# Agentic AI 가이드: 언어모델의 한계 극복 [](https://youtu.be/kJLiOGle3Lw?si=_fmZOfvFySRakQNW) > **"AI를 이해하는 가장 좋은 방법은 먼저 작게 시작하는 것이다."** - 스탠포드 웨비나 ## 언어모델의 기본 원리와 작동 방식 ### 언어모델 작동 기본 메커니즘 - 입력 텍스트 기반 다음 단어 확률 계산 - "학생들이 책을"이라는 입력 → "열었다", "읽었다" 등 다음 단어 예측 - 학습 데이터량에 따라 예측 정확도 변화 ### 2단계 학습 프로세스 1. **사전학습(Pre-training)** - 웹, 책 등 공개 텍스트 데이터로 단어 예측 훈련 - 대규모 코퍼스로 기본 언어 이해력 구축 2. **후속학습(Post-training)** - 지시사항 따르기(Instruction Following) 훈련 - 인간 피드백 기반 강화학습(RLHF) - 사용자 친화적 상호작용 능력 개발 ## 프롬프트 엔지니어링 필수 기법 ### 1. 구체적 지시사항 작성 ```javascript 나쁨: "날씨를 알려주세요" 좋음: "서울의 내일 오전 9시 기온과 강수 확률을 정확히 알려주세요" ``` ### 2. Few-shot 학습 ```javascript 예시1: 텍스트: "날씨가 좋다" → 감정: 긍정 예시2: 텍스트: "비가 온다" → 감정: 부정 실제: 텍스트: "구름 많다" → 감정: ? ``` ### 3. 컨텍스트 제공 ```javascript 다음 문서 내용만 참조하여 답변하세요: [문서 내용] 답변을 찾을 수 없다면 "정보가 없습니다"라고 답변하세요. ``` ### 4. Chain of Thought ```javascript 문제를 단계별로 풀어보세요: 1. 먼저 자신의 해결 방법 제시 2. 학생 답안과 비교 3. 정답 여부 판단 및 설명 ``` ### 5. 작업 분해 전략 - 단계1: 요약 생성 - 단계2: 이전 요약 + 상세 분석 - 단계3: 최종 통합 및 답변 ## RAG 시스템 구축 방법 ### 데이터 처리 파이프라인 1. **텍스트 분할**: 500-1000자 단위로 청크화 2. **임베딩 변환**: OpenAI 임베딩 모델 사용 3. **벡터 DB 저장**: Pinecone, FAISS 등 활용 4. **유사도 검색**: 코사인 유사도 기반 Top-K 선택 ### 검색 증강 프로세스 ```javascript # 기본 RAG 파이프라인 query = "언어모델 학습 방법" query_embedding = embed_model.encode(query) relevant_chunks = vector_db.search(query_embedding, k=3) context = "\n".join(relevant_chunks) prompt = f"컨텍스트: {context}\n질문: {query}" response = llm.generate(prompt) ``` ## 도구 사용과 외부 연동 ### Function Calling 구현 ```javascript // 날씨 조회 API { "function": "get_weather", "parameters": { "location": "Seoul", "time": "tomorrow 9am" } } ``` ### 실행 가능한 툴 목록 - **API 호출**: 날씨, 주식, 뉴스 등 - **계산 실행**: Python 코드 샌드박스 - **데이터베이스 쿼리**: SQL, Vector DB 접근 - **파일 처리**: 문서 읽기/쓰기 ## Agentic AI 핵심 컨셉 ### 정의와 특징 1. **환경 상호작용 능력** - 도구 사용으로 외부 데이터 접근 - 실시간 정보 수집과 처리 2. **Reasoning + Action 프레임워크** - 상황 분석과 계획 수립 - 단계별 실행과 피드백 순환 ### 고객 지원 에이전트 워크플로우 1. 문제 분석과 작업 분해 2. API 호출로 정보 수집 3. 수집 데이터 통합 분석 4. 최종 솔루션 제시 ## Agentic 디자인 패턴 ### 1. Planning 패턴 ```javascript 작업: 코드 리팩토링 계획: 1. 현재 코드 구조 분석 2. 개선 가능 영역 식별 3. 우선순위 설정 4. 단계별 리팩토링 실행 ``` ### 2. Reflection 패턴 ```javascript 1단계: 초기 솔루션 생성 2단계: 자체 비평과 문제점 발견 3단계: 개선된 버전 재생성 4단계: 최종 검증 ``` ### 3. Multi-agent 협업 - 전문화된 에이전트 구성 - 특화 작업 분담 - 에이전트 간 정보 교환 ### 스마트홈 시스템 예시 ```javascript 에이전트 구성: - 기후 제어 에이전트 - 조명 제어 에이전트 - 보안 시스템 에이전트 각 에이전트는 전문 API와 연동 ``` ## 평가 및 최적화 전략 ### 에이전트 평가 방법 1. **기본 LLM as Judge** - 생성 결과 객관적 평가 - 정답과 비교 점수화 2. **Agentic 평가 패턴** - 단계적 평가 프로세스 - 다중 관점 검증 - 반성 패턴 적용 ### 시작과 실험 로드맵 1. **프롬프트 플레이그라운드 활용** - Claude, GPT Playground 등 - 빠른 반복 테스트 2. **API 기본 연동** - 간단한 API 호출 구현 - 결과 파싱과 처리 3. **프레임워크 선택** - LangChain, AutoGPT 등 - 요구사항에 맞는 도구 선정 ## 실전 개발 팁 ### 시작 전략 - 단순한 use case부터 시작 - 반복적 개선 접근 - 로깅과 모니터링 구축 ### 윤리적 고려사항 - 할루시네이션 탐지 시스템 - 내용 필터링 가드레일 - 입/출력 검증 체계 ## 실제 적용 분야 ### 1. 소프트웨어 개발 - 코드 생성 자동화 - 버그 수정과 테스트 - 풀리퀘스트 생성 ### 2. 연구와 분석 - 웹 정보 수집 - 데이터 종합과 요약 - 보고서 자동 생성 ### 3. 작업 자동화 - 반복 작업 최적화 - 문서 처리 시스템 - 워크플로우 자동화 ## 핵심 포인트 요약 - **언어모델 기초**: 확률 기반 단어 예측 시스템 - **RAG 시스템**: 자체 데이터 활용과 정확도 향상 - **Tool Usage**: 외부 시스템 연동과 실행 능력 - **Agentic AI**: 추론과 행동 결합으로 복잡한 작업 처리 - **디자인 패턴**: Planning, Reflection, Multi-agent 활용 - **실무 적용**: 단순 → 복잡으로 점진적 발전 "에이전트 AI는 언어모델 사용의 자연스러운 확장입니다. 작게 시작하여 단계별로 복잡성을 더해가며 실무에 맞는 솔루션을 구축하는 것이 핵심입니다." For the site tree, see the [root Markdown](https://blog.learntoday.kr/.md).