에이전트 AI가 순수한 과대 광고가 아닌 이유 (그리고 회의론자들이 아직 보지 못하는 것)

저자의 이미지 | 표의 문자

우리는 모두 지난 몇 년 동안 큰 언어 모델로 응용 프로그램을 구축하는 데 보냈습니다. 실제로 컨텍스트를 이해하는 챗봇에서 자동 완성뿐만 아니라 유용한 것을 구축하는 코드 생성 도구에 이르기까지 우리는 모두 진행 상황을 보았습니다.

에이전트 AI가 주류가되면서 친숙한 자료를 듣고있을 것입니다. “그것은 단지 과대 광고”, “추가 단계가있는 LLM”, “벤처 캐피탈을위한 마케팅 보풀”. 신흥 기술과 마찬가지로 건전한 회의론이 보장되지만, 단순한 과대 광고로서 대리인 AI를 기각하는 것은 실질적인 이점과 잠재력을 간과합니다.

에이전트 AI는 우리의 영구적 인 기술 트렌드주기에서 다음 반짝이는 일이 아닙니다. 그리고이 기사에서는 이유를 알 수 있습니다.

에이전트 AI는 정확히 무엇입니까?

에이전트 AI가 무엇인지 이해하려고 노력해 봅시다.

에이전트 AI. 개별 프롬프트에 대응하는 기존 LLM과 달리 에이전트 시스템은 확장 된 워크 플로에서 컨텍스트를 유지하고, 일련의 행동을 계획하며, 결과에 따라 접근 방식을 조정합니다.

LLM에게 “날씨는 어떻습니까?” 다중 기상 서비스를 확인하고, 야외 회의의 달력을 분석하고, 심한 날씨가 예상되는 경우 일정 조정을 제안하고, 실제로 달력 업데이트를 승인과 함께 보냅니다.

에이전트 AI를 표준 LLM 응용 프로그램과 분리하는 주요 특성은 다음과 같습니다.

자율적 목표 추구: 이러한 시스템은 복잡한 목표를 실행 가능한 단계로 분류하여 독립적으로 실행할 수 있습니다. 끊임없는 인간의 프롬프트를 요구하는 대신 장기 목표에 중점을 둡니다.

다단계 추론 및 계획: 에이전트 시스템은 중간 결과를 기반으로 행동의 결과 및 조정 전략의 결과를 고려하여 여러 가지 움직임을 생각할 수 있습니다.

도구 통합 및 환경 상호 작용: API, 데이터베이스, 파일 시스템 및 기타 외부 리소스와 함께 기능의 확장으로 작업 할 수 있습니다.

지속적인 맥락과 기억: Stationseless LLM 상호 작용과 달리 에이전트 시스템은 확장 세션에서 인식을 유지하고, 이전 상호 작용을 배우고 과거 작업을 구축합니다.

간단한 프롬프트에서 에이전트 AI 시스템에 이르기까지

LLM과 함께하는 나의 여행 (그리고 아마도 당신의)은 우리 모두가 기억하는 전형적인 사용 사례로 시작되었습니다 : 텍스트 생성, 요약 및 기본 질문 응답. 초기 응용 프로그램은 인상적이지만 제한적이었습니다. 프롬프트를 만들고 응답을 받고 다시 시작합니다. 각 상호 작용을 분리하여 연속성을 유지하기 위해 신중한 프롬프트 엔지니어링이 필요했습니다.

우리가 다중 회전 대화와 기능 통화를 실험하기 시작했을 때 돌파구가 나왔습니다. 갑자기 LLM은 텍스트를 생성 할 수있을뿐만 아니라 외부 시스템과 상호 작용할 수있었습니다. 이것은 패턴 일치 및 텍스트 완성보다 더 정교한 무언가에 대한 우리의 첫 경험이었습니다.

그러나 이러한 강화 된 LLM조차도 한계가있었습니다. 그들은 :

반응성 보다는 사전 예방적인,
복잡한 작업에 대한 인간 지침에 의존하고
상호 작용을 통해 상태를 유지 해야하는 다단계 워크 플로로 어려움을 겪었습니다.

에이전트 AI 시스템은 이러한 제한 사항을 정면으로 해결합니다. 최근에는 초기 요구 사항 수집에서 스크립트를 배포 할 준비가 된 것에 이르기까지 전체 소프트웨어 개발 워크 플로우를 관리 할 수있는 에이전트 구현을 보았을 것입니다.

에이전트 AI 아키텍처 이해

에이전트 AI 시스템의 기술 아키텍처는 기존 LLM 응용 프로그램과 근본적으로 다른 이유를 보여줍니다. 표준 LLM 응용 프로그램은 간단한 요청-응답 패턴을 따르지만 에이전트 시스템은 자율적 인 동작을 가능하게하는 정교한 제어 루프를 구현합니다.

표준 LLM 앱 vs.Agentic AI 시스템 | 저자의 이미지 | draw.io (diagngams.net)

핵심은 우리가 “인식-계획”사이클이라고 부를 수있는 것입니다. 에이전트는 다양한 입력 (사용자 요청, 시스템 상태, 외부 데이터)을 통해 환경을 지속적으로 인식하고 목표 및 현재 상황에 따라 적절한 조치를 계획 한 다음 도구 사용 또는 직접 상호 작용을 통해 해당 계획을 실행하여 행동합니다.

계획 구성 요소가 특히 중요합니다. 현대의 에이전트 시스템은 추론 나무와 같은 기술을 사용하여 경로에 전념하기 전에 여러 가능한 행동 시퀀스를 탐색합니다. 이를 통해 더 많은 정보를 얻은 결정을 내리고 오류로부터 더 우아하게 회복 할 수 있습니다.

메모리 및 컨텍스트 관리는 또 다른 아키텍처 도약을 나타냅니다. 기존의 LLM은 본질적으로 무국적이지만 에이전트 시스템은 즉각적인 작업을위한 단기 작업 메모리와 과거의 상호 작용으로부터의 학습을위한 장기 메모리를 모두 유지합니다. 이 지속적인 상태를 통해 이전 작업을 구축하고 점점 더 개인화 된 지원을 제공 할 수 있습니다.

도구 통합은 여러 서비스의 정교한 오케스트레이션을 호출하는 간단한 기능을 넘어 발전했습니다.

실제로 작동하는 실제 에이전트 AI 응용 프로그램

모든 기술의 증거는 실제 응용 분야에 있습니다. 내 경험상, 에이전트 AI는 지속적인주의, 다단계 실행 및 적응 형 문제 해결이 필요할 때 훌륭하게 작동합니다.

고객 지원 자동화는 간단한 챗봇을 넘어 문제를 연구하고, 여러 내부 시스템과 조정하며, 자세한 맥락과 제안 된 솔루션을 가진 인간 에이전트에게 복잡한 문제를 확대 할 수있는 에이전트 시스템으로 발전했습니다.

개발 워크 플로 자동화는 또 다른 유망한 응용 프로그램입니다. 높은 수준의 기능 요청을 받고, 기존 코드베이스를 분석하고, 구현 계획을 생성하고, 여러 파일에서 코드를 작성하고, 테스트를 실행하고, 문제를 해결하고, 배포 스크립트를 준비 할 수있는 에이전트를 구축 할 수 있습니다. 코드 생성 도구와의 주요 차이점은 전체 개발 수명주기에서 컨텍스트를 유지하는 능력입니다.

지능형 데이터 처리는 에이전트가 도움이 될 수있는 또 다른 예입니다. 각 데이터 변환 작업에 대한 사용자 정의 스크립트를 작성하는 대신 데이터 스키마를 이해하고 품질 문제를 식별하고 청소 절차를 제안 및 구현하며 포괄적 인 보고서를 생성 할 수있는 에이전트를 만들 수 있습니다.

이러한 응용 프로그램은 인간 개발자가 수동으로 관리 해야하는 복잡성을 처리하기 때문에 성공합니다. 그들은 인간의 판단을 대체하는 것이 아니라 잘 정의 된 프로세스의 오케스트레이션과 실행을 처리함으로써 우리의 기능을 강화합니다.

에이전트 AI에 대한 회의론 해결

회의론을 이해합니다. 우리 산업은 오랜 과장된 기술의 역사를 가지고 있으며, 모든 것을 혁신하겠다고 약속했지만 최상의 개선을 제공했습니다. 에이전트 AI에 대한 우려는 합법적이며 직접 해결할 가치가 있습니다.

“추가 단계가있는 LLM 일뿐입니다“일반적인 비판이지만 LLM을 자율 제어 시스템과 결합하여 발생하는 출현 속성을 놓치고 있습니다.”추가 단계 “는 질적으로 다른 기능을 만듭니다. 자동차는 추가 부품을 가진 엔진이라고 말하는 것과 같습니다. 기술적으로는 사실이지만 조합은 구성 요소와 근본적으로 다른 것을 생성합니다.

신뢰성 및 환각 문제 적절한 시스템 설계로 유효하지만 관리 할 수 있습니다. 에이전트 시스템은 검증 루프, 중요한 동작에 대한 인간 승인 게이트 및 오류에 대한 롤백 메커니즘을 구현할 수 있습니다. 내 경험상, 핵심은 우아하게 실패하고 적절한 경우 인간의 감독을 유지하는 시스템을 설계하는 것입니다.

비용과 복잡성 논쟁은 장점이 있지만 이러한 시스템이 더욱 가능해지면서 경제는 개선됩니다. 인간 조정 시간이 필요한 작업을 완료 할 수있는 에이전트는 종종 계산 비용을 정당화합니다. 특히 인간 시간 및 잠재적 오류를 포함한 총 소유 비용을 고려할 때.

에이전트 AI 및 개발자

에이전트 AI에 대해 가장 흥분시키는 것은 개발자 경험을 어떻게 변화시키는 지입니다. 이 시스템은 수동 도구보다는 지능적인 협력자 역할을합니다. 그들은 프로젝트 컨텍스트를 이해하고, 개선을 제안하며, 개발 패턴에 따라 요구를 예상 할 수 있습니다.

디버깅 경험만으로는 변형이되었습니다. 로그 및 스택 추적을 수동으로 추적하는 대신, 이제 여러 데이터 소스를 분석하고 잠재적 근본 원인을 식별하며 특정 치료 단계를 제안 할 수있는 에이전트에 대한 증상을 설명 할 수 있습니다. 에이전트는 시스템 아키텍처 및 최근 변경 사항에 대한 맥락을 유지하여 수동으로 수집하는 데 상당한 시간이 걸리는 통찰력을 제공합니다.

코드 검토는 수동 프로세스에서 구문 문제뿐만 아니라 건축 문제, 보안 영향 및 성능 병목 현상을 식별 할 수있는 AI 에이전트와의 협력 노력으로 발전했습니다. 이 에이전트는 응용 프로그램의 더 넓은 맥락을 이해하고 기술적 제약과 함께 비즈니스 요구 사항을 고려하는 피드백을 제공 할 수 있습니다.

프로젝트 관리는 여러 리포지토리에서 진행 상황을 추적하고, 비판적이되기 전에 차단제를 식별하며, 역사적 패턴과 현재 우선 순위를 기반으로 자원 할당을 제안 할 수있는 에이전트의 혜택을 받았습니다.

기대 : 에이전트 AI에 대한 실용적인 경로

에이전트 AI의 미래는 개발자를 교체하는 것이 아니라 기능을 증폭시키고 높은 수준의 문제 해결에 집중할 수 있도록하는 것입니다. 오늘날 우리가 구축하고있는 에이전트 AI 시스템은 일상적인 작업을 처리하고 복잡한 워크 플로우를 조정하며 의사 결정에 대한 지능적인 지원을 제공합니다.

이 기술은 여전히 빠르게 진화하면서 실용적인 응용 분야에 충분히 성숙합니다. 프레임 워크와 도구가 더욱 접근 가능 해지고 개발자는 처음부터 모든 것을 구축하지 않고 에이전트 기능을 실험 할 수 있습니다.

나는 당신이 작게 시작하지만 크게 생각하는 것이 좋습니다. 에이전트가 명확한 값을 제공 할 수있는 잘 정의 된 워크 플로로 시작하십시오. 전통적인 자동화가 부족하지만 인간의 감독은 여전히 가능합니다.

요약하자면 : 문제는 에이전트 AI가 주류가 될지 여부가 아닙니다.이 새로운 협업 파트너와 효과적으로 일하는 법을 얼마나 빨리 배울 수 있는지입니다.

결론

에이전트 AI는 AI 시스템을 구축하고 상호 작용하는 방법에 대한 중요한 단계를 나타냅니다. 물론 이러한 시스템은 완벽하지 않으며 사려 깊은 구현과 적절한 감독이 필요합니다. 그러나 그들은 또한 순수한 과대 광고가 아닙니다.

초기 회의론을 넘어서서 이러한 시스템을 실험하려는 개발자의 경우 에이전트 AI는보다 지능적이고 유능하며 자율적 인 응용 프로그램을 구축 할 수있는 진정한 기회를 제공합니다.

과대 광고주기는 항상 그렇듯이 결국 정해집니다. 그렇다면, 에이전트 AI가 조용히 개발 툴킷의 필수 부분이되었다고 생각합니다. 과장된 것이 아니라 실제로 작동하기 때문입니다.

발라 프리 야 c 인도의 개발자이자 기술 작가입니다. 그녀는 수학, 프로그래밍, 데이터 과학 및 컨텐츠 제작의 교차점에서 일하는 것을 좋아합니다. 그녀의 관심 분야와 전문 지식에는 DevOps, 데이터 과학 및 자연어 처리가 포함됩니다. 그녀는 독서, 쓰기, 코딩 및 커피를 즐깁니다! 현재 그녀는 자습서, 방법 안내, 의견 조각 등을 통해 개발자 커뮤니티와 지식을 배우고 공유하는 작업을하고 있습니다. Bala는 또한 매력적인 리소스 개요 및 코딩 자습서를 만듭니다.

출처 참조