AI Wiki · 분야별 키워드
에이전트
스스로 판단하고 도구를 써서 일을 끝까지 처리하는 것이 AI 에이전트입니다. 한 번 묻고 한 번 답하는 챗봇과 달리, 에이전트는 목표를 받으면 계획을 세우고 도구를 골라 쓰고 결과를 확인하며 여러 단계를 돌립니다. AI 에이전트 항목에서 기본 그림을 잡은 뒤, 생각과 행동을 번갈아 반복하는 ReAct 패턴, 여러 에이전트가 역할을 나누는 멀티에이전트, 작업 기억을 유지하는 에이전트 메모리로 확장해보세요. 에이전트끼리 통신하는 A2A 같은 프로토콜, 브라우저를 조작하는 컴퓨터 유즈, 에이전트를 평가하는 방법론까지 — "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.