2nd/10_Wiki/Topics/Domain_Programming/From_RawData/Agentic Workflow.md

id, title, category, status, verification_status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, created_at, updated_at, review_reason, merge_history, tags, raw_sources, applied_in, github_commit

id	title	category	status	verification_status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	created_at	updated_at	review_reason	merge_history	tags	raw_sources	applied_in	github_commit
agentic-workflow	Agentic Workflow	AI_and_ML	draft	conceptual		에이전틱 워크플로우 Agentic AI 에이전트 워크플로우 Agentic Prompting 자율 AI 워크플로우		A	0.90	2026-07-11	2026-07-11			research context 이해 규칙	[S1] Effective context engineering for AI agents - Anthropic [S2] Prompt Engineering Guide: Chain-of-Thought, ReAct & Few-Shot Techniques	Claude Code Claude playing Pokémon

Agentic Workflow

🎯 한 줄 통찰 (One-line insight)

Agentic Workflow는 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 Workflow에서는 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 Prompting에는 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.