채팅GPT를 사용해본 사람이라면 한 번쯤 이렇게 생각했을 것이다. “이 AI는 왜 지식만 있고 행동은 못할까?” 채팅GPT는 질문에 답변만 할 뿐, 실제로 무엇을 하지는 못한다. 하지만 AI Agent는 다르다. 목표를 주면 스스로 계획하고 실행한다. 이 글은 LLM과 AI Agent의 차이를 명확히 보여주고, AI Agent가 어떻게 스스로 행동하는지 설명한다.
\nAI의 세계에는 두 가지 유형이 있다. 하나는 LLM(Large Language Model)이고, 다른 하나는 AI Agent(에이전트)다. 둘 다 비슷해 보이지만 작동 방식은 완전히 다르다.
\n채팅GPT를 떠올려보자. 질문을 하면 답변을 한다. “파리 프랑스의 수도는?”이면 “네, 파리는 프랑스의 수도입니다”라고 답한다. 하지만 여기서 끝이다. 더 이상 하는 일이 없다.
\nLLM의 특성:
\nAI Agent는 질문에 답하는 것이 아니라 목표를 달성하기 위해 행동한다.
\n예를 들어 “서울에서 부산으로 여행 일정을 세워줘”라고 요청하면, AI Agent는 다음과 같이 행동한다:
\n이 모든 과정을 스스로 진행한다.
\nAgent(에이전트)는 특정 목표를 달성하기 위해 환경과 상호작용하며 자율적으로 행동하는 프로그램이다.
\n비유하자면, Agent는 자율적으로 일하는 직원이다. 상사(사용자)가 목표를 제시하면, 직원은 그 목표를 달성하기 위해 필요한 정보를 찾고, 계획을 세우고, 실행하고, 결과를 확인한다. 실패하면 다른 방법을 시도한다.
\nAgent는 네 가지 요소가 순환하며 작동한다. 이를 PTAO 사이클(Perceive-Think-Act-Observe)이라고 부른다.
\nPerceive 단계에서 Agent는 다음을 인식한다:
\n예를 들어 날씨 관련 질문이 들어오면, Agent는 먼저 날씨 정보를 얻어야 한다는 것을 인식한다.
\nThink 단계에서는 다음을 결정한다:
\nLLM을 사용해 계획을 세운다. 예를 들어:
\n목표: 내일 날씨에 맞는 옷차림 추천\n필요한 정보:\n1. 사용자 위치\n2. 내일 날씨 정보\n3. 현재 시즌과 옷차림 패턴\n\n계획:\n1. 날씨 API 호출\n2. 위치 기반 온도 확인\n3. 옷차림 추천 생성\n4. 사용자에게 제시Act 단계에서는 실제로 행동한다:
\nAgent는 외부 세계와 연결되어 있어야 한다. 단순히 생각만 하는 LLM과 달리, Agent는 실제로 무엇인가를 수행한다.
\nObserve 단계에서는 행동의 결과를 확인한다:
\n만약 날씨 API 호출이 실패했다면, 다른 API를 시도하거나 사용자에게 수동으로 입력을 요청할 수 있다.
\n이 네 단계를 반복하면서 Agent는 목표를 달성한다.
\n전체 과정을 여행 일정 Agent 예시로 보자.
\n“3일 후 서울에서 부산으로 1박 2일 여행 계획을 세워줘”
\nPerceive: 사용자가 한국의 두 도시 간 여행 계획을 원함\nThink:
\nAct: KTX 시간표 검색 API 호출\nObserve: KTX 출발 시간 9:00, 11:00, 13:00 등 확인
\nPerceive: KTX 시간표 확인됨, 다음은 숙소\nThink: 부산 해운대 근처 해변 호텔이 좋을 것 같음\nAct: 숙소 검색 API 호출, 평점 높은 호텔 조회\nObserve: A호텔(평점 4.5, 해운대 근처) 확인
\nPerceive: 숙소 확인, 이제 관광지\nThink: 부산 명소 정보 필요\nAct: 부산 관광지 검색 API 호출\nObserve: 해운대, 광안리, 감천문화마을 등 목록 확인
\nPerceive: 기본 정보 모두 확인됨\nThink: 일정표 작성하고 사용자에게 제시\nAct:
\n이 과정에서 Agent는 스스로 다음 단계를 결정하고, 필요한 정보를 찾고, 결과를 종합한다.
\n| 구분 | \nLLM | \nAI Agent | \n
|---|---|---|
| 응답 방식 | \n질문에 대해 답변만 생성 | \n목표를 위해 스스로 행동 | \n
| 도구 사용 | \n불가능 | \n가능 (검색, API, DB 등) | \n
| 목표 달성 | \n정보 제공 수준 | \n실제 작업 완수 | \n
| 학습 능력 | \n정적 (변하지 않음) | \n피드백으로 개선 가능 | \n
| 대화 흐름 | \n순차적 Q&A | \n목표 중심 순환 | \n
| 환경과의 상호작용 | \n없음 | \n있음 (API, 시스템 호출) | \n
| 자율성 | \n없음 (사용자가 계속 질문) | \n있음 (스스로 판단) | \n
| 비용 | \n낮음 | \n높음 (많은 API 호출) | \n
| 속도 | \n빠름 | \n느림 (여러 단계 필요) | \n
시나리오: “서울에 내일 비 올까?”
\nLLM의 경우:
\n사용자: 서울에 내일 비 올까?\nLLM: 죄송합니다, 실시간 날씨 정보는 제공할 수 없습니다. \n 학습된 데이터만 기반으로 답변하므로 최신 날씨는 알 수 없습니다.Agent의 경우:
\n사용자: 서울에 내일 비 올까?\nAgent: [날씨 API 호출] 네, 내일 서울에는 오후 2시부터 비가 올 예정입니다.\n 우산을 준비하시기 바랍니다.LLM은 학습 데이터에 있는 정보만 제공하지만, Agent는 실시간으로 날씨 정보를 가져올 수 있다.
\nAgent는 목적과 구조에 따라 여러 유형으로 나뉜다.
\nReAct(Reasoning + Acting)는 가장 일반적인 Agent 패턴이다.
\n특징:
\n장점: 투명하고 예측 가능\n단점: 복잡한 작업에서는 시간이 오래 걸림
\n예시:
\n생각: 사용자가 프랑스어 문서 번역이 필요함\n행동: 번역 API 호출\n결과: 번역 완료, 문서 수신\n생각: 번역이 완료되었으니 사용자에게 전달\n행동: 결과 제시Tool-using Agent는 다양한 도구를 잘 다룬다.
\n특징:
\n예시 도구들:
\n예시:
\n작업: 회사의 2024년 매출 분석\n도구 사용:\n1. DB 도구: 매출 데이터 조회\n2. 계산 도구: 월별/분기별 집계\n3. 차트 생성 도구: 시각화\n4. 리포트 도구: 최종 리포트 작성Multi-Agent는 여러 Agent가 함께 일한다.
\n특징:
\n예시 팀 구성:
\n예시 시나리오:
\n작업: 간단한 웹앱 만들기\n\n기획자 Agent: \"사용자 인증 기능이 필요합니다\"\n개발자 Agent: \"로그인, 회원가입 코드 작성\"\n검토자 Agent: \"보안 취약점 있음, 수정 필요\"\n테스터 Agent: \"테스트 통과\"\n매니저 Agent: \"모든 단계 완료 확인\"AutoGPT는 장기적인 목표를 스스로 달성한다.
\n특징:
\n예시:
\n목표: 부동산 투자 계획 수립\n\nAutoGPT의 자율 실행:\n1. 현재 부동산 시장 조사\n2. 투자자 예산 확인\n3. 다양한 투자 옵션 비교 (아파트, 상가, 토지)\n4. 리스크 분석\n5. 추천 투자안 제시\n6. 추가 질문에 대한 응답 준비이미 시작한 목표를 단계적으로 진행한다.
\nAgent는 이미 우리 삶 곳곳에서 활동하고 있다.
\n전자상거래 사이트의 챗봇은 단순 대답이 아니라 실제로 행동한다:
\n사용자는 “주문 12345 상태 확인해줘”라고만 말하면, Agent가 배송 시스템에 접속해 실제 정보를 가져온다.
\nAI 비서는 이메일을 읽고 일정을 추가한다:
\nGitHub Copilot 같은 Agent는:
\n개발자가 “API 엔드포인트 추가해줘”라고 하면, Agent가 DB 설정부터 API 코드까지 작성한다.
\n자율주행 자동차는 완전한 Agent다:
\n스마트홈 Agent는:
\nAgent는 강력하지만 완벽하지 않다. 여러 한계가 있다.
\nAgent는 많은 LLM 호출과 API 사용으로 비용이 크다:
\n예시: 여행 일정 하나 만드는 데 수달러 소요
\nAgent의 행동 결과는 보장되지 않는다:
\n따라서 중요한 작업은 사람이 검토해야 한다.
\n여러 단계를 거쳐야 해 느리다:
\n실시간 요청에는 부적합할 수 있다.
\n복잡한 Agent는 디버깅이 어렵다:
\n맥락 길이 한계 극복:
\n전망: 에이전트가 한 달치 프로젝트를 기억하며 진행
\n외부 메모리 도입:
\n전망: 실수 없이 안정적으로 작동
\n에이전트 간 협력:
\n전망: 에이전트 소셜 네트워크 실현
\n지속적 스킬 향상:
\n전망: 사용자와 함께 발전
\nLLM은 질문에 답한다. Agent는 목표를 받아 스스로 행동한다. PTAO 사이클(인식·사고·행동·관찰)이 핵심이다.
\nAgent는 비용·속도·불확실성 한계가 있다. 실시간, 저비용, 정확·안정이 필요하다면 LLM이 더 적합하다.
\n앞으로 에이전트는 더 안정적이고 실용적이 될 것이다. 남은 과제는 비용·속도·안정성 개선이다.
\n이미 많은 일상 영역에 적용되고 있다. Agent의 작동 원리를 이해하고 한계를 알면, 활용과 협업이 더 나아진다.
","tableOfContents":"