ㅁ 생성형 에이전트

ㅇ 정의:
대규모 언어모델(LLM)을 기반으로 스스로 목표를 설정하고, 계획을 수립하며, 외부 도구와 상호작용하여 작업을 수행하는 지능형 자동화 시스템.

ㅇ 특징:
– 프롬프트 기반 자율 실행
– 외부 API, 데이터베이스, 웹 브라우징 등과 연계 가능
– 메모리 기능을 통해 이전 작업 맥락을 유지
– 다단계 추론 및 의사결정 수행

ㅇ 적합한 경우:
– 반복적이고 복잡한 업무 자동화
– 데이터 수집·분석·보고서 작성 등 다단계 작업
– 연구, 마케팅, 소프트웨어 개발 보조

ㅇ 시험 함정:
– 단순 챗봇과의 차이 혼동
– ‘자율성’의 범위를 과대 또는 과소 해석
– LLM 자체와 에이전트 프레임워크를 구분하지 못함

ㅇ 시험 대비 “패턴 보기” 예시:
O: 생성형 에이전트는 외부 도구와 연계하여 자율적으로 작업을 수행할 수 있다.
X: 생성형 에이전트는 반드시 인간의 명령 없이 모든 결정을 내린다.

================================

1. AutoGPT

ㅇ 정의:
오픈소스 LLM 에이전트 프레임워크로, 사용자가 제시한 목표를 세부 작업으로 분해하고 순차적으로 실행하는 시스템.

ㅇ 특징:
– Python 기반
– 플러그인 구조로 기능 확장 가능
– 장기·단기 메모리 지원
– 웹 검색, 파일 입출력, API 호출 가능

ㅇ 적합한 경우:
– 프로토타입 제작
– 반복적 데이터 수집 및 처리
– 자동 보고서 작성

ㅇ 시험 함정:
– AutoGPT가 특정 LLM에 종속된다고 오해
– 단일 작업만 처리 가능하다고 착각

ㅇ 시험 대비 “패턴 보기” 예시:
O: AutoGPT는 목표를 세부 작업으로 나누어 순차 실행한다.
X: AutoGPT는 인터넷 접속이 불가능하다.

================================

2. BabyAGI

ㅇ 정의:
LLM을 활용하여 작업 생성, 우선순위 결정, 실행을 반복하는 경량화된 자율 에이전트 프레임워크.

ㅇ 특징:
– 간결한 코드 구조
– 작업 리스트를 지속적으로 업데이트
– 메모리 관리 단순화

ㅇ 적합한 경우:
– 학습 및 연구용 데모
– 소규모 반복 작업

ㅇ 시험 함정:
– BabyAGI가 완전한 인공지능 일반지능(AGI)라고 오해
– 대규모 데이터 처리에 적합하다고 착각

ㅇ 시험 대비 “패턴 보기” 예시:
O: BabyAGI는 작업 리스트를 동적으로 갱신하며 실행한다.
X: BabyAGI는 대규모 병렬 연산을 위해 설계되었다.

================================

3. Agentic RAG

ㅇ 정의:
Retrieval-Augmented Generation(RAG)에 에이전트 기능을 결합하여, 질의에 따라 검색·추론·행동을 자율적으로 수행하는 방식.

ㅇ 특징:
– 외부 지식 검색과 LLM 생성 결합
– 다단계 질의 처리 가능
– 검색 전략을 동적으로 조정

ㅇ 적합한 경우:
– 최신 정보 기반 답변 생성
– 대규모 문서 집합에서의 질의응답

ㅇ 시험 함정:
– 단순 RAG와 Agentic RAG의 차이 미분별
– 검색 단계 없이도 항상 정확하다고 오해

ㅇ 시험 대비 “패턴 보기” 예시:
O: Agentic RAG는 질의에 따라 검색 전략을 변경할 수 있다.
X: Agentic RAG는 검색 없이 항상 답변을 생성한다.

================================

4. Multi-Agent System

ㅇ 정의:
여러 개의 에이전트가 상호작용하며 협력 또는 경쟁을 통해 문제를 해결하는 시스템.

ㅇ 특징:
– 분산 처리 구조
– 협력, 경쟁, 조정 메커니즘 포함
– 이기종 에이전트 간 통신 가능

ㅇ 적합한 경우:
– 복잡한 시뮬레이션
– 대규모 분산 문제 해결
– 협업 기반 작업 자동화

ㅇ 시험 함정:
– Multi-Agent System이 반드시 동일한 목표를 공유한다고 오해
– 단일 에이전트와의 차이 간과

ㅇ 시험 대비 “패턴 보기” 예시:
O: Multi-Agent System은 여러 에이전트가 상호작용하여 문제를 해결한다.
X: Multi-Agent System은 항상 모든 에이전트가 동일한 목표를 가진다.

ㅁ 추가 학습 내용

AutoGPT와 BabyAGI의 메모리 관리 차이와 실제 적용 사례 비교
AutoGPT는 장기 메모리와 단기 메모리를 구분하여 관리하며, 외부 벡터 데이터베이스를 활용해 과거 작업 기록과 컨텍스트를 저장하고 검색한다. BabyAGI는 주로 작업 큐와 간단한 메모리 구조를 사용하여 다음 작업을 생성하는 데 집중하며, 장기 메모리 관리 기능은 상대적으로 단순하다. 실제 적용 사례에서 AutoGPT는 복잡한 프로젝트 관리나 다단계 의사결정에 유리하고, BabyAGI는 반복적이고 단기 목표 중심의 업무에 적합하다.

Agentic RAG에서 검색 전략 최적화 기법과 성능 평가 지표
Agentic RAG에서는 쿼리 확장, 다단계 검색, 재검색(re-ranking) 기법을 활용해 검색 정확도를 높인다. 성능 평가는 MRR(Mean Reciprocal Rank), Recall, Precision, nDCG 등의 지표를 사용하며, MRR은 첫 번째 관련 문서의 순위를 평가하고, Recall은 전체 관련 문서 중 검색된 비율을 측정한다.

Multi-Agent System의 통신 프로토콜과 동기화 문제 해결 방식
통신 프로토콜로는 메시지 패싱(Message Passing) 방식과 블랙보드(Blackboard) 모델이 있다. 메시지 패싱은 에이전트 간 직접 메시지를 주고받는 방식이고, 블랙보드 모델은 공유 데이터 공간을 통해 간접적으로 정보 교환을 한다. 동기화 문제는 락(lock) 메커니즘, 타임스탬프 기반 순서 보장, 이벤트 기반 트리거 등을 통해 해결한다.

생성형 에이전트와 전통적 RPA의 차이점
생성형 에이전트는 LLM 기반으로 비정형 데이터 처리와 창의적 문제 해결이 가능하며, 환경 변화에 적응한다. 전통적 RPA는 규칙 기반으로 정형 데이터와 반복 업무 자동화에 특화되어 있으며, 환경 변화에 취약하다.

에이전트 자율성 수준 분류와 혼동하기 쉬운 정의
Fully autonomous는 인간 개입 없이 목표 달성을 위해 모든 의사결정을 스스로 수행한다. Human-in-the-loop는 주요 의사결정 단계에서 인간의 승인이나 입력이 필요하다. Human-on-the-loop는 에이전트가 자율적으로 작동하되, 인간이 모니터링하며 필요 시 개입한다.

최신 오픈소스 프레임워크 동향과 LLM API 연동 방식
LangChain, LlamaIndex, Haystack 등 다양한 오픈소스 프레임워크가 등장하고 있으며, LLM API 연동 시 REST API 호출, SDK 이용, 스트리밍 응답 처리 방식이 사용된다. API 키 관리와 요청 최적화가 중요하다.

보안 및 프라이버시 고려사항
외부 API 호출 시 전송되는 데이터에 민감 정보가 포함될 경우 데이터 유출 위험이 있다. 이를 방지하기 위해 데이터 마스킹, 익명화, 로컬 전처리, 암호화 전송, 최소 권한 원칙 적용 등의 대응 방법을 사용한다.