상위 AI 에이전틱 워크플로우 패턴

원문: Top AI Agentic Workflow Patterns

대형 언어 모델(Large Language Model)과 처음 상호작용할 때는 경험이 간단합니다. 프롬프트를 입력하면 모델이 응답을 생성하고, 상호작용이 끝납니다.

이러한 단일 턴(single-turn) 방식은 간단한 질문이나 기본적인 콘텐츠 생성에는 잘 작동하지만, 더 복잡한 작업을 다룰 때는 한계가 빠르게 드러납니다. AI에게 시장 동향을 분석하고, 종합적인 보고서를 작성하며, 실행 가능한 권장 사항을 제공하도록 요청한다고 상상해 보세요. 아무리 잘 만들어진 응답이라도 단일 응답으로는 부족한 경우가 많습니다. 추가 정보를 수집하거나, 추론을 반성하거나, 피드백을 기반으로 출력을 개선할 기회가 없기 때문입니다.

이것이 바로 에이전틱 워크플로우(agentic workflow)가 등장하는 이유입니다.

AI 상호작용을 일회성 거래로 취급하는 대신, 에이전틱 워크플로우는 반복적 프로세스, 도구 통합, 구조화된 문제 해결 접근 방식을 도입합니다. 이러한 워크플로우는 언어 모델을 정교한 텍스트 생성기에서 복잡한 문제를 분해하고, 전략을 조정하며, 더 높은 품질의 결과를 생성할 수 있는 유능한 에이전트로 변환합니다. 이 차이는 빠른 스케치와 신중하게 다듬어진 그림을 비교하는 것과 유사합니다. 둘 다 각자의 자리가 있지만, 품질과 신뢰성이 중요할 때는 반복적 접근 방식이 승리합니다.

이 글에서는 가장 인기 있는 에이전틱 워크플로우 패턴과 그 작동 방식을 살펴보겠습니다.

에이전틱 워크플로우 이해하기

에이전틱 워크플로우는 단순히 단일 명령에 응답하는 것이 아닙니다. 대신, 어느 정도의 자율성을 가지고 작동하며, 작업에 어떻게 접근할지, 어떤 단계를 취할지, 그리고 과정에서 발견한 내용을 기반으로 어떻게 적응할지에 대한 결정을 내립니다. 이는 AI 시스템을 사용하는 방식에 대한 근본적인 변화를 나타냅니다.

기본 챗봇과 에이전틱 시스템에 연구 보고서 작성을 도와달라고 요청하는 것의 차이를 생각해 보세요. 기본 챗봇은 요청을 받고 훈련 데이터를 기반으로 보고서를 생성하여 한 번의 응답으로 제공합니다. 반면 에이전틱 시스템은 먼저 주제에 대한 최신 정보를 웹에서 검색한 다음, 발견한 내용을 주제별로 정리하고, 보고서의 섹션을 초안 작성하고, 각 섹션의 정확성과 일관성을 검토하고, 약한 부분을 수정한 후, 마지막으로 모든 것을 세련된 문서로 편집할 수 있습니다. 이러한 각 단계에는 여러 하위 단계, 사용할 도구에 대한 결정, 그리고 에이전트가 발견한 내용을 기반으로 한 적응이 포함될 수 있습니다.

워크플로우를 진정으로 에이전틱하게 만드는 것은 프로세스에 내장된 반복과 피드백 루프입니다. 단일 패스로 출력을 생성하는 대신, 에이전틱 워크플로우는 에이전트가 행동을 취하고, 결과를 관찰하고, 그 관찰을 사용하여 다음 행동을 알리는 사이클을 포함합니다. 이는 인간이 실제로 복잡한 문제를 해결하는 방식을 반영합니다. 우리는 모든 것을 미리 파악하고 완벽한 계획을 실행하는 경우가 거의 없습니다. 대신 무언가를 시도하고, 무슨 일이 일어나는지 확인하고, 결과로부터 배우고, 접근 방식을 조정합니다. 에이전틱 워크플로우는 이와 동일한 적응적이고 반복적인 특성을 AI 시스템에 가져옵니다.

다섯 가지 필수 에이전틱 워크플로우 패턴

이제 다섯 가지 필수 에이전틱 워크플로우 패턴을 살펴보겠습니다:

Reflection Pattern: 자가 개선 에이전트

핵심적으로 Reflection은 에이전트가 자신의 작업을 검토하고 비평한 다음, 그 비평을 기반으로 수정하는 것입니다. 이 간단한 아이디어는 오류를 포착하고, 약점을 식별하며, 강점을 향상시키는 반복적 개선 프로세스를 도입하기 때문에 출력 품질을 향상시킵니다.

다음은 Reflection 사이클이 실제로 작동하는 방식입니다.

에이전트는 먼저 받은 작업이나 프롬프트를 기반으로 초기 출력을 생성합니다.
그런 다음 이 출력을 즉시 최종본으로 제시하는 대신, 에이전트는 비평 모드로 전환합니다. 방금 생성한 것을 검사하면서 문제, 불일치, 명확성이 부족한 영역 또는 개선 기회를 찾습니다. 이 비평이 수정의 기초가 됩니다.
에이전트는 식별한 문제를 해결하는 개선된 버전을 생성합니다. 구현에 따라 이 사이클은 여러 번 반복될 수 있으며, 각 반복은 출력을 더욱 개선합니다.

다음 다이어그램을 참조하세요:

Reflection의 힘은 수행되는 비평의 유형을 특화할 때 더욱 명확해집니다. 몇 가지 예는 다음과 같습니다:

에이전트는 정확성에 특별히 반영하여 자신이 주장한 사실과 주장이 정확하고 잘 뒷받침되는지 확인할 수 있습니다.
또는 Reflection이 명확성에 초점을 맞추어, 주제에 익숙하지 않은 사람이 설명을 이해할 수 있는지 묻습니다.
창의적인 글쓰기의 경우, Reflection은 어조를 평가하여 목소리가 의도한 스타일과 청중과 일치하는지 확인할 수 있습니다.
코드 생성의 경우, Reflection은 버그, 보안 취약점 또는 성능 최적화 기회를 식별하는 데 초점을 맞출 수 있습니다.

Reflection 패턴은 속도보다 품질이 중요하고 검토의 이점을 받는 주관적 측면이 있는 작업에 가장 적합합니다. 그러나 이 패턴은 답이 직관적인 간단한 사실적 쿼리나 속도가 가장 중요하고 충분히 좋은 것이 진정으로 충분한 작업에는 덜 필요합니다.

Tool Use Pattern

Tool Use 패턴은 AI 에이전트가 달성할 수 있는 것의 근본적인 확장을 나타냅니다.

언어 모델 자체는 아무리 정교하더라도 훈련 중에 학습한 정보에 대해 추론하고 그 지식을 기반으로 텍스트를 생성하는 데 제한됩니다. 현재 정보에 액세스하거나, 큰 숫자로 정확한 계산을 수행하거나, 특정 데이터베이스에서 데이터를 검색하거나, 외부 시스템과 상호작용할 수 없습니다. 도구는 모든 것을 변화시킵니다.

Tool Use 패턴에서 에이전트는 필요할 때 호출할 수 있는 일련의 기능을 갖추고 있습니다. 여기에는 현재 정보를 찾기 위한 웹 검색 엔진, 날씨 데이터나 주가와 같은 서비스에 액세스하기 위한 API, 프로그램을 실행하고 계산을 수행하기 위한 코드 인터프리터, 특정 레코드를 검색하기 위한 데이터베이스 쿼리 도구, 문서를 읽고 쓰기 위한 파일 시스템 액세스, 그리고 수많은 다른 전문 기능이 포함될 수 있습니다. 전통적인 소프트웨어와의 중요한 차이점은 에이전트 자체가 당면한 작업을 기반으로 이러한 도구를 언제, 어떻게 사용할지 결정한다는 것입니다.

다음 다이어그램을 참조하세요:

에이전트가 작업을 받으면 해당 작업을 수행하는 데 필요한 기능을 분석합니다. 예를 들어:

작업에 에이전트가 가지고 있지 않은 정보가 필요한 경우, 검색 또는 데이터 검색 도구의 필요성을 인식합니다.
작업에 수학적 연산이 포함된 경우, 계산기 또는 코드 인터프리터에 액세스합니다.
작업에 특정 서비스와의 상호작용이 필요한 경우, 적절한 API 도구를 사용합니다.

Tool Use를 강력하게 만드는 것은 도구 선택의 동적 특성과 여러 도구 호출을 체인으로 연결하는 능력입니다.

에이전트는 미리 결정된 스크립트를 따르지 않습니다. 첫 번째 검색이 적절한 정보를 반환하지 않으면 에이전트는 쿼리를 재구성하고 다시 검색할 수 있습니다. API 호출이 실패하거나 오류를 반환하면 에이전트는 대체 접근 방식이나 완전히 다른 도구를 시도할 수 있습니다. 이러한 적응성은 도구 지원 에이전트를 경직된 자동화 워크플로우보다 훨씬 더 유능하게 만듭니다.

Reason and Act Pattern (ReAct)

Reason and Act 패턴(일반적으로 ReAct로 알려짐)은 명시적 추론과 반복적 행동을 결합하는 정교한 문제 해결 접근 방식을 나타냅니다. 행동하기 전에 전체 계획을 생각하거나 반성 없이 맹목적으로 행동하는 대신, ReAct 에이전트는 다음에 무엇을 할지 추론하는 것과 실제로 그것을 하는 것 사이를 번갈아 가며 수행합니다. 이러한 생각과 행동의 교차는 자연스럽고 적응적인 문제 해결 프로세스를 만듭니다.

ReAct 사이클은 명확한 패턴을 따릅니다.

먼저, 에이전트는 현재 상황과 달성해야 할 것에 대해 추론합니다. 이 추론 단계는 명시적으로 만들어지며, 종종 에이전트의 내부 사고 과정으로 문자 그대로 작성됩니다. 에이전트는 어떤 정보를 가지고 있는지, 무엇이 여전히 필요한지, 어떤 접근 방식이 효과적일지, 그리고 다음 최선의 단계가 무엇인지 생각할 수 있습니다.
그런 다음 이 추론을 기반으로 에이전트는 행동을 취합니다. 이는 정보를 수집하기 위해 도구를 사용하거나, 계산을 수행하거나, 결정을 내리는 것일 수 있습니다.
행동 후, 에이전트는 결과를 관찰하고 새로운 추론 단계에 들어가 학습한 내용과 다음에 무엇을 할지 생각합니다. 이 사이클은 에이전트가 목표를 달성했거나 더 이상 진행할 수 없는 지점에 도달했다고 판단할 때까지 계속됩니다.

다음 다이어그램을 참조하세요:

명시적 추론 단계는 여러 중요한 목적을 제공합니다.

첫째, 에이전트가 목표를 계속 추적하고 집중을 유지하는 데 도움이 됩니다. 달성하려는 것과 각 행동이 왜 의미가 있는지 명확히 함으로써, 에이전트는 관련 없는 경로로 가거나 비생산적인 루프에 갇힐 가능성이 줄어듭니다.
둘째, 추론 단계는 적응을 가능하게 합니다. 행동이 예상된 결과를 산출하지 않을 때, 추론 단계는 에이전트가 이유를 진단하고 맹목적으로 계속하는 대신 접근 방식을 조정할 수 있게 합니다.
셋째, 추론 추적은 투명성을 제공합니다. 사용자와 개발자는 에이전트가 무엇을 했는지뿐만 아니라 왜 그러한 선택을 했는지 볼 수 있으며, 이는 신뢰, 디버깅 및 에이전트의 의사 결정 프로세스 이해에 유용합니다.

ReAct를 순수한 계획 또는 순수한 실행과 비교하면 그 강점이 드러납니다.

순수한 계획은 어떤 행동도 취하기 전에 모든 단계를 파악하는 것을 의미합니다. 이는 완전한 정보가 있고 환경이 예측 가능할 때 잘 작동하지만, 과정에서 정보를 발견해야 하거나 상황이 변할 때는 어려움을 겪습니다.
순수한 실행은 많은 사전 고려 없이 행동을 취하는 것을 의미하며, 빠르지만 종종 비효율적이고 실수하기 쉽습니다.

ReAct는 추론을 통해 충분한 구조를 제공하면서 반복적 행동을 통해 유연성을 유지하는 중간 지점을 찾습니다.

Planning Pattern

Planning 패턴은 실행이 시작되기 전에 사전 전략적 사고를 강조함으로써 ReAct와 다른 접근 방식을 취합니다.

Planning 패턴을 사용할 때, 에이전트는 전체 목표를 분석하고 성공이 어떻게 보이는지 이해하는 것으로 시작합니다. 그런 다음 이 목표를 더 작고 관리하기 쉬운 하위 작업으로 분해합니다. 이 분해는 에이전트가 구체적이고 실행 가능한 단계를 식별할 때까지 계속됩니다.

중요한 것은, 에이전트가 작업 간의 종속성을 식별하여 어떤 단계가 다른 단계가 시작되기 전에 완료되어야 하는지, 어떤 단계가 잠재적으로 병렬로 발생할 수 있는지 결정합니다. 에이전트는 또한 각 단계에 필요한 리소스, 도구 또는 정보가 무엇인지 고려합니다. 구조화된 계획을 만든 후에야 에이전트는 실행을 시작합니다.

다음 다이어그램을 참조하세요:

Planning 패턴의 주요 강점 중 하나는 적응형 계획입니다.

Planning 패턴은 일부 활동이 논리적으로 다른 활동보다 먼저 오는 자연스러운 단계나 단계가 있는 작업에 가장 적합합니다. 조정이 중요한 마감일, 예산 또는 리소스 제한과 같은 제약이 있는 작업에 유용합니다. 실수나 되돌아가는 것이 비용이 많이 드는 상황에서 빛을 발하며, 신중한 계획에 시간을 투자할 가치가 있습니다. 여러 작업 스트림을 포함하는 복잡한 프로젝트는 계획으로부터 큰 이점을 얻습니다.

그러나 Planning 패턴에는 제한 사항이 있습니다.

각 단계가 자연스럽게 다음 단계를 제안하는 간단하고 선형적인 작업의 경우, 공식적인 계획을 만드는 오버헤드는 거의 이점을 제공하지 않습니다.
실행 중에 접근 방식을 근본적으로 변경하는 중요한 정보를 발견할 가능성이 높은 매우 불확실한 작업의 경우, 광범위한 사전 계획은 낭비된 노력일 수 있습니다.

Multi-Agent Pattern

Multi-Agent 패턴은 아마도 AI 시스템을 구축하는 가장 정교한 접근 방식을 나타냅니다.

모든 것을 처리하는 단일 에이전트에 의존하는 대신, 이 패턴은 작업을 수행하기 위해 협력하는 여러 전문 에이전트를 사용합니다. 각 에이전트는 특정 전문 지식, 능력 또는 관점을 가지고 있으며, 인간 팀이 하는 것처럼 함께 작업합니다.

Multi-Agent 시스템의 핵심 통찰력은 전문화가 일반화보다 더 나은 성능으로 이어지는 경우가 많다는 것입니다.

모든 것에 뛰어나려고 하는 단일 에이전트는 도전에 직면합니다. 설계와 훈련에서 경쟁하는 요구 사항의 균형을 맞춰야 합니다. 광범위한 지식과 깊은 전문 지식이 모두 필요합니다. 창의적이면서도 비판적이어야 합니다. 여러 에이전트 간에 책임을 나눔으로써 각각은 특정 역할에 최적화될 수 있습니다.

Multi-Agent 시스템에서는 일반적으로 여러 유형의 역할을 볼 수 있습니다.

정보를 찾고 종합하는 데 뛰어난 연구 에이전트, 코드를 작성하고 디버깅하는 데 최적화된 코딩 에이전트, 또는 통계 분석 및 시각화에 능숙한 데이터 분석 에이전트와 같은 특정 도메인이나 작업에 초점을 맞춘 전문 에이전트가 있습니다.
다른 에이전트의 출력을 평가하고, 결함을 식별하고, 개선을 제안하거나, 품질을 검증하는 것이 임무인 비평가 또는 검토 에이전트가 종종 있습니다.
일반적으로 전체 워크플로우를 관리하고, 어떤 전문가가 각 하위 작업을 처리해야 하는지 결정하며, 모든 조각이 일관성 있게 모이도록 하는 조정자 또는 오케스트레이터 에이전트가 있습니다.

Multi-Agent 패턴은 다음과 같은 복잡성 트레이드오프를 도입합니다:

더 많은 에이전트로 조정 오버헤드가 증가합니다.
에이전트 간 통신에는 명확한 프로토콜이 필요합니다.
개별 에이전트 오류가 아닌 에이전트 간 상호작용에서 문제가 발생할 수 있기 때문에 디버깅이 더 어려워집니다.

이점은 이러한 비용을 정당화해야 합니다. 간단한 작업의 경우, 단일 유능한 에이전트가 거의 항상 더 좋습니다. 다양한 전문 지식, 신중한 조정 또는 여러 관점이 필요한 복잡한 작업의 경우, Multi-Agent 접근 방식은 추가된 복잡성에도 불구하고 종종 우수한 결과를 생성합니다.

결론

다양한 에이전틱 워크플로우 패턴은 AI 시스템을 구축하고 배포하는 방식의 근본적인 진화를 나타냅니다.

간단한 프롬프팅을 넘어 정교한 반복적 프로세스로 이동하면서 AI 에이전트가 안정적으로 달성할 수 있는 것이 변화했습니다. 다음은 우리가 다룬 패턴의 간략한 요약입니다:

Reflection 패턴은 자가 개선을 통해 품질을 보장합니다.
Tool Use는 순수한 언어 생성을 훨씬 넘어 능력을 확장합니다.
ReAct는 사려 깊은 추론과 적응적 행동을 결합합니다.
Planning은 복잡한 작업에 전략적 사고를 가져옵니다.
Multi-Agent 협업은 전문화와 다양한 관점을 활용합니다.

이러한 패턴들은 함께 실제 세계의 복잡성을 처리할 수 있는 AI 시스템을 구축하기 위한 강력한 도구 키트를 제공합니다.

이러한 패턴을 특히 강력하게 만드는 것은 상호 배타적이지 않다는 것입니다. 가장 정교한 에이전트 시스템은 목표를 달성하기 위해 여러 패턴을 결합하는 경우가 많습니다.