🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AI 에이전트 아키텍처는 지능을 담당하는 모델과 실행·도구·기억·지식·오케스트레이션을 맡는 하네스를 결합하고, 신뢰할 수 있는 웹 접근으로 최신 현실에 근거를 두는 소프트웨어 구조다.

📌 핵심 요약

• AI 모델은 입력을 바탕으로 출력을 생성하는 핵심 지능이지만, 도구·기억·지식·실행 환경이 없으므로 그 자체가 AI 에이전트는 아니다.
• 에이전트 하네스는 모델을 둘러싼 도구, 저장소, 기억, 검색 증강 생성 체계, 실행 환경과 결정론적 제어 로직을 포함하며 모델이 실제로 행동하도록 만든다.
• 핵심 구성 요소는 오케스트레이션, 거대언어모델, 추론, 도구, 기억, 지식이며 각 요소가 작업 통제와 정확성, 장기적 연속성, 현실 근거를 분담한다.
• 대표적인 시스템 패턴은 단일 에이전트, 순차 워크플로, 병렬 워크플로, 평가자-최적화 구조이며 전통적인 싱글턴·팩토리·빌더·프로토타입 패턴도 에이전트 설계에 적용된다.
• 최신 정보에 근거한 에이전트를 만들려면 웹 검색, 사이트 가져오기, 브라우저 렌더링이 필요하며, 정제된 데이터 추출은 불필요한 입력 토큰과 운영 비용을 줄인다.

🧩 주요 포인트

1. 모델과 작업 흐름을 분리하면 모델 교체가 전체 시스템 재설계로 이어지지 않으므로, 에이전트의 지속성과 확장성은 하네스 설계에 크게 좌우된다.
2. 업무가 짧고 단일한지, 단계적으로 이어지는지, 동시에 처리되는지, 반복 평가가 필요한지에 따라 적합한 아키텍처 패턴이 달라진다.
3. 저장된 기억과 학습 데이터만으로는 현재 현실을 충분히 반영하기 어려우므로, 안정적인 웹 접근은 정보 수집 기능인 동시에 근거 검증과 비용 최적화 계층이 된다.

🧠 상세 정리

1. 모델과 에이전트의 구분

원문은 AI 모델과 AI 에이전트를 동일시하지 않는 데서 출발한다. 모델은 입력 문맥에 따라 예측적 출력을 생성하는 지능 부분이지만, 그 자체만으로는 도구 호출이나 지속 기억, 검색 증강 생성, 실행 환경을 갖지 못한다. 에이전트 아키텍처는 모델과 그 주변의 하네스를 결합한 구조이며, 모델을 교체하면 출력은 달라질 수 있어도 잘 분리된 작업 흐름 자체는 유지될 수 있다고 설명한다. 또한 AI 에이전트도 결국 소프트웨어이므로 전통적인 소프트웨어 아키텍처의 원리를 크게 빌리며, 파싱 에이전트와 하드코딩된 결정론적 파서는 구조상 완전히 동떨어진 존재가 아니라고 본다. 따라서 에이전트를 만든다는 일은 대개 모델 자체를 새로 개발하는 것이 아니라, 기존 모델이 실제 업무를 수행하도록 주변 구조를 설계하는 일이다.

2. 에이전트 하네스의 역할

에이전트 하네스는 모델을 감싸고 함께 운용하는 도구, 저장소, 기억 체계, 검색 증강 생성 시스템, 실행 환경과 제어 로직의 집합이다. 원문은 모델이 아닌 모든 것을 하네스로 볼 수 있다는 설명을 인용하며, 하네스를 하드코딩되고 결정론적인 조건 분기형 소프트웨어로 요약한다. 하네스가 없으면 모델은 입력을 읽고 추론할 수는 있지만 외부 도구를 호출하거나 결과를 검증하고, 장기간 상태를 유지하거나 특정 환경에서 행동할 수 없다. 이 경우 남는 것은 범용 거대언어모델일 뿐, 목표를 지속적으로 수행하는 완성된 에이전트가 아니다. 그러므로 일반적인 개발 현장에서 에이전트를 구축한다는 표현은 실제로는 모델 주변의 권한, 도구, 상태, 실행 순서와 안전장치를 설계한다는 의미에 가깝다.

3. 오케스트레이션·모델·추론·도구

핵심 구성 요소 가운데 오케스트레이션은 에이전트가 무엇을 해야 하는지 지시하고, 작업 범위를 이탈하지 않도록 보호 장치와 실행 순서를 제공한다. 이 계층은 LangGraph 같은 도구로 명시적으로 구현하거나 그래픽 사용자 인터페이스 기반 자동화 도구로 구성할 수 있다고 원문은 설명한다. 거대언어모델은 입력을 처리하고 도구 호출과 검색 증강 생성 작업을 거쳐 최종 출력을 만드는 중심부이며, 최신 프런티어 모델에서는 다음 행동을 계획하는 추론 능력이 모델에 포함되는 경향이 있다고 서술한다. 도구는 모델의 예측적 성격을 보완하는 결정론적 실행 수단으로, 수학 문제에 계산기를 호출해 실제 결과를 얻는 사례가 제시된다. 에이전트는 MCP, 명령줄 도구, LangChain 같은 전문 인터페이스를 통해 이러한 기능에 접근하며, 모델의 언어적 판단과 도구의 일관된 실행 결과를 결합한다.

4. 기억과 지식의 분리

기억은 장시간 작동하는 에이전트가 제한된 문맥 창을 넘어 연속성을 유지하기 위한 핵심 요소다. 원문은 모든 모델이 유한한 문맥 창에서 작동하며, 예를 들어 20만 토큰 한도에 도달해 문맥이 초기화되면 저장된 기억을 이용해 필요한 배경을 다시 구성해야 한다고 설명한다. 지식은 단순한 시스템에서는 기억과 함께 취급되기도 하지만, 개인 정보처럼 내부에 저장된 사실부터 외부에서 새로 조회해야 하는 현재 정보까지 더 넓은 범위를 포함한다. 개인 비서가 사용자의 이름을 알고 있는 것은 저장된 지식인 반면, 현재 날씨를 답하려면 외부 검색을 실행해야 한다는 사례가 그 차이를 보여준다. 이 구분에 따르면 기억은 과거 문맥과 상태를 복원하는 역할에 가깝고, 지식 계층은 저장 정보와 실시간 외부 정보원을 연결해 답변의 근거를 확장하는 역할을 맡는다.

5. 네 가지 시스템 수준 아키텍처

원문은 2026년 기준 에이전트 설계 패턴에 통일된 업계 표준은 없다고 전제한 뒤, Anthropic이 제안한 네 가지 기본 시스템 유형을 소개한다. 단일 에이전트는 하나의 시스템 프롬프트와 도구를 이용해 제한된 작업을 수행하며, 고객 서비스나 문서 처리처럼 짧고 범위가 명확한 업무에 적합하다. 순차 워크플로는 양식 입력을 읽고 데이터를 변환한 뒤 분석하는 사례처럼 여러 단계를 정해진 순서로 연결하며, 필요하면 단계마다 추가 에이전트를 배치할 수 있다. 병렬 워크플로는 여러 에이전트가 비동기적으로 동시에 작업하는 구조로, 다수의 요청 처리나 대규모 웹페이지 수집처럼 독립 작업을 한꺼번에 수행할 때 사용된다. 평가자-최적화 구조에서는 한 집단이 결과를 만들고 다른 집단이 이를 평가·개선하는 과정을 반복하며, 강한 추론과 검토가 필요한 코딩 시스템이 사례로 제시된다. 결국 선택 기준은 에이전트 수 자체가 아니라 작업의 순서 의존성, 병렬 처리 가능성, 반복 평가 필요성과 실행 범위다.

6. 전통적 생성 패턴의 재해석

원문은 시스템 전체를 네 가지 유형으로 보는 관점에서 더 나아가, 개별 에이전트를 객체처럼 취급하면 전통적인 생성 패턴으로 구조를 세밀하게 설명할 수 있다고 본다. 싱글턴은 하나의 접근 지점을 가진 단일 에이전트에 대응하며, 사용자가 직접 호출하든 자동 트리거가 시작하든 동일한 기본 구조를 갖는다. 팩토리는 빌더 에이전트가 설정에 맞는 사용자 전용 에이전트를 배포하는 방식이고, 추상 팩토리는 상품·리뷰·뉴스 수집 에이전트처럼 서로 다른 유형을 만들 공통 템플릿을 제공한다. 빌더 패턴의 에이전트는 다른 에이전트뿐 아니라 웹사이트나 데이터베이스 등 필요한 소프트웨어 구성 요소를 조립할 수 있다. 프로토타입은 기존 수집 에이전트를 복제해 시스템 프롬프트, 도구 권한, 기억 체계를 다시 작성하지 않고 새 인스턴스를 만드는 방식이다. 원문은 이러한 수십 년 된 패턴이 오늘날에도 유효하며, 에이전트가 다른 AI 시스템을 구축하는 흐름 역시 팩토리와 추상 팩토리의 원리로 이해할 수 있다고 설명한다.

7. 웹 맥락 계층과 최신성 확보

원문은 에이전트가 학습 데이터와 저장된 기억에만 의존하면 현재 현실에 대한 근거가 크게 제한되므로, 깨끗하고 안정적인 웹 접근이 필요하다고 주장한다. Claude나 ChatGPT에 내장된 웹 기능도 단순한 깃허브 저장소를 가져오지 못한 사례가 있었다는 저자의 경험을 들어, 기본 가져오기 기능만으로는 항상 충분하지 않다고 지적한다. 웹의 지식은 수많은 도메인에 흩어져 있고 자바스크립트 뒤에 숨거나 계속 변경되므로, 검색 증강 생성과 사실 근거 확보에는 이를 안정적으로 찾고 읽는 계층이 필요하다. 웹 검색은 관련 정보를 발견하고 페이지 후보를 좁혀 문맥 토큰과 연산 자원의 낭비를 줄인다. 사이트 가져오기는 검색 결과의 실제 내용을 확인하고 검증하는 기능을 제공한다. 브라우저 렌더링은 동적 콘텐츠를 불러오거나 페이지와 상호작용해야 할 때 사용되며, 단순 검색과 정적 페이지 수집에는 항상 필요하지 않다. 원문은 Firecrawl을 이 세 기능을 포괄적으로 제공하는 도구로 제시하면서, 웹 접근을 부가 기능이 아니라 에이전트 아키텍처의 별도 맥락 계층으로 다룬다.

8. 정제된 웹 데이터의 비용 효과

웹 접근 계층의 가치는 최신 정보를 얻는 기능에 그치지 않고, 모델의 문맥 창으로 들어가는 데이터 양과 운영비를 통제하는 데도 있다고 원문은 설명한다. 일반적인 웹페이지는 내비게이션, 바닥글, 사이드바, 광고, 쿠키 배너 같은 상용구가 약 80퍼센트를 차지하므로, 원시 HTML 전체를 모델에 제공하면 실제 내용과 무관한 토큰을 대량으로 소비하게 된다. 원문이 제시한 Firecrawl 기준 수치에서는 일반적인 페이지의 원시 HTML이 약 3만 8,381토큰인 데 비해 정제된 마크다운은 약 2,788토큰이며, 입력 토큰이 94퍼센트 줄어든다고 한다. 또한 에이전트 스타트업에서 검색 비용이 월간 변동 매출원가의 10퍼센트에서 30퍼센트까지 차지할 수 있다는 수치를 들어, 작은 비효율도 대규모 실행에서는 빠르게 누적된다고 강조한다. 따라서 목적에 맞는 웹 접근 도구로 검색 범위를 좁히고 페이지의 핵심 내용만 추출하는 일은 정확한 근거 확보와 토큰 절감, 처리량 향상을 함께 겨냥하는 아키텍처 선택이다.

🧾 핵심 주장 / 시사점

• 원문의 구분을 따르면 에이전트의 차별화는 모델 성능만이 아니라, 모델이 어떤 도구와 상태를 사용하고 어떤 순서와 제약 아래 행동하는지를 정의하는 하네스에서 형성된다.
• 전통적인 소프트웨어 패턴은 에이전트 시대에 폐기되는 것이 아니라, 여러 에이전트를 생성·복제·배치하고 순차 또는 병렬로 조합하는 구조를 설명하는 기반으로 재사용된다.
• 웹 데이터 계층은 최신 정보를 보충하는 검색 기능과 페이지 검증 수단, 동적 상호작용 환경, 입력 토큰 정제 장치를 동시에 제공하므로 정확성과 비용을 함께 다루는 설계 요소다.

✅ 액션 아이템

• 모델과 작업 흐름을 분리한 에이전트 하네스 설계 기준으로 지속성과 확장성 우선순위를 정한다.
• 업무가 단일한지·단계적으로 이어지는지·동시에 처리되는지·반복 평가가 필요한지에 맞춰 아키텍처 패턴을 고른다.
• 웹 검색·사이트 가져오기·브라우저 렌더링과 정제된 데이터 추출로 입력 토큰과 운영 비용을 줄이는 근거 계층을 점검한다.

❓ 열린 질문

• 단일 에이전트, 순차 워크플로, 병렬 워크플로, 평가자-최적화 구조 중 어떤 업무에 어떤 패턴이 맞는가?
• 오케스트레이션·거대언어모델·추론·도구·기억·지식이 작업 통제와 현실 근거를 어떻게 분담해야 하는가?
• 저장된 기억과 학습 데이터만으로 부족한 현재 현실을 안정적인 웹 접근이 어느 수준까지 보완하는가?