[Agent 개념] AI 에이전트(Agent)부터 에이전틱 RAG 워크플로우까지 (1)

1. AI 에이전트(AI Agent)

AI 에이전트는 환경으로부터 정보를 지각(Perception)하고, 주어진 목표를 달성하기 위해 의사결정(Decision Making)을 거쳐 적절한 행동(Action)을 수행하는 지능형 주체입니다. 단순히 입력된 명령어에 반응하는 일반적인 프로그램과 달리, 데이터와 경험을 바탕으로 학습하며 상황에 맞게 유연하게 적응할 수 있는 것이 가장 큰 특징입니다.

최근의 AI 에이전트는 텍스트, 이미지, 음성 등을 동시에 이해하는 멀티모달(Multimodal) 모델을 기반으로 하며, 아래와 같은 핵심 기술들과 결합하여 그 실행 능력을 비약적으로 확장하고 있습니다.

1-1. RAG (Retrieval-Augmented Generation)

생성형 AI가 답변을 할 때 모델 내부 파라미터에만 의존하지 않고, 외부 지식 베이스나 문서를 검색(Retrieval)한 뒤 이를 맥락에 포함시켜 답변을 생성(Generation)하는 기술입니다.

• 장점: 최신 정보나 특정 도메인에 특화된 지식을 활용할 수 있어 AI의 고질적인 문제인 환각(Hallucination) 현상을 크게 줄이고 답변의 신뢰도를 높입니다.
• 활용: 고객 지원 챗봇, 사내 법률 문서 검색, 논문 요약 등

1-2. MCP (Model Context Protocol)

AI 에이전트가 외부 도구, 서비스, 데이터베이스와 표준화된 방식으로 연결되도록 설계된 프로토콜입니다.

• 특징: 기존에는 각 외부 도구마다 개별적으로 API를 연동해야 했으나, MCP는 공통된 인터페이스를 제공하여 에이전트가 다양한 리소스를 쉽게 호출하고 응답을 이해할 수 있도록 돕습니다.
• 장점: RAG나 LangGraph 같은 프레임워크와 결합 시 문서 검색, DB 질의, 외부 앱 실행 등을 일관된 구조로 처리할 수 있어 개발자의 연동 작업 부담을 줄이고 시스템의 확장성과 재사용성을 극대화합니다.

---

2. AI 에이전트의 대표적 사례

우리 주변에서 이미 활용되고 있거나 발전 중인 AI 에이전트의 대표적인 사례 5가지는 다음과 같습니다.

1. 로봇청소기 (iRobot Roomba 등)
   • 센서와 카메라로 집 안 구조를 인식(지각)하고, 최적의 이동 경로를 계획(의사결정)하여 청소를 수행(행동)합니다. 과거의 단순 반응형 기기에서 집 구조를 학습하는 지능형 에이전트로 진화했습니다.
2. 자율주행 자동차 (Tesla Autopilot, Waymo 등)
   • 카메라, 라이다(LiDAR) 등 복잡한 센서 데이터로 주변 환경을 실시간 인식하고, 교통 상황을 판단하여 가속, 감속, 조향을 실행합니다. 복잡한 멀티모달 지각과 강화학습 기반 의사결정의 집약체입니다.
3. 스마트 스피커 (Amazon Alexa, Google Assistant 등)
   • 사용자의 음성을 인식(지각)해 의도를 분석(의사결정)한 뒤 음악 재생, 날씨 안내, IoT 기기 제어 등을 실행(행동)합니다. 외부 API와 적극적으로 연결되는 MCP 기반 에이전트로 발전하고 있습니다.
4. 금융 트레이딩 에이전트 (로보어드바이저)
   • 실시간 시장 데이터를 분석(지각)하고 투자 전략을 수립(의사결정)하여 매수 및 매도 주문을 자동 실행(행동)합니다. (예: 미국의 Wealthfront, 한국의 NH투자증권 QV 로보어드바이저)
5. 게임 AI (AlphaGo, OpenAI Five, StarCraft II AlphaStar)
   • 바둑판이나 게임 화면의 상태를 인식하고 수십만 가지 경우의 수 중 최적의 수를 선택해 착수하거나 유닛을 컨트롤합니다. 복잡한 환경에서 인간과 협력하거나 경쟁하며 인간을 뛰어넘는 성능을 보여준 대표적 사례입니다.

---

3. AI 에이전트 대표 프레임워크

---

4. 시스템을 자동화하는 '워크플로우(Workflow)'

워크플로우란 어떤 목표를 달성하기 위해 사람이든 시스템이든 따라야 하는 단계적 절차나 흐름을 뜻합니다. 데이터를 입력받아 처리하고 결과를 도출하기까지의 과정을 체계적으로 정의하고 연결한 실행 계획이자 시각적 설계도입니다.

4-1. 오픈소스 워크플로우 자동화 도구: n8n

• 웹사이트: https://n8n.io/
• 특징: 프로그래밍 지식이 깊지 않아도 화면에서 블록(노드)을 이어 붙여 다양한 서비스와 AI 모델을 연동할 수 있는 도구입니다.
• 장점: Zapier 등과 유사하지만 자체 서버에 설치할 수 있어 보안과 커스터마이징에 매우 유리합니다. 이메일, 데이터베이스, Slack 등 협업 툴은 물론 OpenAI, HuggingFace 등의 AI API와 쉽게 연동됩니다. 데이터 수집부터 전처리, AI 호출, 결과 전달까지의 파이프라인을 빠르게 구축할 수 있는 '레고 블록' 같은 플랫폼입니다.

n8n.io - AI workflow automation platform

---

5. RAG 워크플로우의 진화: 기본형 vs 에이전틱(Agentic)

5-1. 기본 RAG 워크플로우

질문을 입력받으면 사전에 정의된 고정된 순서에 따라 정보를 검색하고 답변을 생성하는 단일 경로의 직선형 파이프라인입니다.

• 흐름: 질문 입력 → 쿼리를 벡터로 변환하여 벡터DB 검색(Retrieval) → 검색된 문서를 컨텍스트로 결합하여 LLM이 답변 생성(Generation)
• 특징: 검색과 생성이 고정되어 있어 처리 속도가 빠르고 단순합니다. 사내 FAQ, 명확한 질의응답 작업에 적합합니다.

5-2. 에이전틱 RAG (Agentic RAG) 워크플로우

기본 RAG 흐름에 에이전트의 자율성을 부여한 다단계·반복형 파이프라인입니다.

• 특징: LLM이 질문을 먼저 분석하여 검색이 필요한지 판단하고, 필요하다면 쿼리를 재작성하여 여러 번 검색을 수행합니다. 또한 도출된 결과를 스스로 평가하고 반성(Reflection)하여 부족할 경우 재시도합니다.
• 장점: LLM이 언제 어떤 도구를 쓸지, 답변을 어떻게 다듬을지 스스로 결정하기 때문에 깊이 있는 리서치, 장기 과제 등에 훨씬 강력한 성능을 발휘합니다.

5-3. 핵심 개념: 멀티홉 질의 (Multi-hop Query)

에이전틱 RAG가 특히 강점을 보이는 분야가 바로 멀티홉 질의입니다. 단일 질문에 답하기 위해 여러 개의 정보 조각(문서, 사실 등)을 순차적으로 연결하고 논리적으로 추론해야 하는 복잡한 질문을 뜻합니다.

• 단일 홉(Single-hop): 하나의 문서나 사실만 찾으면 바로 답변이 가능한 단순 질문.
• 멀티 홉(Multi-hop): A를 찾아 B를 알아내고, 다시 B를 단서로 C를 찾아야만 최종 답변이 가능한 꼬리물기형 복잡 질문.