🎙️ Whitepaper Companion Podcast - Agents | 5-Day Gen AI Intensive Course with Google

주제: 2025년 2월 공개된 Google의 whitepaper “Agents”를 바탕으로 Generative AI 기반 에이전트(Agents)에 대한 개념, 구조, 작동 원리, 도구, 실전 적용 방법을 설명.

---

🧠 1. 에이전트란 무엇인가?

• 정의: 단순한 생성형 AI 모델을 넘어서, 논리적 추론, 외부 정보 접근, 목표 달성 행동까지 가능한 프로그램.
• 특징:
  • 목표 기반으로 독립적으로 작동
  • 주변 세계를 관찰 → 행동 → 학습 반복
  • 단순 텍스트 생성이 아닌 실행 기반 구조

---

⚙️ 2. 에이전트의 구성요소 (Cognitive Architecture)

1. 🧠 모델 (Model)

   • 에이전트의 두뇌로서 결정 내림.
   • 단일 모델일 수도 있고, 여러 모델 조합도 가능.
   • 논리적 사고 프레임워크 필요:
     • ReAct (Reason + Act)
     • Chain of Thought (CoT)
     • Tree of Thoughts (ToT)
   • 멀티모달, 특화 모델, 파인튜닝 가능

2. 🛠️ 도구 (Tools)

   • 모델 자체로는 실행 불가. 도구를 통해 외부 시스템과 상호작용.
   • Web API 형태로 동작:
     • 정보 조회
     • 데이터 생성/수정/삭제 등
   • RAG(Retrieval-Augmented Generation) 기반 시스템에서 필수 요소

3. 🧭 오케스트레이션 레이어 (Orchestration Layer)

   • 전체 흐름 제어:
     • 정보 수집 → 추론 → 도구 실행 → 반복
   • 상태 관리 및 순환적 작업 처리
   • 단순 또는 복잡한 논리/ML 알고리즘 포함 가능

---

🤖 모델 vs 에이전트

항목	모델	에이전트
지식	학습 당시 지식만 사용	외부 도구로 최신 정보 사용
기억	기억하지 못함	대화 히스토리 추적
도구 사용	내장 안됨	도구는 아키텍처 핵심
논리 레이어	없음	내장된 추론 프레임워크 존재

---

🧩 주요 추론 프레임워크

1. 🧠 ReAct (Reason + Act)

   • 단계별로 사고 → 도구 실행 → 관찰 → 반복
   • 에이전트가 사고 과정 보여줌 → 투명성 ↑, 신뢰도 ↑

2. 🔗 Chain of Thought (CoT)

   • 일련의 논리적 사고 과정을 출력 → 마치 수학 문제 풀이처럼 설명
   • Self-consistency, Active prompting, Multimodal CoT 등 파생 존재

3. 🌳 Tree of Thoughts (ToT)

   • 다양한 가능성 탐색 필요 시 사용 (예: 체스)
   • 여러 사고 경로(브랜치)를 확장하고 평가

---

✈️ ReAct 예시: 항공편 예약

1. 사용자: "비행기 예약해줘"
2. 에이전트: 출발지 질문
3. API 호출로 항공편 검색
4. 결과 관찰 후 여행일자 질문
5. 반복하여 모든 정보 수집 후 예약 수행

---

🔌 도구의 종류

1. 🔌 Extensions

• 표준화된 API 연결 방식
• 예시: Google Flights API
• 사전 예시 기반으로 API 사용 방법 학습
• 모델이 직접 API 호출

2. ⚙️ Functions

• 클라이언트 측에서 실행
• 모델이 어떤 함수 쓸지 결정, 직접 호출 X
• API 호출은 클라이언트 앱이 수행
• 보안, 인증 처리, 커스터마이징에 적합

3. 🗃️ Data Stores

• 벡터 DB 형태로 외부 지식 연결
• RAG 구현의 핵심
• 문서, 뉴스, DB 등 다양한 정보 저장소 연결 가능
• 모델 재학습 없이 최신 정보 활용 가능

---

🧪 학습 방식 3가지

방식	설명
📄 In-context Learning	프롬프트 + 예시 제공
📚 Retrieval-based In-context Learning	예시/지식 DB를 검색해 인풋에 동적 반영
🏫 Fine-tuning	도구 사용법 특화 학습 데이터로 재훈련

---

🚀 LangChain + Gemini 예시

질문: "텍사스 롱혼스의 마지막 경기 상대와 경기장 주소는?"

1. LangChain + LangGraph 사용
2. Google Search + Google Places API 도구 설정
3. React 기반 에이전트로 검색 → 추론 → 주소 조회
4. 스니펫 8, 9에서 코드 및 결과 제공

---

☁️ Vertex AI 기반 에이전트 구축

• 코드 없이도 UI 기반 구성 가능
• 기능:
  • 도구 설정
  • 예시 기반 행동 정의
  • 성능 평가 및 개선 기능 포함
• Figure 15: Vertex AI 기반 전체 아키텍처 설명

---

🧠 핵심 요약

• 에이전트 = 모델 + 도구 + 오케스트레이션
• 단순 LLM보다 훨씬 강력한 추론/실행 가능
• 확장성 높음 (멀티모달, 도메인 특화, chaining 가능)
• 도구:
  • Extensions: 직접 API 호출
  • Functions: 클라이언트 측 제어
  • Data Stores: 최신 지식 접근
• 학습:
  • In-context, Retrieval 기반, Fine-tuning 조합 활용
• 실습:
  • LangChain, Vertex AI 등 실전 예시 제공

---

🎯 활용 팁: Kaggle 프로젝트, 캡스톤 과제 등에서 다양한 도구와 reasoning framework을 조합하여 창의적인 에이전트를 만들어볼 것!