Agent 기본지식

 

 

▶  Agent : 사용자를 대신해 특정 목표를 위해 작업을 수행하는 자율적인 시스템 

 

º  사용자의 요청을 이해 및 처리, 환경과 상호작용, 목표를 달성하기 위해 필요한 행동 수행 

º  자연어를 이해하고 추론할 수 있는 기술인 LLM이 Agent 구현 핵심 기술로 활용됨 

º  Agent 의 정확도를 높이는 방법 : 프롬프트엔지니어링(CoT), RAG(관련 데이터, 이전 대화 내용 등 관련 있는 컨텍스트를 LLM에게 제공), 파인튜닝(특정 도메인에 맞게 학습)

 

 

▶  LLM 워크플로우 : LLM에게 반복적인 과정을 통해 최종 답변을 생성할 수 있도록 함 

 

º  LLM의 Zero-shot(최종 답변을 한 번에 생성하도록 요구하는 방식) 모드의 한계를 개선하기 위해 고안된 개념 

º  ReAct, Reflexion : LLM워크플로우를 구현하는 연구 사례 

º  AutoGen : 다중 Agent를 사용해 LLM 응용 프로그램을 개발할 수 있도록 지원하는 프레임워크

 

 

 

▶  MultiAgent : 여러 Agent에게 역할을 부여하고 Agent 간의 협동을 통해 문제를 해결

 

º  Single Agent Architecture : 사용자의 질의를 분석해 카테고리와 질문을 추출 한 후, 사전 지식 데이터가 저장된 Vector Store에서 사용자 질문과 비슷한 페어를 조사하고 해당 지식을 기반으로 LLM이 응답 

 

 

º  Single Agent는 간단한 답변에는 무리없이 잘 해결할 수 있으나, 복잡한 질문을 하거나 참고해야 할 데이터수가 많고 Hallucination을 최소화해야 하는 경우, 여러 Agent에게 역할을 부여하고 협동을 통해 문제를 해결하도록 한다. 

º  AutoGen과 CrewAI가 자주 사용하는 MultiAgent 프레임워크 

 

 

 

▶  MCP : LLM에 컨텍스트 정보를 제공하는 방식을 표준화하는 개방적이고 보편적인 프로토콜 (AI 앱을 위한 USB-C 포트 같은 존재) 

 

º  AI세계의 HTTP 프로토콜과 같다. 다양한 AI모델이 다양한 데이터 소스와 도구에 표준화된 방식으로 연결할 수 있게 한다. 

º  AI가 발전하며 외부 데이터나 시스템에 접근하는게 중요해졌는데, 데이터마다 별도의 API 연결을 설정하고 관리해야 하는 등의 문제를 MCP는 해결해준다. 

º  데이터베이스(PostgreSQL, SQLite), 개발 도구(Git, GitHub, GitLab), 네트워크 도구(Brave Search, Fetch), 생산성 도구(Slack, Google Maps) 등을 포함한 다수의 사전 제작된 서버 통합을 제공 - LLM위에 복잡한 에이전트와 AI워크플로우 구축이 가능하게 한다. 

º  AI 에이전트, 자동화 시스템, 외부 데이터 연동 챗봇, LLM기반 지식검색시스템 등에 활용한다. 

 

 

 

▶  A2A : Agent to Agent 에이전트가 어떻게 서로 상호작용하는지에 대한 아키텍처 

 

 

 

º  구글과 50개 이상의 업계 파트너가 개발한 개방형 프로토콜로, 에이전트 상호 운용성을 가능하게 함

 

https://blog.logto.io/ko/a2a-mcp

 

 

 

▶  RAG : LLM출력을 최적화해 응답을 생성하기 전에, 학습 데이터 소스 외부의 신뢰할 수 있는 지식베이스를 참조하도록 하는 프로세스 

 

º  LLM이 참조할 수 있는 별도의 정보를 제공해 환각현상을 방지하고 답변 품질을 향상시킨다. 

 

 

 

▶  LangChain : LLM을 기반으로 하는 응용프로그램을 쉽게 개발할 수 있도록 지원하는 프레임워크 

 

º   관련 정보, 예제 등을 LLM에 연결해, LLM이 맥락 정보를 기반으로 답변을 생성하거나 수행할 작업을 결정할 수 있도록 함 

 

 

 

▶  VectorDB : RAG시스템에서 LLM이 정보를 효율적으로 저장하고 참조할 수 있는 데이터베이스. 사전에 LLM에 제공하고자하는 Context를 저장한다.