AI Wiki · 분야별 키워드
에이전트
스스로 판단하고 도구를 써서 일을 끝까지 처리하는 것이 AI 에이전트입니다. 멀티에이전트, ReAct, 에이전트 프레임워크·메모리처럼 "알아서 일하는 AI"를 이해하는 키워드를 모았습니다.
- 12-팩터 에이전트 Twelve-Factor Agents프로덕션에서 실제로 동작하는 LLM 에이전트를 만들기 위한 12가지 설계 원칙. Heroku의 Twelve-Factor App에서 영감을 받아, 에이전트도 결국 잘 만든 소프트웨어여야 한다는 관점에서 출발한다.
- 랭그래프 LangGraph에이전트 워크플로우를 그래프(노드와 엣지)로 정의하는 프레임워크. 복잡한 조건 분기와 루프가 있는 에이전트를 만들 때 쓴다.
- 루프 엔지니어링 Loop EngineeringAI 에이전트가 한 번 응답하고 끝내는 대신, 행동 → 결과 관찰 → 다음 행동 결정을 목표 달성까지 반복하는 시스템을 설계하는 기술. 프롬프트를 직접 작성하는 대신, 에이전트에게 지시를 내리는 시스템 자체를 만드는 것이 핵심이다.
- 리버스 센타우르 Reverse CentaurAI가 작업 전체를 주도하고 사람은 AI가 처리하지 못하는 예외 부분만 개입하는 인간-AI 협업 패턴. 기존 "사람이 방향, AI가 보조"의 역전이다.
- 리서치 기반 에이전트 Research-Driven Agent정보 수집, 분석, 보고서 작성까지 여러 단계의 조사 작업을 스스로 계획하고 실행하는 AI 에이전트. 사람이 수일 걸리던 리서치를 자동화해 수분 안에 결과물을 만들어낸다.
- 리플렉션 패턴 Reflection Pattern에이전트가 자신의 출력을 스스로 검토하고 비판하며 개선하는 패턴. 초안을 내놓고 그것의 문제점을 찾아 수정하는 과정을 반복해 품질을 높인다.
- 마스트라 MastraTypeScript로 AI 에이전트를 만드는 오픈소스 프레임워크. Gatsby 팀이 만들었으며, 에이전트·워크플로우·RAG·MCP를 하나의 스택으로 제공한다.
- 멀티 에이전트 Multi-Agent System여러 AI 에이전트가 역할을 나눠 하나의 작업을 함께 처리하는 시스템. 혼자서는 컨텍스트 한계에 부딪히는 복잡한 작업도 팀으로 나누면 병렬로 해결할 수 있다.
- 모델 카운슬 Multi-Model Council같은 질문을 여러 AI 모델에 동시에 던지고, 각자의 답을 비교·종합해 하나의 더 믿을 만한 답을 만드는 방식. 모델마다 강점이 달라 한 모델이 틀려도 다른 모델이 잡아주기 때문에, 단일 모델보다 답의 신뢰도를 높일 수 있다.
- 백그라운드 에이전트 Background Agent클라우드 샌드박스에서 비동기로 실행되는 코딩 에이전트. 작업을 던져 놓고 다른 일을 하다가, 끝나면 PR을 리뷰하는 방식으로 개발 생산성을 근본적으로 바꾸는 패턴이다.
- 브라우저 에이전트 Browser AgentAI가 웹 브라우저를 직접 제어해 탐색, 클릭, 폼 작성, 데이터 수집 등을 수행하는 에이전트. API 없이도 모든 웹사이트를 자동화할 수 있다.
- 샌드박싱 Code SandboxingAI가 생성한 코드를 격리된 환경에서 실행해 시스템에 피해를 주지 않도록 하는 것. 에이전트 안전의 핵심 기술이다.
- 서머라이저 Summarizer멀티에이전트 시스템에서 긴 컨텍스트를 압축해 다른 모델에 전달하는 역할을 맡은 컴포넌트. 컨텍스트 윈도우 한계를 우회하고 비용을 줄이기 위해 쓰인다.
- 서브에이전트 Subagent오케스트레이터 에이전트로부터 특정 작업을 위임받아 실행하는 하위 에이전트. 복잡한 작업을 분담하고 병렬로 처리해 전체 효율을 높인다.
- 셀프 스캐폴딩 LLM Self-Scaffolding LLMLLM이 자신을 감싸는 실행 구조(스캐폴드)를 스스로 생성하고 최적화하는 방식. 사람이 직접 에이전트 하네스를 설계하는 대신, 모델이 자신에게 맞는 실행 코드를 직접 만들어낸다.
- 스웜 Agent Swarm수많은 에이전트가 중앙 조율 없이 각자 역할을 맡아 협력하는 방식. 개미떼처럼 분산된 집단이 복잡한 작업을 처리한다.
- 에이전트 메모리 Agent MemoryAI 에이전트가 대화와 작업 경험을 기억하고, 다음 세션에서 그 기억을 꺼내 쓸 수 있게 하는 기술. 일회성 챗봇을 개인화되고 자기 개선하는 시스템으로 바꾸는 핵심 요소다.
- 에이전트 시뮬레이션 Agent Simulation여러 AI 에이전트가 가상 환경에서 상호작용하며 사회적·경제적·시스템적 결과를 시뮬레이션하는 기법. 실제 실행 전에 시나리오를 미리 테스트할 수 있다.
- 에이전트 평가 Agent EvaluationAI 에이전트가 얼마나 잘 작동하는지 체계적으로 측정하는 방법. 단순 LLM 평가와 달리 다단계 실행, 도구 선택, 목표 달성 여부까지 종합 판단한다.
- 에이전트 프레임워크 Agent FrameworkAI 에이전트를 만들 때 상태 관리, 도구 연동, 멀티에이전트 협업 같은 인프라를 직접 짜지 않아도 되게 해주는 프레임워크.
- 에이전트 프로토콜 Agent ProtocolAI 에이전트들이 서로 통신하고 협력하기 위한 표준화된 규약. 서로 다른 프레임워크나 벤더의 에이전트가 공통 언어로 대화할 수 있게 해준다.
- 에이전트 핸드오프 Agent Handoff한 에이전트가 자신의 역할 범위를 벗어나는 요청을 받으면 적합한 다른 에이전트에게 대화와 맥락을 넘기는 메커니즘.
- 에이전틱 OS Agentic Operating SystemAI 에이전트가 기억하고, 도구를 쓰고, 여러 단계에 걸쳐 일을 이어 갈 수 있도록 메모리·도구·권한·오케스트레이션을 하나로 묶어 제공하는 운영 계층.
- 에이전틱 RAG Agentic RAG단순 검색-생성 파이프라인을 넘어, AI 에이전트가 검색 전략을 스스로 결정하고 반복·검증하는 고급 RAG 방식. 복잡한 질문에도 정확한 답을 찾아낸다.
- 오케스트레이션 패턴 Orchestration Pattern여러 AI 에이전트의 실행 순서와 역할을 조율하여 하나의 목표를 달성하는 것. 각 에이전트가 언제, 무엇을, 어떤 순서로 할지 결정하는 중앙 관제 역할이다.
- 오픈 멀티 에이전트 Open Multi-Agent목표 한 줄만 던지면 그걸 잘게 쪼갠 작업 그래프(task DAG)로 분해해서 여러 에이전트가 나눠 처리하게 해주는 오픈소스 프레임워크.
- 자기학습 에이전트 Self-Improving Agent실행 경험에서 스스로 스킬을 생성하고 개선하는 에이전트. 사람이 매번 새 능력을 가르치지 않아도 사용할수록 더 잘하게 된다.
- 자율 에이전트 Autonomous Agent사람의 개입 없이 스스로 계획하고 도구를 사용해 목표를 달성하는 AI 에이전트. 지시만 주면 나머지는 알아서 처리한다.
- 컴퓨터 사용 Computer UseAI가 마우스 클릭, 키보드 입력, 화면 캡처를 통해 실제 컴퓨터를 사람처럼 조작하는 기능. Anthropic이 Claude 3.5 Sonnet에서 처음 공개했다.
- 코드 에이전트 하네스 Code as Agent Harness전용 에이전트 프레임워크 대신 일반 프로그래밍 코드로 AI 에이전트의 실행 흐름을 직접 정의하고 제어하는 설계 패턴. 코드 자체가 오케스트레이션 레이어가 된다.
- 코드 인터프리터 Code InterpreterAI가 코드를 직접 작성하고 실행해서 계산, 데이터 분석, 시각화 결과를 실시간으로 확인하는 기능.
- 크루AI CrewAI역할(Role), 목표(Goal), 배경(Backstory)을 가진 에이전트들이 팀을 이뤄 작업하는 멀티에이전트 프레임워크.
- 크리틱 패턴 Critic PatternLLM이 다른 LLM의 출력을 평가하고 피드백을 제공하는 역할. AI 시스템의 품질을 사람 없이도 자동으로 측정할 수 있게 해준다.
- 태스크 분해 Task Decomposition복잡한 목표를 AI가 처리할 수 있는 작은 단계들로 나누는 기술. 에이전트가 큰 작업을 실패 없이 완수하기 위한 핵심 전략이다.
- 툴 콜링 Tool CallingLLM이 외부 함수나 API를 직접 호출할 수 있게 하는 기능. AI가 검색, 계산, DB 조회 같은 실제 작업을 수행하는 방법이다.
- 파이단틱 AI Pydantic AIPython의 타입 시스템을 활용해 AI 에이전트를 안전하고 예측 가능하게 만드는 프레임워크. Pydantic 팀이 직접 만들었고, FastAPI처럼 깔끔한 개발 경험을 에이전트 개발에 가져온다.
- 푸구 울트라 Sakana Fugu Ultra여러 프론티어 모델을 하나의 API 뒤에서 조율하는 Sakana AI의 멀티에이전트 오케스트레이션 시스템. 약 70억 파라미터 규모의 코디네이터 모델이 작업을 분석해 적합한 전문 모델에 위임하고 결과를 합성한다.
- 플래닝 패턴 Planning PatternLLM이 최종 목표를 달성하기 위한 단계별 계획을 스스로 수립하는 능력. 에이전트가 장기 작업을 처리할 수 있게 하는 핵심이다.
- 헤르메스 에이전트 Hermes Agent경험에서 스킬을 자동으로 만들고, 세션을 넘어 기억하며, 쓸수록 더 똑똑해지는 Nous Research의 오픈소스 자율 에이전트.
- 휴먼 인 더 루프 Human-in-the-LoopAI 에이전트의 실행 과정에 사람의 판단과 승인을 개입시키는 설계 패턴. 자율성과 안전성 사이의 균형을 맞추는 핵심 전략이다.
- A2A Agent-to-Agent Protocol서로 다른 AI 에이전트들이 직접 통신하고 협력할 수 있도록 Google이 제안한 오픈 프로토콜. 에이전트 생태계의 공통 언어를 만드는 시도다.
- AI 에이전트 AI Agent목표를 주면 스스로 계획을 세우고, 도구를 사용하고, 결과를 보고 다음 행동을 조정하는 자율적 AI 시스템.
- Micro-Agent하나의 작업에만 집중하는 소형 특화 에이전트. 범용 에이전트의 불안정성 대신 좁은 목표와 명확한 검증 기준을 갖춰 신뢰할 수 있는 결과를 낸다.
- ReAct 패턴 ReAct"생각 → 행동 → 관찰"을 반복하면서 도구를 사용해 문제를 단계별로 해결하는 에이전트 설계 패턴. 대부분의 AI 에이전트가 이 구조로 동작한다.