory)**입니다. 현재 대화의 단기 기억과 과거 경험이나 지식을 RAG로 불러오는 장기 기억을 결합해 다룹니다.
|
||||||
|
> 셋째는 **물리적 환경과 연동되는 기능(Tool Use & Action)**으로, 인터넷, API, 파일 시스템 및 격리된 코드 실행 환경을 다루는 핵심 손발이 됩니다.
|
||||||
|
> 마지막 넷째는 **서로 소통하고 협업하는 기능(Collaboration)**입니다. 이종 에이전트들이 통신 프로토콜을 통해 작업을 나누어 분산 처리하는 기반입니다."
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 🎴 Slide 7: 🚀 패러다임 쉬프트: Model eats the Scaffolding
|
||||||
|
* **슬라이드 제목**: 패러다임 쉬프트: Model eats the Scaffolding
|
||||||
|
* **대본**:
|
||||||
|
> "마지막으로 에이전트 기술의 가장 핵심적인 트렌드인 **'Model eats the Scaffolding'** 즉, **모델이 에이전트 제어 시스템을 흡수하는 현상**에 대해 말씀드리겠습니다.
|
||||||
|
> 과거에는 에이전트 시스템 코드로 구현하던 계획(Planning)이나 자가 성찰(Reflection) 루프가, 최근 출시된 Gemini Thinking이나 OpenAI o1/o3 같은 모델들을 필두로 **AI 모델의 내부 가중치 추론 메커니즘**으로 녹아들어가고 있습니다.
|
||||||
|
> 이에 따라 '인지와 계획'은 **AI 모델**이 전담하게 되고, 외부의 **에이전트 인프라(Harness)**는 샌드박싱 보안, 실행 권한 차단, 세션 보존 같은 '물리적 집행과 통제'에만 고도로 집중하는 방향으로 분리되고 있습니다.
|
||||||
|
> 결국 단순히 계획 루프를 짜는 것의 차별적 가치는 점차 낮아지고 있으며, 복잡한 다중 에이전트 간의 조율과 고성능 인프라 제어가 새로운 경쟁력으로 떠오르고 있습니다.
|
||||||
|
> 그럼 다음 챕터부터 이러한 에이전트 구현을 가능하게 하는 기술적 원리들을 하나씩 자세히 알아보겠습니다. 감사합니다."
|
||||||
@@ -11,11 +11,12 @@ marp: true
|
|||||||
---
|
---
|
||||||
|
|
||||||
## 🔍 이 발표에서 다루고 싶은 핵심 화두
|
## 🔍 이 발표에서 다루고 싶은 핵심 화두
|
||||||
최근 AI 패러다임은 고정된 지식만 답변하는 **정적 AI 모델(LLM)**에서, 주도적으로 행동하고 문제를 해결하는 **자율형 AI 에이전트(AI Agent)**로 빠르게 전환되고 있습니다.
|
|
||||||
|
|
||||||
- **AI 모델(Model)**: 언어의 의미적 표현과 단순 질의응답을 수행하는 **지능 엔진**
|
최근 AI 분야에서 가장 뜨거운 화두는, 단순히 사용자의 질문에 답을 하는 **정적 AI 모델(LLM)**을 넘어 스스로 목적을 가지고 움직이는 **자율형 AI 에이전트(AI Agent)**로의 패러다임 전환입니다.
|
||||||
- **AI 에이전트(Agent)**: 자율성, 목표 지향성, 도구 활용 및 협업 능력을 결합한 **행동 주체**
|
|
||||||
- **본 발표의 목표**: 모델을 에이전트로 전환하는 방법론부터 시작하여, 다중 에이전트 간의 협업 인프라와 표준 기술 동향을 조망합니다.
|
우리가 흔히 쓰는 AI 모델이 똑똑하게 생각하고 답변을 생성하는 '지능 엔진'이라면, AI 에이전트는 그 지능에 자율성과 행동력, 그리고 다른 에이전트와의 협업 능력까지 결합한 실제 '행동의 주체'라고 볼 수 있습니다.
|
||||||
|
|
||||||
|
오늘 발표에서는 단순한 AI 모델을 자율적인 에이전트로 업그레이드하는 구체적인 엔지니어링 방법론부터 시작하여, 여러 에이전트들이 유기적으로 협업하는 오케스트레이션 인프라와 산업 표준 기술 동향을 아주 쉽게 풀어보려 합니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -57,28 +58,30 @@ marp: true
|
|||||||
---
|
---
|
||||||
|
|
||||||
## 🛠️ AI 에이전트가 갖춰야 할 4대 필수 기능
|
## 🛠️ AI 에이전트가 갖춰야 할 4대 필수 기능
|
||||||
단순한 챗봇이 아닌 진정한 **AI 에이전트**로 기능하기 위해 소프트웨어 시스템 수준에서 반드시 제공해야 할 4가지 핵심 기능 규격입니다.
|
|
||||||
|
|
||||||
1. **자율적 목표 분해 및 계획 (Planning)**
|
단순히 대화만 나누는 챗봇이 아니라, 진짜 제 역할을 하는 **자율형 AI 에이전트**가 되기 위해 소프트웨어 시스템 차원에서 반드시 제공해야 하는 4가지 핵심 기능입니다.
|
||||||
- 최종 목표만 주어지면 스스로 세부 태스크를 설계하고, 실행 결과에 기반한 자기 성찰(Self-Reflection)을 통해 다음 계획을 능동적으로 수정하는 능력
|
|
||||||
2. **적응형 메모리 관리 (Memory)**
|
- **목표를 쪼개고 계획하는 능력 (Planning)**
|
||||||
- 대화 흐름을 보존하는 단기 기억과, 과거 지식 및 이력을 RAG 기반으로 영속화하여 인출하는 장기 기억 장치를 결합하여 유지하는 능력
|
사람이 최종 목표만 주면 스스로 실행 가능한 단계별 세부 태스크를 설계하고, 진행 과정에서 문제가 생기면 자가 성찰(Self-Reflection)을 통해 유연하게 계획을 수정합니다.
|
||||||
3. **안전한 외부 도구 활용 (Tool Use & Action)**
|
- **상태와 기억을 관리하는 능력 (Memory)**
|
||||||
- 외부 API, 파일 시스템, 코드 샌드박스 등 디지털 영토에서 작동하는 도구들을 안전한 격리 환경(Sandboxing) 내에서 자율 선택 및 실행하는 능력
|
현재 대화의 맥락을 잃지 않는 단기 기억은 물론, 과거의 경험과 방대한 지식을 데이터베이스로부터 필요할 때마다 영속적으로 꺼내어 쓰는 장기 기억을 조화롭게 다룹니다.
|
||||||
4. **표준 프로토콜 기반 협업 (Collaboration)**
|
- **물리적 환경과 연결되는 능력 (Tool Use & Action)**
|
||||||
- 이종 에이전트 또는 다른 사용자 시스템과 정형화된 프로토콜(A2A, gRPC 등)로 메시지를 주고받으며 작업을 분산 처리하는 능력
|
인터넷 검색, 외부 API 호출, 파일 시스템 접근, 코드 실행용 격리 환경(Sandboxing) 등 컴퓨터 세상의 다양한 도구들을 안전하게 선택하고 직접 작동시킵니다.
|
||||||
|
- **서로 소통하고 협업하는 능력 (Collaboration)**
|
||||||
|
다른 전문 분야를 가진 에이전트나 사용자 시스템과 표준화된 규격으로 메시지를 주고받으며 큰 단위의 작업을 나누어 분산 처리합니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## 🚀 패러다임 쉬프트: Model eats the Scaffolding
|
## 🚀 패러다임 쉬프트: Model eats the Scaffolding
|
||||||
에이전트 하네스(Scaffolding)의 핵심 기능은 장기적으로 모델 내부로 편입(Upstream)되는 추세입니다.
|
|
||||||
|
|
||||||
- **추론 시간 연산 (Test-time Compute)의 도입**
|
현재 에이전트 기술에서 가장 중요한 변화 중 하나는, 과거에 에이전트 '시스템(Scaffolding)'이 수동으로 제어하던 기능들이 점점 AI '모델 내부'로 흡수되고 있다는 점입니다.
|
||||||
- Gemini Thinking, OpenAI o1/o3 등 최신 모델은 외부 루프 없이 모델 내부에서 스스로 계획(Planning)하고 자가 수정(Reflection)을 끝낸 후 최종 답변을 도출
|
|
||||||
- **인지(Cognitive)와 집행(Execution)의 분리**
|
- **스스로 생각하는 모델의 등장 (Test-time Compute)**
|
||||||
- **모델(Model)**: 고차원 추론과 계획 설계(Planning)를 담당
|
최근 출시된 Gemini Thinking이나 OpenAI o1/o3 같은 모델들은 외부 시스템이 루프를 돌려주지 않아도, 모델 스스로 출력을 내보내기 전에 내부적으로 계획을 세우고(Planning) 스스로 오류를 성찰(Reflection)하는 과정을 완료합니다.
|
||||||
- **에이전트 인프라(Harness)**: 보안 샌드박싱, 상태 보존, 권한 통제 및 도구 실행을 담당
|
- **인지와 집행의 명확한 역할 분담**
|
||||||
- **알파(Alpha)의 이동**: 단순한 에이전트 계획 루프의 구현을 넘어, 복잡한 인프라 제어와 이종 표준 연동(ACP/A2A)이 핵심 차별화 요소로 진화
|
이에 따라 고차원적인 논리 설계와 계획(Planning)은 **AI 모델** 내부로 빠르게 넘어가고 있으며, 외부의 **에이전트 인프라(Harness)**는 안전한 실행 환경(Sandboxing), 권한 통제, 상태 관리처럼 모델이 직접 할 수 없는 물리적 보호막 역할을 수행하는 방향으로 진화하고 있습니다.
|
||||||
|
- **차별화 요소(Alpha)의 이동**
|
||||||
|
단순히 계획을 짜는 루프를 코드로 구현하는 것의 가치는 줄어들고, 이제는 복잡한 인프라를 실시간으로 제어하고 서로 다른 규격을 가진 이종 에이전트들을 표준 프로토콜로 유기적으로 엮어내는 기술이 핵심 경쟁력이 되었습니다.
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
Reference in New Issue
Block a user