[Daily morning study] AI Agent와 Tool Use 개념

18 May 2026 in Daily morning study / AI

#daily morning study

---

AI Agent란

AI Agent는 단순히 질문에 답하는 것을 넘어서 목표를 달성하기 위해 스스로 행동을 계획하고 실행하는 시스템이다. 사용자의 고수준 목표를 받아 이를 여러 하위 태스크로 분해하고, 필요한 도구를 호출하며, 그 결과를 바탕으로 다음 행동을 결정한다.

LLM(Large Language Model)을 에이전트의 “두뇌”로 활용하는 방식이 일반적이며, 모델이 어떤 도구를 언제 쓸지 판단한다.

---

ReAct 패턴

에이전트의 가장 기본적인 동작 패턴은 ReAct(Reasoning + Acting)다.

Thought: 현재 상황을 분석하고 무엇을 해야 할지 추론
Action: 도구 호출 (어떤 도구를, 어떤 인자로)
Observation: 도구 호출 결과 확인
Thought: 결과를 바탕으로 다시 추론
Action: 다음 행동 결정
...
Final Answer: 최종 답변 도출

이 루프를 반복하면서 에이전트는 복잡한 태스크를 단계적으로 해결한다.

---

Tool Use (Function Calling)

Tool Use는 LLM이 외부 함수나 API를 호출할 수 있도록 하는 기능이다. 모델은 텍스트를 생성하는 대신, 특정 형식의 구조화된 출력을 뱉어서 어떤 도구를 어떤 인자로 호출할지 표현한다.

동작 흐름

1. 사용자 메시지 + 사용 가능한 도구 목록 → LLM
2. LLM → tool_call 응답 (도구 이름 + 인자)
3. 런타임이 실제 함수 실행
4. 실행 결과 → LLM에 다시 전달
5. LLM → 최종 응답 생성

예시 (OpenAI / Anthropic 스타일)

도구 정의:

{
  "name": "get_weather",
  "description": "특정 도시의 현재 날씨를 반환한다",
  "parameters": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "날씨를 조회할 도시 이름"
      }
    },
    "required": ["city"]
  }
}

LLM의 응답:

{
  "type": "tool_use",
  "name": "get_weather",
  "input": { "city": "Seoul" }
}

실제로 get_weather("Seoul")을 실행하고, 결과를 다시 모델에 넘기면 모델이 자연어로 최종 답변을 만든다.

---

주요 도구 유형

유형	예시
검색	웹 검색, 벡터 DB 검색, 문서 검색
코드 실행	Python 인터프리터, SQL 실행
외부 API	날씨 API, 결제 API, 캘린더 API
파일 I/O	파일 읽기/쓰기, 스크린샷 캡처
다른 에이전트	서브 에이전트 호출 (멀티 에이전트)

---

싱글 에이전트 vs 멀티 에이전트

싱글 에이전트는 하나의 LLM이 모든 도구를 직접 관리하며 태스크를 처리한다. 구조가 단순하지만, 태스크가 복잡해질수록 컨텍스트가 길어지고 성능이 저하될 수 있다.

멀티 에이전트는 여러 에이전트가 역할을 나눠 협업하는 구조다. 오케스트레이터 에이전트가 전체 플로우를 조율하고, 서브 에이전트들이 특화된 태스크(검색, 코드 작성, 검증 등)를 담당한다.

Orchestrator
  ├─ Research Agent  (웹 검색, 문서 요약)
  ├─ Coder Agent     (코드 생성, 실행)
  └─ Critic Agent    (결과 검증, 피드백)

복잡한 태스크는 멀티 에이전트로 병렬 처리하면 성능과 확장성을 높일 수 있다.

---

에이전트의 메모리 구조

에이전트는 네 가지 메모리 유형을 활용한다.

메모리 유형	설명	예시
In-context	현재 대화창 내 정보	이번 세션 히스토리
External	외부 저장소에서 검색	벡터 DB, 관계형 DB
In-weights	파인튜닝으로 내재화	도메인 특화 지식
In-cache	KV 캐시	이전 프롬프트 재사용

실시간으로 정보를 누적해야 하는 장기 세션에서는 External 메모리를 적극 활용한다.

---

에이전트 구현 시 고려사항

할루시네이션 방지: 도구 결과에 근거해서 답변하도록 강제하고, 근거 없는 추론은 하지 않도록 시스템 프롬프트로 유도한다.

무한 루프 방지: 최대 스텝 수(max_iterations)를 설정해야 한다. 목표에 도달하지 못한 채 계속 도구를 호출하는 상황을 막기 위해서다.

도구 오류 처리: 도구 호출이 실패했을 때 에이전트가 재시도 또는 대안을 선택할 수 있도록 에러 메시지를 명확히 전달해야 한다.

비용 및 레이턴시: 도구 호출마다 LLM API 요청이 발생한다. 병렬 호출 가능한 도구는 동시에 실행해서 왕복 횟수를 줄이는 게 중요하다.

---

실제 사례

• 코드 에이전트: 사용자가 “이 CSV 파일 분석해줘”라고 하면, 에이전트가 파일 읽기 → 코드 작성 → 실행 → 결과 해석의 전 과정을 자율적으로 처리.
• 리서치 에이전트: 논문 주제를 주면, 웹 검색 → 문서 요약 → 비교 분석 → 보고서 작성 흐름을 자동화.
• 고객 지원 에이전트: 주문 조회, 환불 처리, FAQ 검색 등의 도구를 갖추고 고객 요청을 자율 처리.

---

정리

• AI Agent = LLM + 도구 호출 + 반복적 추론 루프
• Tool Use는 LLM이 구조화된 출력으로 외부 함수를 호출하는 메커니즘
• ReAct 패턴으로 추론(Thought) → 행동(Action) → 관찰(Observation)을 반복
• 복잡한 태스크는 멀티 에이전트로 분산 처리
• 무한 루프, 할루시네이션, 비용 관리가 실전 구현의 핵심 과제