구글의 에이전트 백서 요약

https://www.kaggle.com/whitepaper-agents

Agents

 

 

구글의 에이전트 백서: AI 에이전트의 개념과 작동 방식 요약

에이전트란 무엇인가?

최근 구글에서 발표한 에이전트(Agent)에 대한 백서는 AI 기술의 발전에 있어 중요한 개념들을 다루고 있습니다. 기존의 ChatGPT와 같은 모델들은 단순히 질문을 받으면 즉각적인 응답을 제공하는 방식이지만, 에이전트는 자율적(autonomous)이고 독립적(independent) 으로 작동하며 여러 단계를 거쳐 문제를 해결하는 것이 특징입니다.

기존 모델과 에이전트의 차이점

기존 AI 모델(ChatGPT) 에이전트

특정 텍스트 요약, 번역, 답변 생성	여러 단계를 거쳐 논리적으로 사고
한 번의 호출로 즉각적인 답변 제공	계획(Planning) 및 추론(Reasoning) 수행
외부 도구(API) 호출 없음	API 및 외부 도구와 연동 가능
사전 학습된 데이터 기반 응답	외부 데이터까지 활용해 실시간 응답

기존 모델은 정적인 방식으로 응답을 생성하는 반면, 에이전트는 계획을 세우고, 기억을 활용하며, 다양한 도구를 연계하여 보다 복잡한 작업을 수행할 수 있습니다.

에이전트의 구조

에이전트는 크게 세 가지 주요 요소로 구성됩니다.

1. 오케스트레이션 레이어 (Orchestration Layer)
   • 사용자의 입력을 분석하고, 실행할 작업을 결정하는 역할을 합니다.
   • 프롬프트(Instruction) 기반으로 사고하며, 필요 시 기억을 활용합니다.
2. 리즌잉 & 플래닝 (Reasoning & Planning)
   • 단기 기억/장기 기억을 활용하여 논리적인 사고 과정을 수행합니다.
   • 필요한 경우 API를 호출하여 추가 정보를 가져옵니다.
3. 도구 연동 (Tool Integration)
   • 외부 API, 데이터베이스, 웹 검색 등의 도구와 연결하여 실행합니다.
   • 예를 들어, 항공편 예약을 요청하면 구글 플라이츠 API를 호출하여 예약 정보를 제공합니다.

에이전트의 사고 방식

에이전트는 다양한 사고 기법을 통해 문제를 해결합니다.

1. React (Reasoning + Acting)

• 단계별로 사고 후, 필요한 행동을 수행하는 프레임워크입니다.
• 예를 들어, AI가 외부 API를 호출해야 하는 경우, 먼저 정보가 충분한지 판단하고, 이후 API를 호출하여 결과를 도출합니다.

2. Chain of Thought (CoT)

• 복잡한 논리 문제나 수학적 문제를 해결할 때 사용됩니다.
• 단계별로 사고 과정을 거쳐 논리적으로 답변을 생성합니다.
• 예: "앨리스가 사과 3개를 갖고 있고, 밥에게 2개를 주면 몇 개가 남나요?" → AI는 3 - 2 = 1을 단계적으로 사고하며 답변 생성

3. Tree of Thought (ToT)

• 하나의 문제에 대해 여러 가지 해결책을 고려할 때 사용됩니다.
• 예를 들어, 게임 전략을 짜거나, 비즈니스 운영 방안을 세울 때 여러 가지 가능성을 탐색합니다.

도구(툴) 연동 방식

에이전트는 다양한 도구와 연동되며, 크게 익스텐션(Extensions) 과 펑션(Functions) 두 가지 방식으로 나뉩니다.

1. 익스텐션(Extensions)

• 에이전트가 외부 API를 직접 호출할 때 사용됩니다.
• 예: 구글 플라이츠 API를 호출하여 항공편 정보를 가져오는 기능
• API 호출이 실패하지 않도록 중간 과정에서 필요한 데이터를 보완하는 역할 수행

2. 펑션(Functions)

• 클라이언트 사이드에서 실행되며, 특정 작업을 쉽게 수행할 수 있도록 도와줍니다.
• 예: 덧셈 기능을 구현한 sum_function(2,3) → 5
• API 호출 없이 데이터를 변환하거나 정리하는 용도로 사용됨

비교 항목 익스텐션(Extensions) 펑션(Functions)

API 직접 호출 여부	O (에이전트가 직접 호출)	X (클라이언트에서 호출)
사용 목적	외부 API와 직접 연동	데이터를 변환하고 정리
예제	구글 지도 API, 날씨 API	덧셈 함수, 데이터 필터링

데이터 스토어 (Data Store)

에이전트는 기존 학습 데이터뿐만 아니라, 벡터 데이터베이스를 활용하여 보다 정확한 정보를 제공합니다.

• RAG (Retrieval-Augmented Generation) 모델 적용 가능
• 사용자가 입력한 질문을 벡터 데이터베이스와 비교하여 가장 적절한 답변을 생성
• 크로마DB(ChromaDB) 등 벡터 스토어 활용 가능

결론: 에이전트의 미래와 활용 가능성

이번 구글 백서를 통해 에이전트가 단순한 AI 모델이 아니라, 계획하고 추론하며 도구와 연동하여 자율적으로 문제를 해결하는 시스템 이라는 점을 알 수 있습니다. 앞으로 에이전트는 다양한 산업에서 활용될 가능성이 크며, 대표적인 적용 사례는 다음과 같습니다.

• AI 비서: 사용자의 일정을 조율하고, 필요한 정보를 자동으로 수집
• 자동화 시스템: 반복적인 업무를 AI가 스스로 계획하고 실행
• 검색 및 추천 시스템: 외부 데이터를 연동하여 사용자 맞춤형 결과 제공

구글은 이미 이러한 에이전트를 개발할 수 있는 Vertex AI 플랫폼 을 공개하였으며, 앞으로도 다양한 기능이 추가될 것으로 보입니다.

AI 기술이 빠르게 발전하면서, 에이전트 기반 시스템이 점점 더 중요한 역할을 하게 될 것입니다. 앞으로의 변화에 맞춰, 보다 효과적으로 AI 에이전트를 활용하는 방법을 고민해보는 것이 중요할 것입니다!

---

이 글이 유익하셨다면, 좋아요와 구독 부탁드립니다! 감사합니다 😊