Agentic Workflows

📌 Brief Summary

**에이전틱 워크플로우(Agentic Workflows)**는 거대언어모델(LLM)을 단순한 챗봇 이상으로 활용하여, 스스로 계획을 수립하고 도구를 사용하며 오류를 수정하며 최종 목표를 달성하는 자율적인 작업 흐름을 의미합니다. 앤드류 응(Andrew Ng) 등의 전문가들은 단순한 프롬프트 개선보다 에이전틱 루프(Agentic Loop)를 구축하는 것이 AI 성능 향상에 더 큰 기여를 한다고 강조합니다. 이는 "생각한 후 행동하기(Think before Act)"와 "결과 반성하기(Reflection)"를 시스템화한 구조입니다.

📖 Core Content

1. 4대 핵심 패턴 (By Andrew Ng)

Reflection (반성): 모델이 생성한 결과물을 스스로 검토하고 개선점을 찾아 다시 수행하는 루프입니다.
Tool Use (도구 사용): 검색, 계산, 코드 실행 등 외부 도구를 활용하여 LLM의 지식 한계를 극복합니다.
Planning (계획): 목표를 달성하기 위해 필요한 단계들을 미리 정의하고 순차적으로 실행합니다.
Multi-Agent Collaboration: 서로 다른 역할을 가진 여러 에이전트(예: 코더와 리뷰어)가 협력하여 복잡한 과업을 수행합니다.

2. 작동 메커니즘: ReAct 패턴

Reasoning (추론): 현재 상황을 분석하고 다음 행동을 결정합니다.
Acting (행동): 결정된 행동(도구 호출 등)을 수행합니다.
Observation (관찰): 행동의 결과를 확인하고 다시 추론 단계로 돌아갑니다.

3. Antigravity 프로젝트 적용 (P-Reinforce)

프로젝트 내에서 Planner -> Researcher -> Writer와 같은 다단계 에이전트 워크플로우를 통해 고밀도의 지식 정제와 코드 수정을 자동화합니다.

⚖️ Trade-offs & Caveats

✅ Benefits

성능 극대화: 단순 프롬프트 방식보다 훨씬 복합적이고 정확한 결과물을 산출합니다.
자율성: 인간의 개입을 최소화하면서 대규모 작업을 처리할 수 있습니다.
유연성: 예외 상황이 발생해도 에이전트가 스스로 판단하여 경로를 수정합니다.

⚠️ Challenges

비용 및 지연 시간: 여러 번의 루프와 추론 과정을 거치므로 API 비용이 증가하고 응답 속도가 느려집니다.
무한 루프 위험: 에이전트가 잘못된 판단을 반복하여 종료되지 않는 상황을 방지하는 안전장치가 필요합니다.
통제 가능성: AI의 자율성이 높아질수록 결과물의 일관성을 유지하거나 인간의 의도에 완벽히 정렬(Alignment)시키기가 어려워집니다.

🔗 Knowledge Connections

LLM_Large_Language_Model: 에이전틱 추론의 엔진 역할을 합니다.
Chain_of_Thought: 에이전트가 단계적으로 사고하도록 유도하는 기초 기법입니다.
Multi_Agent_Systems: 여러 에이전트 간의 협업 아키텍처를 연구하는 분야입니다.
P_Reinforce: Antigravity의 자율 학습 및 지식 강화 정책입니다.

Practical Application Contexts

Autonomous Coding: 요구사항을 분석하고 코드를 작성한 뒤, 테스트를 돌려보고 실패 시 스스로 수정하는 프로세스.
Complex Research: 방대한 문서를 검색하고 요약하여 보고서 초안을 작성하는 업무 자동화.

💡 Adjacent Topics

LangChain: 에이전틱 워크플로우를 쉽게 구축하게 돕는 대표적인 프레임워크입니다.
AutoGPT: 자율 에이전트의 가능성을 보여준 초기 프로젝트입니다.
ReAct_Pattern: 추론과 행동을 결합한 에이전트의 핵심 사고 방식입니다.

Last updated: 2026-05-02

4.1 KiB Raw Blame History