일타 강사 저스틴입니다! 뜨거운 박수와 함께 오늘 강의 시작합니다!

자, 다들 앉으세요. 오늘은 정말 정신 바짝 차려야 합니다. AI 분야에서 지금 가장 뜨거운 감자, 바로 ‘AI 에이전트’에 대해 이야기할 거니까요. “에이전트? 그거 그냥 챗봇 아냐?” 라고 생각했다면 큰 오산입니다. 오늘 이 강의가 끝나면 여러분의 AI를 보는 눈이 완전히 달라질 겁니다.

오늘 우리의 교재는 메타코드M 유튜브 채널에 올라온 “랭체인 기반의 에이전트 툴 소개” 영상입니다. 현업 AI 리서치 엔지니어이신 강현장 연사님의 깊이 있는 인사이트를 제가 여러분의 뇌리에 완벽하게 각인시켜 드리겠습니다.

자, 그럼 칠판 주목! 바로 시작합니다!

1교시: 모든 것의 시작, 랭체인이란 무엇인가?

여러분, ‘생성형 AI’ 하면 뭐가 떠오르죠? 네, 그렇죠. 챗GPT! 그런데 이 챗GPT 같은 거대 언어 모델(LLM)을 가지고 우리가 진짜 쓸모 있는 서비스, 즉 어플리케이션을 만들려면 어떻게 해야 할까요? 그냥 채팅창만 띄워놓을 순 없잖아요.

자, 여기서 별표 세 개! 바로 ‘랭체인(LangChain)’이 등장합니다! [1:43]

강연자분께서 랭체인을 아주 명쾌하게 정의해주셨어요. “LLM을 활용한 어플리케이션 개발을 쉽게 해주는 오픈소스 프레임워크다.” [1:43] 이게 무슨 말이냐? 예전의 LLM은 그냥 ‘텍스트’를 넣으면 ‘텍스트’가 나오는 순진한(?) 언어 모델이었어요. [1:52] 그런데 랭체인이라는 마법 도구를 쓰면, 이 LLM에다가 외부 API를 붙이고, 데이터베이스를 연결하고, 계산기를 쓰게 하는 등 온갖 신기한 기능들을 붙여서 훨씬 복잡하고 똑똑한 일을 시킬 수 있게 되는 겁니다. [2:00]

한마디로 랭체인은 LLM을 위한 ‘맥가이버 칼’ 같은 거예요. 프롬프트 관리, 메모리 관리, 여러 LLM 모델 바꿔 끼우기, 복잡한 작업 흐름 만들기 등등… 프로덕션 레벨의 AI 서비스를 만드는 데 필요한 모든 것을 지원하는 만능 도구 상자라고 생각하면 정확합니다. [2:25, 3:03]

2교시: AI의 진화, ‘에이전트’의 탄생

자, 랭체인이라는 강력한 무기가 생겼으니 이제 뭘 할 수 있을까요? 바로 ‘AI 에이전트’를 만들 수 있습니다. 강연자께서는 에이전트의 등장을 ‘전’과 ‘후’로 나누어 설명하셨는데, 이건 정말 중요한 개념입니다.

에이전트 이전 (Before): 초창기 챗GPT나 클로드 같은 모델들은 ‘수동적인 응답 시스템’이었어요. [3:42] 질문을 던지면 답을 하는, 딱 거기까지였죠.
에이전트 이후 (After): 그런데 우리는 더 복잡한 걸 원하잖아요? “내일 서울 날씨 어때?”라고 물으면 진짜 날씨 정보를 가져와서 답해주고, “이 상품 재고 확인해줘”라고 하면 회사 데이터베이스에 접속해서 확인해주는, 그런 능동적인 AI 말입니다. 이걸 가능하게 하는 것이 바로 AI 에이전트입니다. [3:49, 4:16]

에이전트는 단순히 답만 하는 걸 넘어서, 스스로 목표를 설정하고, 가설을 세우고, 계획을 짜고, 실행까지 하는 자율적인 인공지능 시스템을 말합니다. [4:30] 강연자님의 표현을 빌리자면, “스스로 생각하고 행동하는 구조”인 셈이죠. [4:16]

3교시: 한눈에 보는 에이전트의 족보

에이전트도 하루아침에 뿅 하고 나타난 게 아닙니다. 강연자분께서 친절하게 족보까지 정리해주셨어요. [5:55] 간단하게 훑어봅시다.

룰 기반 에이전트: 가장 원시적인 형태. 그냥 ‘if-then’ 규칙으로 사람이 모든 행동을 정해준 겁니다.
플래닝 에이전트: 작업 계획을 세우기 시작합니다.
리액티브 에이전트 (ReAct): 자, 또 별표 세 개! ‘추론’과 ‘행동’을 결합해서 도구를 사용하기 시작한, 아주 중요한 변곡점입니다. [6:25] (이건 뒤에서 자세히 다룰 겁니다)
자율 에이전트 (Autonomous): 목표를 주면 알아서 계획하고 반복 실행하며 일을 처리합니다. (오토GPT 같은 게 여기에 해당되죠) [6:32]
멀티 에이전트: 여러 에이전트들이 각자 역할을 나눠 협업하는, 거의 ‘AI 어벤져스’ 단계입니다. [6:32]

4교시: AI 에이전트 해부학 – 뇌, 손, 기억

자, 그럼 이 똑똑한 에이전트는 도대체 어떻게 생겨 먹었을까요? 강연자님께서 정말 기가 막힌 비유를 해주셨습니다. 에이전트는 머리(뇌), 손, 기억 세 부분으로 이루어져 있습니다. [7:06]

머리 (뇌🧠): LLM [7:11] 에이전트의 모든 사고 과정은 LLM이 담당합니다. 사용자의 말을 이해하고, 뭘 해야 할지 추론하고, 어떤 도구를 쓸지 계획을 세우죠. [8:28] 강연자께서 강조하신 포인트! “LLM이 없으면 에이전트는 아무런 사고를 할 수 없습니다. 그냥 함수를 실행하는 거에 불과해요.” [7:31] 즉, 에이전트의 지능은 전적으로 이 ‘뇌’에 달려있다는 겁니다.
손 (🙌): 툴(Tools) [7:11] 뇌가 아무리 좋은 계획을 세워도 실행할 손발이 없으면 무용지물이겠죠? 툴이 바로 그 ‘손’의 역할을 합니다. [9:54] 웹 검색기, 계산기, 데이터베이스 조회 API, 파일 변환기 등 에이전트가 외부 세계와 상호작용하기 위해 호출할 수 있는 모든 함수나 API가 툴입니다. [10:00, 11:29] 여기서 현업 꿀팁! 강연자께서는 “툴은 그 회사나 개인의 강점을 보여줄 수 있는 포인트이므로 잘 구현하는 것이 좋다”고 하셨습니다. [11:23] 남들이 만들어 놓은 툴도 좋지만, 우리 서비스에 딱 맞는 툴을 만드는 것이 진짜 경쟁력이라는 뜻이죠.
기억 (💾): 메모리(Memory) [7:16] 에이전트가 이전 대화 내용을 까먹지 않고 기억하게 해주는 부분입니다. 이 기억 덕분에 우리는 에이전트와 맥락에 맞는 대화를 이어갈 수 있습니다.

5교시: 에이전트는 어떻게 생각하고 행동하는가? – ‘ReAct’와 ‘펑션 콜링’

자, 오늘의 하이라이트입니다. 가장 중요하고 시험에 무조건 나오는 부분이니, 정신 똑바로 차리세요!

뇌(LLM)와 손(Tool)이 어떻게 함께 일하는지를 보여주는 대표적인 기술이 바로 **’리액트(ReAct)’**입니다. [13:04] ReAct는 **Reasoning(추론)**과 **Acting(행동)**의 합성어인데요, 에이전트가 다음과 같은 루프를 반복하며 문제를 해결하는 방식입니다. [13:23]

생각 (Thought): “음… 서울에서 뉴욕까지 비행시간을 물어봤네? 이건 내 지식만으론 모르니까 검색을 해봐야겠어.” 라고 혼자 생각합니다. [14:04]
행동 (Action): ‘검색’이라는 툴을 사용하기로 결정하고, 검색창에 ‘서울-뉴욕 비행시간’이라는 검색어를 입력합니다. [14:04]
관찰 (Observation): 검색 결과로 “약 14시간”이라는 정보를 얻습니다. [14:15]
최종 답변 (Final Answer): 관찰한 정보를 바탕으로 “서울에서 뉴욕까지의 비행시간은 약 14시간입니다.”라고 최종 답변을 생성합니다. [14:15]

이 ‘생각-행동-관찰’의 순환 구조가 바로 리액트의 핵심입니다.

그렇다면 LLM은 어떻게 특정 ‘행동’, 즉 함수(툴)를 호출하라고 명령할까요? 여기서 **’펑션 콜링(Function Calling)’**이라는 개념이 나옵니다. [15:02]

사용자가 “서울의 내일 날씨는?”이라고 물으면, LLM은 그냥 “내일 날씨를 알려드릴게요”라고 말하는 게 아니라, get_weather(location='Seoul', date='tomorrow') 와 같은, 미리 약속된 함수 호출 코드를 뱉어냅니다. [15:48] 그러면 시스템이 이 코드를 보고 진짜 날씨를 알려주는 함수를 실행시키는 거죠. 이게 바로 펑션 콜링의 마법입니다. LLM이 인간처럼 생각한 뒤에, 컴퓨터가 알아들을 수 있는 명령으로 ‘손’을 움직이는 과정인 셈이죠. [15:36]

저스틴) AI 에이전트는 ReAct로 시작해서 ReAct로 끝납니다. 다른 곳으로 빠지지 마세요. 시간 낭비일 뿐입니다.

6교시: 현업 적용 사례 & 나만의 에이전트 만들기

이런 기술들이 그냥 연구실에만 있는 게 아닙니다. 강연자께서 국내 기업들의 실제 사례도 소개해주셨어요. 삼성SDS, 스캐터랩, SK C&C 같은 기업들이 이미 이커머스, 비즈니스 자동화 등 다양한 분야에서 AI 에이전트를 활발하게 사용하고 있습니다. [16:30]

더 나아가, 강연자께서는 보안이 철저한 사내 환경에서 직접 에이전트를 개발했던 귀중한 경험을 공유해주셨습니다. [19:21] 자, 이건 현업의 피와 땀이 담긴 조언이니 모두 받아 적으세요!

도메인 지식을 주입하라 (RAG 활용): 일반 LLM은 우리 회사 내부 사정이나 전문 용어는 모릅니다. [20:30] RAG라는 기술로 내부 데이터를 학습시켜서 ‘우리 회사 전문가’로 만들어야 합니다. [20:11]
프롬프트 엔지니어링에 목숨을 걸어라: 에이전트에게 “너는 반도체 결함 분석 전문가야. 이런 순서로 생각해.” 와 같이 역할을 부여하고 생각의 프로세스를 아주 섬세하게 설계해야 합니다. [19:48, 21:14]
비즈니스 로직에 맞는 툴을 구현하라: 우리 회사 업무에 꼭 필요한 맞춤형 툴(최신 뉴스 수집 툴, 파일 읽고 쓰는 툴 등)을 만들어야 에이전트가 진짜 ‘일’을 할 수 있습니다. [19:51, 22:16]
현업 전문가의 피드백을 받아라: 결국 이 서비스를 쓸 사람은 현업 전문가입니다. 그들의 피드백을 계속 받아서 꾸준히 개선해야 합니다. [19:55, 24:22]

결론은 이겁니다. “에이전트는 실무자가 현업의 데이터와 맥락을 충분히 잘 이해하고 구현할 때 가장 잘 작동한다!” [25:49] 기술만 안다고 되는 게 아니라는 거죠.

마지막 7교시: 에이전트의 미래, 랭그래프와 그 너머

마지막으로, 강연자께서는 에이전트 툴 외에 다른 방법론들도 소개해 주셨습니다. 특히 **’랭그래프(LangGraph)’**는 주목할 만합니다. [26:37] 기존 에이전트 툴 방식이 하나의 똑똑한 LLM이 자율적으로 움직이는 방식이라 유연하지만 가끔 어디로 튈지 모르는 단점이 있다면, 랭그래프는 정해진 워크플로우(그래프)를 따라 움직이기 때문에 예측 가능하고 안정적이라는 특징이 있습니다. [27:29]

그 외에도 멀티 에이전트, 오토젠 등 AI 에이전트 기술은 지금도 무궁무진하게 발전하고 있습니다. [27:50]

자, 오늘 강의 정리하겠습니다.

우리는 LLM을 강력하게 만들어주는 프레임워크인 **’랭체인’**에서 시작해서, 스스로 생각하고 행동하는 **’AI 에이전트’**의 개념을 배웠습니다. 에이전트가 **뇌(LLM), 손(Tool), 기억(Memory)**으로 구성된다는 해부학적 구조를 이해했고, 그 작동 원리인 ReAct와 펑션 콜링이라는 핵심 메커니즘을 파헤쳤습니다. 마지막으로, 현업에서 에이전트를 성공적으로 구축하기 위한 강연자님의 4가지 황금률까지 마스터했습니다.

강연자께서 남기신 마지막 메시지를 다시 한번 되새기며 오늘 강의를 마치겠습니다. 결국 최고의 AI 에이전트는 가장 화려한 기술이 아니라, 실제 업무와 데이터를 가장 깊이 이해하고 있는 사람의 손에서 탄생한다는 것을요.

오늘 배운 내용, 절대 잊지 마시고 꼭 여러분의 것으로 만드시길 바랍니다. 수고하셨습니다