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 Agents실제 서비스에서 버티는 LLM 에이전트를 만들기 위한 12가지 설계 원칙이다. 프레임워크로 만든 에이전트가 80% 품질에서 더 나아지지 않을 때, 잘 만든 소프트웨어에 LLM을 필요한 곳에만 끼워 넣는 구조로 바꿔 프롬프트·상태·제어 흐름을 직접 관리하려고 쓴다.
그록 봇 Grok Bot (xAI)그록 봇은 xAI(SpaceXAI)가 만든 상시 가동 AI 동료 서비스로, 이름과 역할을 붙인 봇이 클라우드 컴퓨터에서 실제 앱과 도구에 로그인해 일을 끝까지 처리한다. 질문에 답하는 챗봇과 달리 내 노트북이 꺼져 있어도 반복 업무를 이어 가고, 사람의 판단이 필요할 때만 돌아와 묻는다.
도커 에이전트 Docker AgentDocker Agent는 역할이 다른 AI 에이전트 여러 개를 YAML 파일 하나로 팀으로 묶어 docker agent 명령으로 실행하는 Docker의 오픈소스 프레임워크다. 에이전트끼리 일을 넘기는 조율은 프레임워크가 맡으니, 코드 없이 분업형 에이전트 팀을 만들고 그 구성을 컨테이너 이미지처럼 팀원과 공유하고 싶을 때 쓴다.
랭그래프 LangGraphLangGraph는 AI 에이전트가 하는 일을 노드(단계)와 엣지(다음에 갈 곳)로 이루어진 그래프로 그려서 만드는 프레임워크다. 조건에 따라 길이 갈리거나, 같은 단계를 반복하거나, 중간에 사람이 승인해야 하는 에이전트를 if문과 반복문으로 얽지 않고 눈으로 따라갈 수 있는 흐름으로 짤 때 쓴다.
레코드 앤 리플레이 Record and Replay (AI Skill Creation)Mac에서 업무 흐름을 한 번 직접 해 보이면 AI가 그 과정을 지켜보고 기록해 다시 쓸 수 있는 스킬(SKILL.md)로 만들어 주는 ChatGPT·Codex 기능이다. 반복 업무를 프롬프트로 길게 설명하는 대신 신입에게 옆에서 해 보이듯 한 번 보여 준 뒤, 다음부터 에이전트에게 맡길 때 쓴다.
루프 엔지니어링 Loop EngineeringAI 에이전트가 목표에 닿을 때까지 행동하고, 결과를 보고, 다음 행동을 정하는 일을 스스로 되풀이하는 구조를 짜는 시스템 설계 기술이다. 단계마다 프롬프트를 넣는 대신 목표와 규칙만 정해 두고 에이전트에게 끝까지 맡기고 싶을 때 쓴다.
리버스 센타우르 Reverse Centaur사람이 방향을 잡는 '센타우르'를 뒤집은 말로, AI가 일을 주도하고 사람은 승인이나 예외 처리처럼 AI가 못 하는 조각만 메우는 구조다. 에이전트에게 일을 맡길 때 사람의 검토가 형식만 남지 않았는지 점검하는 기준으로 쓴다.
리서치 기반 에이전트 Research-Driven Agent조사 목표를 주면 검색할 말 정하기부터 자료 수집, 분석, 보고서 작성까지 스스로 계획하고 실행하는 AI 에이전트다. 질문 하나에 답 하나를 주는 챗봇과 달리 일을 작은 단계로 나눠 차례로 처리한다. 논문 조사나 시장 자료 정리처럼 여러 곳을 찾아봐야 하는 조사를 빨리 끝내고 싶을 때 쓴다.
리플렉션 패턴 Reflection PatternAI에게 작성자와 비평가 역할을 나눠 맡겨 초안을 만들고, 검토하고, 고치기를 되풀이해 결과물 품질을 높이는 에이전트 설계 방식이다. 한 번에 답을 내는 방식보다 느리고 비싸지만, 복잡한 코드나 긴 문서처럼 첫 결과물에 실수가 섞이기 쉬운 작업에서 효과가 크다.
마스트라 Mastra웹 개발자가 쓰는 TypeScript로 AI 에이전트를 만드는 오픈소스 프레임워크로, 에이전트·워크플로우·RAG·평가(Evals)·MCP를 하나의 스택으로 묶었다. Next.js나 Node.js 앱에 에이전트를 붙여야 하는데 Python으로 옮기고 싶지 않을 때 쓴다.
멀티 에이전트 Multi-Agent System여러 AI 에이전트가 조사·코딩·검증처럼 역할을 나눠 한 팀처럼 하나의 작업을 처리하는 시스템이다. 에이전트 하나로는 컨텍스트가 모자라는 여러 단계가 얽힌 복잡한 작업을 나눠서 동시에 처리할 때 쓰고, 단순한 작업이라면 에이전트 하나로 충분하다.
모델 카운슬 Multi-Model Council같은 질문을 여러 AI 모델에 동시에 보내고 답을 비교해 하나로 합치는 방식으로, 모델 하나로는 알아채기 어려운 틀린 답을 모델 간 차이로 드러낸다. 사실 확인이나 조사처럼 틀리면 곤란한 질문에서 답을 얼마나 믿어도 되는지 가늠할 때 쓴다.
모바일 에이전트 Mobile GUI Agent (On-Device Phone Agent)스마트폰 화면을 보고 사람처럼 탭·입력·스와이프해서 앱을 직접 조작하는 AI 에이전트다. "이 앱에서 이걸 해 줘"라는 말 한마디로 여러 단계의 폰 작업을 맡기고 싶을 때 쓴다.
백그라운드 에이전트 Background Agent내 컴퓨터가 아니라 클라우드의 격리된 환경에서 혼자 코드를 고치고 테스트를 돌려 PR까지 만드는 코딩 에이전트다. 맡겨 두고 다른 일을 하다가 끝나면 PR을 리뷰하는 방식이라, 범위가 분명한 작업을 여러 개 동시에 처리할 때 쓴다.
브라우저 에이전트 Browser Agent브라우저 에이전트는 AI가 웹 브라우저를 직접 조작해 검색·클릭·입력·정보 수집을 대신하는 에이전트로, Playwright 같은 브라우저 자동화 도구에 LLM을 붙인 구조다. API가 없는 사이트도 말로 지시해서 자동화하거나 여러 사이트를 돌며 정보를 모을 때 쓴다.
샌드박싱 Code Sandboxing샌드박싱은 AI가 만든 코드를 격리된 환경에서만 실행해, 코드가 틀렸거나 악의적이어도 내 파일·네트워크·다른 프로그램이 피해를 입지 않게 하는 방법이다. 에이전트에게 코드나 명령어 실행 권한을 줄 때 기본으로 깔아 두는 안전장치다.
서머라이저 Summarizer서머라이저는 AI 에이전트가 일하면서 쌓인 관찰 결과, 도구 호출 로그, 중간 응답 같은 긴 컨텍스트를 핵심만 남기고 압축해 다음 모델에 넘기는 단계다. 컨텍스트 윈도우가 꽉 차거나 토큰 비용이 커지기 전에 에이전트 사이, RAG, 긴 대화에 끼워 넣는다. 그러면 에이전트가 한계에 걸리지 않고 더 오래 작업을 이어 간다.
서브에이전트 Subagent서브에이전트는 메인 에이전트(오케스트레이터)가 큰 작업 중 일부를 떼어 맡기는 하위 실행 단위로, 독립된 컨텍스트에서 일하고 메인에는 결과 요약만 돌려준다. 조사·검색처럼 결론만 필요한 일을 넘기거나 서로 독립적인 작업을 병렬로 돌릴 때 쓴다.
셀프 스캐폴딩 LLM Self-Scaffolding LLMLLM이 자기를 감싸는 실행 구조(스캐폴드)를 작업마다 직접 짜고, 그 절차를 따라 문제를 푸는 방식이다. 사람이 하네스 하나를 고정해 설계하는 대신 버그 수정·기능 구현처럼 작업 유형별 진행 절차를 모델에게 맡기고 싶을 때 쓴다.
소프트웨어 팩토리 Software Factory Pattern소프트웨어 팩토리는 코딩 에이전트에게 작업 하나가 아니라 큰 목표 하나를 주는 개발 방식이다. 하네스로 감싼 여러 루프가 작업 큐에서 일을 꺼내 처리하고, 리뷰를 통과한 결과만 배포로 넘긴다. 사람은 코드를 직접 쓰기보다 목표와 규칙을 정하고 이 '공장'을 설계·운영한다.
스웜 Agent Swarm스웜은 지휘하는 오케스트레이터 없이, 역할이 나뉜 여러 에이전트가 자기 담당이 아니면 대화를 다른 에이전트에게 넘기며(핸드오프) 일을 처리하는 멀티에이전트 방식이다. 고객 상담처럼 문의 종류에 따라 담당자가 바뀌는 대화에 잘 맞고, OpenAI가 2024년에 공개한 Swarm 프레임워크가 이 방식을 코드로 보여 줬다.
스트랜즈 에이전트 Strands Agents SDK (AWS)스트랜즈 에이전트는 AWS가 공개한 오픈소스(Apache 2.0) AI 에이전트 SDK다. 프롬프트와 도구만 정하면 계획하고, 도구를 부르고, 결과를 되짚는 순서는 모델이 스스로 정한다. 에이전트 루프를 직접 짜는 대신 Python이나 TypeScript로 빠르게 에이전트를 만들어 운영 환경까지 가져갈 때 쓴다.
에이전트 메모리 Agent MemoryAI 에이전트가 사용자 취향, 프로젝트 규칙, 지난 작업 경험을 저장해 두었다가 다음 세션에서 꺼내 쓰게 하는 기술로, 대화가 끝나면 모든 걸 잊는 LLM의 한계를 메운다. 같은 설명을 매번 반복하기 싫을 때나 오래 이어지는 작업을 맡길 때 쓴다.
에이전트 메모리 벤치마크 Agent Memory Benchmark (LoCoMo, LongMemEval)AI 에이전트가 여러 세션에 걸친 대화와 작업에서 정보를 얼마나 잘 저장하고, 찾고, 고치고, 활용하는지 재는 평가 세트로, 메모리 시스템을 고르거나 직접 만든 메모리를 개선할 때 기준점으로 쓴다. 벤치마크마다 재는 능력이 달라 하나의 점수로 모든 걸 판단할 수 없으니 내 에이전트가 할 일과 맞는 것을 골라야 한다.
에이전트 시뮬레이션 Agent Simulation성격과 목표가 다른 AI 에이전트 여러 개를 가상 환경에 모아 대화하고 행동하게 한 뒤, 그 모습을 관찰해 "이렇게 하면 어떻게 될까"를 싸고 빠르게 미리 돌려 보는 기법이다. 서비스 출시, 정책 결정, 게임 테스트처럼 실제 사람이나 시장으로 시험하기 전에 시나리오를 점검하고 싶을 때 쓴다.
에이전트 컨트롤 플레인 Coding Agent Control Plane여러 AI 에이전트를 한곳에서 보고 권한·정책·승인·감사 기록으로 통제하는 관리 계층으로, 에이전트가 하는 일을 밖에서 지켜보고 허용할지 말지 정한다. 코딩 에이전트를 여러 개 동시에 돌리거나 팀 전체가 쓰기 시작할 때 필요하다.
에이전트 평가 Agent EvaluationAI 에이전트가 여러 단계를 거쳐 목표를 실제로 달성했는지와 그 과정이 효율적이었는지를 함께 재는 방법이다. 답변 한 번만 채점하는 LLM 평가와 달리 여러 단계의 실행 전체를 보며, 프롬프트·모델·도구를 바꾼 뒤 정말 나아졌는지 확인할 때 쓴다.
에이전트 프레임워크 Agent FrameworkAI 에이전트를 만들 때마다 반복되는 상태 관리, 도구 연동, 여러 에이전트의 협업 같은 뼈대 코드를 미리 제공하는 도구로, 흐름이 복잡하거나 오래 도는 에이전트를 만들 때 쓴다. 인프라 코드를 직접 짜지 않고 역할과 흐름 설계에 집중할 수 있으며, 프레임워크마다 흐름을 표현하는 방식이 달라 만들 에이전트의 모양에 맞춰 고르면 된다.
에이전트 프로토콜 Agent ProtocolAI 에이전트가 다른 에이전트나 앱과 같은 방식으로 일을 주고받게 정한 공통 규약으로, 서로 다른 프레임워크나 회사가 만든 에이전트를 연결 코드를 따로 짜지 않고 이어 붙일 때 쓴다. 하나의 표준이 아니라 MCP, A2A처럼 맡는 구간이 다른 여러 규약을 함께 부르는 말이다.
에이전트 핸드오프 Agent Handoff에이전트가 자기 역할 밖의 요청을 받았을 때, 그 일에 맞는 다른 에이전트에게 대화의 주도권과 맥락을 함께 넘기는 방식이다. 상담원이 기술 문의 전화를 기술팀으로 돌리듯 사용자가 같은 말을 되풀이하지 않게 하며, 고객 지원처럼 담당 분야가 뚜렷하게 나뉘는 멀티에이전트 시스템에서 쓴다.
에이전틱 검색 Agentic Search에이전틱 검색은 AI 에이전트가 질문을 잘게 나누어 여러 번 검색하고, 찾은 내용이 충분한지 판단해 언제 멈출지도 스스로 정하는 반복 검색 방식이다. 한 번 찾고 끝나는 일반 RAG와 달리, 문서 한 조각으로는 답이 안 나오는 여러 단계짜리 질문이나 자주 바뀌는 정보를 찾을 때 쓴다.
에이전틱 OS Agentic Operating System운영체제가 프로그램에 메모리와 파일을 나눠 주듯, AI 에이전트에게 기억·도구·권한·작업 조율을 한곳에서 관리해 주는 운영 계층이다. 에이전트가 금방 길을 잃어 맥락을 매번 다시 알려줘야 하는 문제를 줄이고, 며칠짜리 작업을 이어서 맡기고 싶을 때 쓴다.
에이전틱 RAG Agentic RAG에이전틱 RAG는 기본 RAG처럼 한 번 검색하고 끝내지 않는다. AI 에이전트가 무엇을, 어디서, 몇 번 검색할지 스스로 정하고 결과까지 검증하는 방식이다. 결과가 부족하면 질문을 바꿔 다시 찾고 여러 자료를 비교하므로, 한 번 검색으로는 답이 나오지 않는 복잡한 질문에 쓴다.
오케스트레이션 패턴 Orchestration Pattern여러 AI 에이전트가 누가, 언제, 어떤 순서로 일할지 정하는 설계 방식으로, 실행 순서와 중간 결과를 넘기는 방법, 실패했을 때의 처리까지 미리 정해 둔다. 한 에이전트로는 감당하기 어려운 큰 작업이나 단계가 뚜렷하게 나뉘는 일을 역할별로 나눠 처리할 때 쓴다.
오픈 멀티 에이전트 Open Multi-Agent목표 한 줄을 주면 할 일을 작업 그래프(task DAG)로 자동 분해해 여러 에이전트에게 나눠 맡기는 오픈소스 실행 프레임워크다. 멀티 에이전트에서 "누가 무슨 일을 어떤 순서로 할지"를 손으로 엮지 않고, 목표 입력부터 결과 취합까지 한 번에 돌리고 싶을 때 쓴다.
오픈클로 OpenClaw오픈클로는 내 컴퓨터에서 돌아가는 오픈소스 AI 비서다. 일반 챗봇처럼 질문에 답만 하지 않고, 텔레그램·왓츠앱·슬랙 같은 메신저로 말을 걸면 파일 정리·브라우저 조작·메일과 일정 관리 같은 실제 작업을 직접 해 준다.
오픈태그 OpenTagOpenTag은 Slack이나 Teams 채널에서 AI를 멘션해 일을 맡기면 결과를 같은 스레드에 올려 주는 'AI 동료'형 에이전트다. Claude Tag와 쓰는 방식은 같지만 특정 모델에 묶이지 않아, 작업마다 모델을 고르거나 더 좋은 모델로 갈아 끼우거나 직접 서버를 운영하고 싶을 때 쓴다.
이브 Eve (Vercel Agent Framework)eve는 Vercel이 오픈소스로 공개한 에이전트 프레임워크로, 지시문 마크다운과 도구 TypeScript 파일을 정해진 위치에 넣은 폴더 하나가 곧 에이전트 설계도가 되어, 중단돼도 이어서 실행되는 운영용 서비스로 Vercel에 배포된다. Vercel 위에서 Slack 봇이나 정기 리포트 같은 에이전트를 직접 연결 작업 없이 빨리 띄우고 싶을 때 쓴다.
자기학습 에이전트 Self-Improving Agent일을 마칠 때마다 결과를 돌아보고 잘된 방법은 스킬로, 실패는 교훈으로 저장해 쓸수록 더 잘하게 되는 에이전트다. 정해 둔 도구와 프롬프트 안에서만 움직이는 일반 에이전트와 달리 새 능력을 스스로 만들어 쌓기 때문에, 비슷한 작업을 자주 맡기는 반복 업무나 오래 쓰는 개인 에이전트에 잘 맞는다.
자율 에이전트 Autonomous Agent목표와 완료 기준만 주면 스스로 계획하고, 도구를 쓰고, 결과를 확인하며 끝까지 일을 처리하는 AI 에이전트다. 단계마다 지시하는 방식보다 빠르지만 잘못된 방향으로 가도 중간에 잡기 어렵다. 그래서 테스트 작성처럼 결과를 바로 검증하고 되돌릴 수 있는 작업을 맡길 때 쓴다.
컴퓨터 사용 Computer Use컴퓨터 사용(Computer Use)은 AI가 화면 캡처를 보고 마우스와 키보드를 움직여 사람처럼 컴퓨터를 조작하는 기능으로, Anthropic이 Claude 3.5 Sonnet과 함께 처음 공개했다. API가 없는 오래된 프로그램이나 웹 화면 작업을 자동화할 때 쓴다.
코드 에이전트 하네스 Code as Agent HarnessLangGraph·CrewAI 같은 전용 프레임워크 대신 Python·JavaScript 같은 평범한 코드로 에이전트의 실행 순서와 분기를 직접 짜는 방식으로, 이렇게 짠 코드가 그대로 여러 에이전트를 조율하는 하네스가 된다. 흐름을 끝까지 직접 통제하고 코드를 그대로 읽으며 디버깅하고 싶을 때 쓴다.
코드 인터프리터 Code InterpreterAI가 격리된 실행 환경(샌드박스)에서 코드를 직접 짜서 실행하고, 오류가 나면 스스로 고쳐 다시 돌린 뒤 그 결과로 답하는 기능이다. 글로만 답하면 틀리기 쉬운 계산, 데이터 분석, 그래프 그리기, 파일 변환처럼 정확한 결과가 필요할 때 쓴다.
크루AI CrewAICrewAI는 역할·목표·배경을 가진 여러 에이전트를 팀처럼 묶어 함께 일하게 하는 파이썬 오픈소스 프레임워크다. 앞 에이전트가 낸 결과를 다음 에이전트가 이어받아 최종 결과물을 만드는 구조라, 조사→작성→검토처럼 단계가 분명한 일을 자동화할 때 쓴다.
크리틱 패턴 Critic Pattern답을 쓰는 AI 옆에 채점하는 AI를 두어 점수나 피드백을 주게 하는 구조로, 답변이 너무 많아 사람이 다 검토할 수 없을 때 품질을 자동으로 재고 고치는 데 쓴다. 채점만 따로 쓰면 LLM-as-a-Judge라고 부르고, 생성·평가·수정을 반복하면 평가자-최적화자(evaluator-optimizer)라고 부른다.
클로드 코워크 Claude Cowork (Anthropic)Claude Code와 같은 에이전트 방식을 터미널 없이 일반 업무에 쓰게 만든 Anthropic의 도구다. 폴더나 앱을 맡기고 목표를 말하면 Claude가 계획을 세워 파일 정리, 리서치, 문서·엑셀 작성까지 결과물을 직접 만들어 둔다.
태스크 분해 Task Decomposition큰 작업을 AI가 하나씩 처리하고 점검할 수 있는 작은 단계로 나누는 방법이다. 여러 단계가 얽힌 코딩·조사·문서 작업을 에이전트에게 맡길 때 가장 먼저 할 일이다.
툴 콜링 Tool CallingLLM이 외부 함수나 API를 어떤 인자로 부를지 호출 요청만 정해진 형식으로 적어 주고, 실제 실행은 개발자 코드가 맡는 기능이다. 최신 정보 조회, 계산, DB 검색, 파일 수정처럼 모델 혼자서는 못 하는 일을 맡길 때 쓴다.
파이단틱 AI Pydantic AIPydantic 팀이 만든 Python 에이전트 프레임워크로, 입력·출력·의존성에 타입을 걸어 모델 응답과 도구 인자를 자동으로 검증한다. FastAPI를 쓰듯 깔끔한 코드로 결과를 정해진 구조로 받는 에이전트를 만들 때 쓴다.
푸구 울트라 Sakana Fugu Ultra일본 Sakana AI의 멀티에이전트 시스템으로, API 하나로 부르면 안에서 코디네이터 모델이 여러 프론티어 모델에 일을 나눠 맡기고 결과를 합쳐 답 하나로 돌려준다. 속도보다 답의 깊이가 중요한 어렵고 여러 단계로 된 작업에 쓴다.
플래닝 패턴 Planning PatternLLM이 큰 목표를 바로 실행하지 않고 할 일 목록을 먼저 만든 뒤 하위 작업을 순서대로 처리하게 하는 방식이다. 단계가 많고 중간 결과에 따라 다음 행동이 바뀌는 긴 작업을 에이전트에게 맡길 때 효과가 크다.
헤르메스 에이전트 Hermes AgentNous Research가 MIT 라이선스로 공개한 오픈소스 자율 에이전트로, 해낸 작업을 스킬로 저장하고 세션이 끝나도 기억을 이어 가서 쓸수록 일하는 방법이 쌓인다. 대화가 끝나면 잊는 일반 에이전트와 달리, 같은 종류의 일을 반복해서 맡길 때 특히 쓸모가 있다.
휴먼 인 더 루프 Human-in-the-LoopAI 에이전트가 파일 삭제, 결제, 이메일 발송처럼 되돌리기 어려운 행동을 하기 직전에 멈추고 사람의 승인을 받게 하는 설계 방식이다. 대부분의 일은 에이전트에게 맡기고, 되돌릴 수 없는 순간에만 사람이 끼어든다.
A2A Agent-to-Agent ProtocolA2A는 Google이 2025년 공개한 개방형 규약으로, 만든 회사나 프레임워크가 달라도 AI 에이전트끼리 작업을 맡기고 결과를 받을 수 있게 한다. 도구를 연결하는 MCP와 달리 에이전트와 에이전트를 잇는 규약이라, 여러 에이전트를 묶어 하나의 일을 처리하는 멀티에이전트 시스템을 만들 때 쓴다.
AI 에이전트 AI Agent챗봇처럼 한 번 답하고 끝나지 않고, 목표를 받으면 스스로 계획을 세우고 도구를 쓰며 생각 → 실행 → 확인을 일이 끝날 때까지 반복하는 AI다. 원인 모를 버그 잡기처럼 순서를 미리 정할 수 없는 일을 맡길 때 쓴다.
MCP 코드 모드 MCP Code Mode (Code Execution with MCP)AI 에이전트가 MCP 도구를 하나씩 호출하지 않고, 여러 도구를 부르는 짧은 코드를 써서 샌드박스에서 한 번에 실행하는 방식이다. 연결된 도구가 많거나 큰 데이터가 도구 사이를 오갈 때 토큰을 크게 줄이려고 쓴다.
Micro-Agent에이전트 하나가 일 하나만 맡도록 작게 만든 AI 에이전트로, 결과를 테스트처럼 분명한 기준으로 확인할 수 있는 일이나 여러 단계를 나눠 각각 검증하고 싶을 때 쓴다. 무엇이든 하는 범용 에이전트가 자꾸 엉뚱한 데로 흘러갈 때 쓰는 대안이고, 실패하면 그 에이전트만 다시 돌리면 된다.
ReAct 패턴 ReActReAct는 Reasoning(생각)과 Acting(행동)을 합친 이름으로, AI 에이전트가 생각 → 행동(도구 호출) → 관찰을 답이 나올 때까지 되풀이하며 문제를 푸는 설계 패턴이다. 검색, 파일 확인, 코드 실행처럼 결과를 보고 다음 판단을 바꿔야 하는 작업에 쓰며, 지금 나와 있는 AI 에이전트 대부분이 이 구조로 돈다.