📌 LLM 어플리케이션 9편: 에이전트 - 생각하는 AI의 탄생

BQ개발자입니다.

지금까지의 LLM은 질문을 받으면 바로 답변했습니다.
하지만 모르는 걸 물어보면? 그냥 틀린 답을 하거나 "모르겠습니다"라고 할 뿐이었죠.

그런데 만약 LLM이 스스로 정보를 찾아볼 수 있다면 어떨까요?

📱 LLM 어플리케이션 8편: 청킹 - 긴 글을 어떻게 나눌 것인가

🤖 에이전트가 뭔가요?

에이전트는 "스스로 생각하고 행동하는 LLM"을 의미합니다.

일반 LLM 사용자: "2023년 PGA 챔피언의 고향은?"
LLM: "죄송합니다. 그 정보는 모릅니다."

에이전트 사용자: "2023년 PGA 챔피언의 고향은?"
에이전트: (스스로 검색해서 답을 찾아옴) "2023년 PGA 챔피언은 브룩스 켑카이며, 플로리다주 웨스트팜비치 출신입니다."

어떻게 이게 가능할까요?

🧠 ReAct 패턴: 생각하고, 행동하고, 관찰하라

ReAct는 Reasoning(추론) + Acting(행동)의 줄임말입니다.

핵심은 세 단계의 반복입니다:

1. Thought (생각): 무엇을 해야 할지 추론
2. Action (행동): 실제로 도구를 사용해 행동
3. Observation (관찰): 행동의 결과를 확인

이 세 단계가 계속 순환하면서 문제를 해결합니다.

📝 실제로 어떻게 작동하는지 봅시다

"2023년 PGA 챔피언의 고향을 알려줘"라는 질문을 받았을 때:

Thought: "2023년 PGA 챔피언이 누구인지 먼저 알아야겠다."
Action: 구글 검색("2023 PGA 챔피언")
Observation: "브룩스 켑카가 우승자라는 것을 확인했다."

Thought: "이제 브룩스 켑카의 고향을 알아야겠다."
Action: 구글 검색("브룩스 켑카 고향")
Observation: "플로리다주 웨스트팜비치 출신이라는 정보를 얻었다."

Final Answer: "2023년 PGA 챔피언은 브룩스 켑카이며, 그의 고향은 플로리다주 웨스트팜비치입니다."

⚡ 왜 이게 중요한가?

일반 프로그램은 미리 정해진 순서대로만 실행합니다.
하지만 ReAct는 각 단계의 결과를 보고 다음을 결정합니다.

예를 들어:

• 첫 검색에서 "대회 취소"가 나왔다면? → 다른 방향으로 사고 전환
• 검색 결과가 애매하다면? → 다른 검색어로 재시도

• 잘못된 정보를 찾았다면? → 검증을 위한 추가 검색

상황에 따라 적응하는 것, 이게 핵심입니다.

🔄 Think → Act → Observe의 순환

이 패턴이 없다면:

• LLM은 자신의 지식 범위 안에서만 답변
• 틀려도 확인할 방법이 없음

• 추가 정보가 필요해도 얻을 수 없음

ReAct 패턴이 있으면:

• 모르는 건 찾아볼 수 있음
• 틀렸으면 수정할 수 있음

• 필요한 만큼 반복해서 정보를 수집할 수 있음

각 사고가 행동을 만들고, 각 행동의 결과가 다음 사고를 만듭니다.
이 순환이 "지능적 행동"을 가능하게 합니다.

💡 정리: 수동적 대답에서 능동적 문제 해결로

에이전트의 본질은 ReAct 패턴을 통한 자율성입니다.

생각 → 행동 → 관찰 → 다시 생각...

이 순환을 통해 LLM은:

• 단순 질문-답변 기계에서
• 스스로 문제를 해결하는 시스템으로 진화합니다.

인간이 문제를 해결하는 과정과 같은 구조죠. 그래서 우리는 이걸 "에이전트"라고 부릅니다.

하지만 복잡한 작업에는 여러 전문가가 필요합니다. 다음 편에서는 "멀티 에이전트 - AI들의 협업"을 알아보겠습니다.

---

여러분의 좋아요와 공유는 사랑입니다 🥰