Organizer 정리 산출물(From_RawData) + 이사 체크리스트 + 인덱스 갱신
- Raw_Data 자동 정리 산출물이 각 도메인 From_RawData/ 로 편입, 00_INDEX 연결 갱신 - 컴퓨터_이사_체크리스트.md 추가 (두뇌-상대 경로 규약 v2.2.304 — 새 컴퓨터에서 바꿀 절대 경로는 localBrainPath 1개) - Astra 세션 산출물(에피소드 기억·기능 인벤토리) 갱신 Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,114 @@
|
||||
---
|
||||
id: agentic-workflow
|
||||
title: "Agentic Workflow"
|
||||
category: "AI_and_ML"
|
||||
status: "draft"
|
||||
verification_status: "conceptual"
|
||||
canonical_id: ""
|
||||
aliases:
|
||||
- "에이전틱 워크플로우"
|
||||
- "Agentic AI"
|
||||
- "에이전트 워크플로우"
|
||||
- "Agentic Prompting"
|
||||
- "자율 AI 워크플로우"
|
||||
duplicate_of: ""
|
||||
source_trust_level: "A"
|
||||
confidence_score: 0.90
|
||||
created_at: 2026-07-11
|
||||
updated_at: 2026-07-11
|
||||
review_reason: ""
|
||||
merge_history: []
|
||||
tags: ["research", "context 이해 규칙"]
|
||||
raw_sources:
|
||||
- "[S1] Effective context engineering for AI agents - Anthropic"
|
||||
- "[S2] Prompt Engineering Guide: Chain-of-Thought, ReAct & Few-Shot Techniques "
|
||||
applied_in:
|
||||
- "Claude Code"
|
||||
- "Claude playing Pokémon"
|
||||
github_commit: ""
|
||||
---
|
||||
|
||||
# [[Agentic Workflow]]
|
||||
|
||||
## 🎯 한 줄 통찰 (One-line insight)
|
||||
[[Agentic Workflow]]는 대형 언어 모델(LLM)이 자율적으로 도구를 반복 사용하며(loop) 환경을 탐색하고, 장기적인 목표를 추적 및 오류를 스스로 복구하는 자율적 문제 해결 파이프라인이다 [S1, S2].
|
||||
|
||||
## 🧠 핵심 개념 (Core concepts)
|
||||
- **자율적 도구 사용 루프 (Autonomous Tool Use in a Loop):** LLM이 일회성 답변에 그치지 않고, 환경 내에서 자율적으로 도구를 사용하며 반복적인 작업(loop)을 수행하는 에이전트의 기본 정의이다 [S1].
|
||||
- **적시 맥락 검색 (Just-in-time Context Retrieval / Agentic Search):** 사전에 모든 데이터를 컨텍스트에 밀어 넣는 대신, 에이전트가 경량 식별자(파일 경로, 웹 링크 등)를 유지하다가 런타임에 동적으로 필요한 데이터를 도구를 통해 로드하는 방식이다 [S1].
|
||||
- **에이전트 메모리 (Agentic Memory):** 수십 분에서 수 시간 동안 이어지는 장기 작업(Long-horizon tasks)에서 컨텍스트 창의 한계를 극복하기 위해, 에이전트가 명시적으로 진행 상황을 기록하고 구조화된 노트(Structured note-taking)를 작성하여 추후 다시 컨텍스트로 불러오는 기법이다 [S1].
|
||||
- **에이전틱 프롬프팅 (Agentic Prompting):** 전통적인 프롬프트 엔지니어링의 차원을 넘어, 도구 사용 전략, 오류 복구 메커니즘, 장기 목표 추적 등 자율 시스템에 필요한 요소를 포괄하는 프롬프트 설계 방식이다 [S2].
|
||||
|
||||
## 🧩 추출된 패턴 (Extracted patterns)
|
||||
- **Compaction (압축 패턴):** 컨텍스트 창 제한에 가까워지면 대화 내용을 요약 및 압축하여, 불필요한 도구 출력 결과는 버리고 중요한 세부 사항(아키텍처 결정, 미해결 버그 등)만 보존한 채 새로운 컨텍스트 창을 재시작한다 [S1].
|
||||
- **점진적 공개 (Progressive Disclosure):** 에이전트가 자율적인 탐색을 통해 관련 컨텍스트를 층층이 발견해 나가는 패턴으로, 파일 크기나 명명 규칙, 타임스탬프 등의 메타데이터를 단서로 활용하여 필요한 부분만 작업 기억(Working memory)에 유지한다 [S1].
|
||||
- **하위 에이전트 아키텍처 (Sub-agent Architectures):** 단일 에이전트가 모든 상태를 유지하는 대신, 주(Main) 에이전트는 고수준의 계획과 조율에 집중하고 특화된 하위 에이전트(Sub-agents)가 깨끗한 컨텍스트 창에서 심층 탐색을 수행한 뒤 정제된 요약본(1,000~2,000 토큰)만 반환하는 관심사 분리(Separation of concerns) 패턴이다 [S1].
|
||||
|
||||
## ⚖️ 비교 및 선택 기준 (Comparison & decision criteria)
|
||||
|
||||
| 항목 (Option) | 장점 | 단점 | 언제 선택 |
|
||||
|---|---|---|---|
|
||||
| **Just-in-time Context (Agentic Search)** | 에이전트가 능동적으로 필요한 맥락만 점진적으로 로드하여 컨텍스트 윈도우 오염 방지, 최신 상태 유지 가능 [S1]. | 사전 계산된 데이터를 가져오는 것보다 런타임 탐색 시간이 오래 걸림(속도 저하) [S1]. | 동적인 탐색이 필요하거나, 사전에 모든 인덱싱을 하기 방대한 환경(예: 대형 코드베이스)일 때 [S1]. |
|
||||
| **사전 검색 (Pre-inference Retrieval / RAG)** | 모든 관련 데이터를 사전에 처리하여 즉각적으로 추론 가능하므로 응답 속도가 빠름 [S1]. | 정적인 인덱스에 의존하므로 정보가 누락되거나 문맥(Syntax tree 등)이 복잡할 경우 대응이 어려울 수 있음 [S1]. | 정적이고 내용 변화가 적은 도메인(법률, 금융 등)에서 빠른 응답이 필요할 때 [S1]. |
|
||||
| **단일 에이전트 + Compaction/Memory** | 단일 컨텍스트 내에서 대화 흐름 유지에 유리, 마일스톤이 명확한 반복 개발에 적합 [S1]. | 장기간 작업 시 컨텍스트 오염 및 주의력 분산(Context Rot) 위험이 커짐 [S1]. | 잦은 핑퐁 대화가 필요한 작업이나 순차적인 점진적 개발 환경일 때 [S1]. |
|
||||
| **Multi-agent / Sub-agent Architecture** | 오염되지 않은 깨끗한 컨텍스트 창에서 병렬 탐색 가능, 주 에이전트의 토큰 예산 절약 [S1]. | 시스템 설계 및 에이전트 간 통신 프로토콜 관리가 복잡함 [S1]. | 복잡한 연구 및 분석 과제 등 병렬적 탐색과 높은 수준의 컨텍스트 분리가 필요할 때 [S1]. |
|
||||
|
||||
## 📖 세부 내용 (Details)
|
||||
- **에이전틱 워크플로우의 진화:** 대형 언어 모델 활용은 초기 단발성 프롬프트 텍스트 생성에서 벗어나, 도구를 루프(Loop) 형태로 자율적으로 사용하는 방향으로 수렴하고 있다 [S1]. 이는 모델 기능이 향상됨에 따라 사람의 미세한 지시 없이도 복잡한 문제 공간을 탐색하고 오류를 자체 복구할 수 있는 수준의 자율성을 부여한다 [S1].
|
||||
- **맥락(Context) 자원의 한계와 관리:** LLM은 인간과 마찬가지로 처리할 수 있는 주의력 예산(Attention budget)에 한계가 있다. 입력 토큰이 증가함에 따라 정보 회수율과 장거리 추론 능력이 저하되는 'Context Rot' 현상을 겪는다 [S1]. 따라서 [[Agentic Workflow]]에서는 가장 적은 수의 '고신호 토큰(High-signal tokens)'을 유지하기 위해 지속적으로 문맥을 정제하고 덜어내는 맥락 엔지니어링(Context Engineering)이 필수적이다 [S1].
|
||||
- **하이브리드 맥락 전략:** 순수하게 런타임에 의존하는 방식의 속도 저하를 보완하기 위해, 핵심 문서(예: `CLAUDE.md`)는 초기에 로드하고 세부 데이터는 적시(Just-in-time)에 에이전트가 도구를 사용해 동적으로 검색하는 하이브리드 전략이 부상하고 있다 [S1].
|
||||
- **프롬프트 아키텍처의 확장:** [[Agentic Workflow]] 구축을 위해서는 전통적인 프롬프트 디자인 범위를 넘어서야 한다. [[Agentic Prompting]]에는 도구 사용의 명확한 조건, 서브 에이전트로의 위임 판단 기준, 오류가 발생했을 때의 회복 논리가 포함되어야 한다 [S2]. 잘 설계된 툴 세트는 중복을 최소화해야 하며, 에이전트가 어떤 도구를 써야 할지 모호하지 않도록 자명해야 한다 [S1].
|
||||
|
||||
## ⚖️ 모순 및 업데이트 (Contradictions & updates)
|
||||
- LLM의 자율성이 높아질수록 인간의 직접적인 맥락 선별(Curation) 필요성은 감소하는 경향이 있으나, 인지적 한계(컨텍스트 윈도우 크기 및 주의력 분산)는 물리적 모델 구조상 당분간 지속될 것이므로, 무조건 더 큰 컨텍스트 윈도우를 기다리기보다는 Compaction이나 Agentic Memory 같은 기법으로 컨텍스트를 경제적으로 관리하는 것이 현재로선 가장 성능이 뛰어나다 [S1].
|
||||
|
||||
## 🛠️ 적용 사례 (Applied in summary)
|
||||
- **Claude Code (Anthropic):** 대규모 데이터베이스나 코드베이스를 분석할 때 모든 데이터를 컨텍스트에 로드하지 않는다. 대신 `glob`, `grep`, `head`, `tail` 같은 Bash 명령어를 자율적으로 활용하여 파일을 런타임에 탐색하고 인덱싱의 한계를 우회한다. 또한 메시지 이력이 길어지면 스스로 중요한 아키텍처 결정과 미해결 버그만을 요약(Compaction)하여 상태를 유지한다 [S1].
|
||||
- **Claude playing Pokémon:** 에이전트가 포켓몬 게임을 플레이하며 장시간(수천 스텝) 전략적 일관성을 유지한 사례. 에이전트가 외부 파일(Agentic memory)에 "어느 경로에서 몇 레벨을 달성했는지", "전투 전략은 무엇인지" 등을 기록(Structured note-taking)하고 리셋된 컨텍스트에서도 이 노트를 읽고 목표 지향적 행동을 재개하였다 [S1].
|
||||
|
||||
## 💻 코드 패턴 (Code patterns)
|
||||
소스에 코드 예시 없음. (단, 도구 사용의 개념적 예시로 `head`, `tail`, `grep` 등의 Bash 커맨드명이나 `test_utils.py` 같은 파일 경로 참조 개념만이 서술됨) [S1]
|
||||
|
||||
## ✅ 검증 상태 및 신뢰도
|
||||
- **상태:** draft
|
||||
- **검증 단계:** conceptual
|
||||
- **출처 신뢰도:** A
|
||||
- **신뢰 점수:** 0.90
|
||||
- **중복 검사 결과:** 신규 생성 (New discovery)
|
||||
|
||||
## 🔗 관련 문서 링크 (Related document links)
|
||||
|
||||
### 상위/유사 개념
|
||||
- [[Context Engineering]] — 연결 이유: 에이전트의 작업 문맥을 큐레이션하고 최적화하는 포괄적 원리
|
||||
- [[Prompt Engineering]] — 연결 이유: 에이전틱 동작을 지시하고 통제하는 기반 언어 제어 기법
|
||||
- [[Sub-agent Architecture]] — 연결 이유: 에이전틱 워크플로우를 다중 모델 협력으로 확장한 아키텍처
|
||||
- [[ReAct]] — 연결 이유: 추론(Reasoning)과 행동(Action)을 결합한 에이전트 워크플로우의 초기/핵심 개념
|
||||
|
||||
### 심층 후속 질문 (Deeper Research Questions)
|
||||
- Agentic Workflow에서 Sub-agent 간의 컨텍스트를 효율적으로 동기화하는 프로토콜(예: A2A)은 어떻게 설계되는가?
|
||||
- Compaction(압축) 프로세스에서 정보의 미세한 손실을 막고 높은 재현율(Recall)을 보장하기 위한 프롬프트 최적화 방법은 무엇인가?
|
||||
- 기존 RAG 방식과 Just-in-time Agentic Search를 효율적으로 결합하는 하이브리드 아키텍처의 기준은 무엇인가?
|
||||
- Agentic Memory(구조화된 노트) 작성 시 에이전트의 환각(Hallucination)이 누적되는 것을 방지하기 위한 검증 도구는 어떻게 통합되는가?
|
||||
- 무한 루프(Dead-ends)에 빠진 에이전트가 스스로를 교정(Self-Refine)하고 탈출하도록 설계하는 제약 조건은 무엇인가?
|
||||
|
||||
### 실무 적용 맥락 (Practical Application Contexts)
|
||||
- **Implementation:** LLM이 능동적으로 런타임에 Bash, 검색 등의 외부 툴을 호출하여 데이터를 읽어오도록 도구(Tools)의 입출력 규격을 디자인함.
|
||||
- **System Design:** 장시간 수행되는 복잡한 Task의 경우 단일 세션에 의존하지 않고, 중간 요약 노트를 외부 스토리지에 저장 후 새 세션이 이를 참조하도록 메모리 파이프라인(Agentic Memory)을 구축함.
|
||||
- **Operation / Maintenance:** 과도하게 중복되거나 모호한 도구 세트는 에이전트의 낭비를 초래하므로, 도구(Function) 간의 명확한 경계를 정의하고 유지보수함.
|
||||
- **Learning Path:** Prompt Engineering (Zero/Few-shot) -> Chain of Thought -> ReAct -> Multi-Agent Collaboration의 순서로 에이전트 제어 기술 습득.
|
||||
|
||||
### 인접 주변 주제 (Adjacent Topics)
|
||||
- [[Model Context Protocol]] — 확장 방향: 에이전트와 외부 도구/데이터 간의 보편적인 통합 및 통신 표준 규격 파악
|
||||
- [[Large Language Models]] — 확장 방향: 기초 모델의 추론 능력 및 컨텍스트 윈도우 스케일링 특성 이해
|
||||
|
||||
## 🔗 지식 그래프 (Knowledge Graph)
|
||||
- **상위/루트:** [[context 이해 규칙]]
|
||||
- **관련 개념:** [[Context Engineering]], [[Agentic Prompting]], [[Sub-agent Architecture]]
|
||||
- **참조 맥락:** 자율 AI 시스템의 장기 목표 수행 및 효율적 맥락 관리(기억/도구 사용) 아키텍처 설계 시 참조.
|
||||
|
||||
## 📚 출처 (Sources)
|
||||
- [S1] Effective context engineering for AI agents - Anthropic
|
||||
- [S2] Prompt Engineering Guide: Chain-of-Thought, ReAct & Few-Shot Techniques
|
||||
|
||||
## 📝 변경 이력 (Change history)
|
||||
- 2026-07-11: Initial draft generated via Datacollector_MAC P-Reinforce engine.
|
||||
Reference in New Issue
Block a user