[Daily morning study] AI Agent와 Tool Use 개념

02 Jul 2026 in Daily morning study / AI

#daily morning study

---

AI Agent란

AI Agent는 단순히 질문에 답하는 것을 넘어, 목표를 달성하기 위해 스스로 계획을 세우고 행동(action)을 수행하는 시스템이다.

일반 LLM 호출과의 차이:

구분	일반 LLM	AI Agent
입력	프롬프트	목표(goal)
출력	텍스트 응답	행동 결과
반복	단발성	루프(loop) 반복
도구 사용	불가	가능 (Tool Use)

Agent는 “생각 → 행동 → 관찰 → 다시 생각” 의 사이클을 반복하면서 목표에 도달한다.

---

ReAct 패턴

Agent의 대표적인 동작 방식이 ReAct(Reasoning + Acting) 패턴이다.

Thought: 현재 상황을 분석하고 무엇을 해야 할지 판단
Action: 도구를 호출하거나 행동 수행
Observation: 행동 결과를 확인
Thought: 결과를 바탕으로 다음 단계 판단
...
Answer: 최종 답 도출

예시 — “서울 날씨 알려줘”를 처리하는 Agent:

Thought: 현재 서울 날씨를 모르니 날씨 API를 호출해야겠다
Action: weather_tool(city="Seoul")
Observation: {"temp": 28, "condition": "맑음"}
Thought: 결과를 받았으니 답변을 생성할 수 있다
Answer: 서울은 현재 28도이며 맑습니다

---

Tool Use (도구 사용)

Tool Use는 LLM이 외부 함수나 API를 호출할 수 있도록 하는 기능이다.

모델은 텍스트를 직접 생성하는 대신, “이 도구를 이 인자로 호출하라”는 구조화된 출력을 내보낸다. 그러면 코드가 실제로 함수를 실행하고 결과를 다시 모델에 넘긴다.

기본 흐름

1. 사용자 메시지 + 도구 목록 → LLM
2. LLM이 도구 호출 결정 → tool_call 출력
3. 호스트 코드가 실제 함수 실행
4. 실행 결과 → LLM에 다시 전달
5. LLM이 결과를 바탕으로 최종 응답 생성

도구 정의 예시 (Anthropic API)

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

모델이 도구를 선택하는 기준

LLM은 질문의 의도와 도구의 description을 매칭해서 호출 여부를 결정한다. 그래서 description을 잘 작성하는 게 중요하다.

---

Agent의 메모리 구조

Agent가 복잡한 작업을 처리하려면 상태(state)를 기억해야 한다.

메모리 종류	설명	예시
In-context memory	LLM의 컨텍스트 윈도우 안에 있는 정보	대화 히스토리
External memory	외부 DB나 벡터 스토어	RAG 시스템
Episodic memory	과거 에피소드 기록	“지난번에 A를 했으니…”
Procedural memory	어떻게 행동할지에 대한 지식	시스템 프롬프트

단기 작업은 컨텍스트 윈도우만으로 처리 가능하지만, 장기 작업이나 대용량 데이터는 외부 메모리(벡터 DB 등)를 붙여야 한다.

---

멀티 에이전트 시스템

복잡한 작업은 하나의 Agent가 모두 처리하는 대신 여러 Agent를 조합하는 방식으로 해결한다.

Orchestrator Agent
├── Research Agent  (검색 담당)
├── Code Agent      (코드 작성 담당)
└── Review Agent    (검토 담당)

구성 패턴

• Sequential: Agent A의 출력이 Agent B의 입력으로 전달 (파이프라인)
• Parallel: 여러 Agent가 동시에 병렬 실행
• Hierarchical: Orchestrator가 하위 Agent들을 지휘

멀티 에이전트는 역할 분리로 각 Agent가 더 집중된 작업을 수행할 수 있고, 출력 품질이 올라간다. 반면 Agent 간 통신 비용과 오류 전파 위험이 있다.

---

실제 구현 예시 (Python, Anthropic SDK)

import anthropic
import json

client = anthropic.Anthropic()

tools = [
    {
        "name": "get_stock_price",
        "description": "특정 주식의 현재 가격을 가져온다",
        "input_schema": {
            "type": "object",
            "properties": {
                "ticker": {"type": "string", "description": "주식 티커 심볼 (예: AAPL)"}
            },
            "required": ["ticker"]
        }
    }
]

def get_stock_price(ticker: str) -> dict:
    # 실제로는 외부 API 호출
    prices = {"AAPL": 189.5, "GOOGL": 175.2}
    return {"ticker": ticker, "price": prices.get(ticker, 0)}

messages = [{"role": "user", "content": "애플 주식 현재가가 얼마야?"}]

while True:
    response = client.messages.create(
        model="claude-opus-4-8",
        max_tokens=1024,
        tools=tools,
        messages=messages
    )

    if response.stop_reason == "end_turn":
        print(response.content[0].text)
        break

    # 도구 호출 처리
    tool_use = next(b for b in response.content if b.type == "tool_use")
    result = get_stock_price(**tool_use.input)

    messages.append({"role": "assistant", "content": response.content})
    messages.append({
        "role": "user",
        "content": [{
            "type": "tool_result",
            "tool_use_id": tool_use.id,
            "content": json.dumps(result)
        }]
    })

---

Agent 설계 시 고려사항

루프 종료 조건을 명확히 정의해야 한다. 무한 루프에 빠지지 않도록 최대 반복 횟수나 타임아웃을 설정한다.

오류 처리: 도구 호출이 실패했을 때 Agent가 어떻게 대응할지 결정해야 한다. 재시도, 대안 도구 사용, 에러 메시지 반환 등.

할루시네이션 방지: Agent가 도구를 호출하지 않고 가상의 결과를 만들어내는 경우가 있다. 도구 결과 없이는 확정적인 답을 내리지 않도록 프롬프트 설계가 필요하다.

비용 관리: Agent 루프가 길어질수록 API 호출 횟수와 토큰이 늘어난다. 단계별 비용 추적이 필요하다.