AI Agent 가 뭔지 알아야 개발을 하죠? - AI 에이전트 개발에 앞서

🤖 "AI 에이전트"가 뭐길래? – ChatGPT보다 똑똑한 AI의 등장

요즘 어디서든 들려오는 말,
"에이전트 기반 AI가 대세야",
"AI가 이제 스스로 생각하고 행동한대!"
하지만 도대체 AI 에이전트가 뭐길래 이렇게 화제일까요?

이 글에서 딱 3단계로 쉽게 설명해드릴게요.

 

유튜브 영상으로 보기 : https://youtu.be/7rP1rfTdRHY

 

🪜 1단계 – LLM: 텍스트만 잘 쓰는 AI 조수

우리가 자주 사용하는 ChatGPT, Claude, Gemini 같은 AI는
모두 LLM(Large Language Model)이라는 기술 위에 만들어진 챗봇이에요.

말 그대로 말을 잘하는 AI죠.

📌 예시:

"고객에게 보낼 감사 이메일 써줘"

ChatGPT는 정중하고 친절한 이메일을 뚝딱 써줍니다.
하지만 그 다음에 이렇게 물어보면?

"이번 주에 어떤 고객한테 보내야 하지?"

❌ 실패!
왜냐하면 ChatGPT는 우리 회사 고객 명단(예: 엑셀 파일)에 접근할 수 없거든요.
그리고 누가 시키지 않으면 가만히 있어요.

즉, LLM은 능력은 좋지만 '지시가 있어야만 움직이는 조수'입니다.

 

 

🪜 2단계 – AI 워크플로우: 시키면 착착 자동으로 움직이는 로봇

이번에는 조금 더 발전된 형태!
우리는 ChatGPT 같은 AI에게 자동화된 경로(workflow)를 설정해줘요.

📌 예시:

"매주 월요일 오전 9시에 신규 고객 리스트를 확인하고,
감사 이메일을 만들어서 자동으로 발송해줘."

이건 Make.com이나 Zapier 같은 자동화 도구를 통해 설정할 수 있어요.

Google Sheets → 신규 고객 리스트 읽기
ChatGPT → 이메일 작성
Gmail API → 자동 발송

정해진 경로만 따라가면 완벽하게 작동합니다.

하지만 문제는?

"이번엔 VIP 고객한테만 보내고 싶은데?"
👉 우리가 직접 워크플로우를 바꿔야 해요.

AI는 스스로 판단하지 못합니다.
우리가 시킨 대로만 합니다.

 

 

🪜 3단계 – AI 에이전트: 판단도, 실행도, 수정도 스스로!

드디어 오늘의 주인공, AI 에이전트!

이제는 AI에게 단순히 "뭘 해라"가 아니라
"이런 목표를 달성해줘"라고 말할 수 있어요.

📌 예시:

"VIP 고객에게 맞춤 이메일을 매주 자동으로 보내줘.
문체도 너무 딱딱하지 않게 부탁해."

🤖 AI 에이전트는 다음처럼 작동합니다:

1. 판단 – "VIP는 구매 상위 10%겠네!"
2. 행동 – Google Sheets에서 필터링, 이메일 자동 작성
3. 검토 – 이메일 문장이 너무 딱딱하다면 스스로 다시 작성
4. 반복 – 스스로 점검하고 개선하면서 최종 결과물 완성
5. 발송 – 고객에게 자동 발송!

👉 인간은 딱 하나만 합니다. 목표 제시.
나머지는 AI가 스스로 해결합니다.

🔍 3단계 비교 요약

단계	설명	인간의 역할	AI의 역할
1단계	LLM	질문/지시	답변 (텍스트 생성)
2단계	워크플로우	전체 경로 설계	정해진 순서대로 실행
3단계	에이전트	목표만 제시	판단 → 실행 → 반복 개선

---

👩‍💻 이제 개발자답게! 각 단계별로 어떤 기술을 써야 하나요?

앞에서는 AI 활용의 개념적 차이를 이야기했다면,
이제는 개발자 관점에서 각 단계가 어떻게 구현되는지 기술적으로 들여다봅니다.

🪜 1단계 – LLM 활용 (텍스트 생성)

✅ 개념 요약:

유저가 입력한 텍스트 → LLM에 전달 → 응답 텍스트 반환

완전히 Stateless하고, 외부 시스템과 연결되지 않은 구조

🧰 사용 기술 스택:

• OpenAI API (GPT-4, GPT-3.5)
• Anthropic Claude, Google Gemini, Mistral, Hugging Face Transformers
• Python 또는 JS 기반 LLM 클라이언트 라이브러리

🛠️ 기본 구현 예 (Python):

import openai

openai.api_key = "your-api-key"

response = openai.ChatCompletion.create(
  model="gpt-4",
  messages=[
    {"role": "user", "content": "고객 감사 이메일을 써줘"},
  ]
)

print(response["choices"][0]["message"]["content"])

💡 주의할 점:

• 데이터 컨텍스트 유지는 불가능 (세션 기반이 아님)
• 외부 정보 (캘린더, DB 등)에 접근 불가 → 이 한계를 넘기려면 2단계로 가야 함

🪜 2단계 – AI 워크플로우: 도구 간 자동화 연결

개념 요약:

정해진 흐름을 따라 LLM과 외부 도구(API, DB, 스케줄러 등)를 연결하여
자동화된 태스크를 수행하는 구조.

🛠 주요 기술 스택:

기능	도구
워크플로우 빌더	Make.com, Zapier, n8n
서버리스 API 호출	AWS Lambda, Google Cloud Functions
데이터 저장소	Google Sheets API, Firebase, MongoDB, Supabase
LLM 통합	OpenAI API, LangChain, LLMClient
스케줄링	cron, Airflow, n8n 내부 트리거

🧑‍💻 예시 구조:

[스케줄러] → [Google Sheets → 신규 고객 추출] → [OpenAI로 이메일 생성] → [Gmail API로 전송]

LangChain 사용 예 (Python):

from langchain.chat_models import ChatOpenAI
from langchain.chains import SimpleSequentialChain
from langchain.prompts import PromptTemplate

llm = ChatOpenAI(temperature=0.7)

prompt = PromptTemplate.from_template("고객 {name}님에게 보낼 감사 이메일을 작성해줘.")
chain = SimpleSequentialChain(llm=llm, prompt=prompt)

result = chain.run("홍길동")
print(result)

⚙️ 특징:

• 명확한 실행 순서가 존재
• 유연한 자동화 가능
• 하지만 여전히 "결정"은 사람이 미리 구성해놓아야 함

🧠 3단계 – AI Agent: 자율적인 판단 & 실행 시스템

개념 요약:

AI가 주어진 목표(goal)에 따라 스스로 판단, 도구를 선택하고,
반복 수정하며 최종 결과를 만들어내는 구조.

🛠 주요 기술 스택:

기능	도구
LLM 실행 기반	OpenAI, HuggingFace, Claude, Gemini
에이전트 프레임워크	✅ LangGraph (LangChain 기반 FSM) ✅ AutoGPT ✅ CrewAI, SuperAGI
툴 호출	LangChain Tools, Function Calling, ToolExecutor
메모리/상태관리	LangChain Memory, Redis, Vector DB
피드백 루프	Self-critique, LLM-as-a-critic, Reward Function
환경	Docker, FastAPI, ECS, Lambda 등 선택 가능

예시: LangGraph (LangChain 기반 FSM)

# LangGraph 기반 에이전트 예시 구조 (간단화)
from langgraph.graph import StateGraph
from langchain.agents import tool

@tool
def fetch_customers():
    return ["고객1", "고객2"]

@tool
def generate_email(name):
    return f"{name}님 안녕하세요, 감사드립니다!"

graph = StateGraph()
graph.add_node("Fetch", fetch_customers)
graph.add_node("Write", generate_email)
graph.set_entry_point("Fetch")
graph.add_edge("Fetch", "Write")
graph.compile().invoke()

⚙️ AI Agent의 핵심 동작:

1. Goal 인식: "VIP 고객에게 적절한 이메일을 보내라"
2. Reasoning: "VIP는 어떻게 정의될까?", "어떤 도구를 써야 할까?"
3. Tool 선택 & 실행: DB, API, LLM, 외부 시스템 등
4. 자기 피드백 & 개선: 문장 퀄리티 평가 후 자체 수정
5. 결과 반환