Agentic AI 사용례 조사

원래 계획

지난 주 발표를 자원했을 때의 계획은…

• Agentic AI가 무엇이고 어디에 쓰일 수 있는지에 대한 개념이 명확하지 않은 상태
• 이번 기수 활동의 목표를 무엇으로 정해야 할 지 감이 오지 않음 → 어영부영 있다가는 이전처럼 이도저도 못한 채 흘려보낼 것 같았다
• Agentic AI가 뭔지 + 어디에 쓰이고 있는지 조사해보면 이번에 뭘 해야할 지도 나오지 않을까?

왜 Agentic AI인가?

Agentic AI with Andrew Ng - DeepLearning.AI

일단 Agentic AI가 무엇인지에 대해 짚고 넘어가자!

Agentic AI는 단순히 유능한 LLM 모델일까? 그렇지 않다

기능적으로 봤을 때, Agentic AI는 인지, 추론, 계획, 행동이라는 4가지 기둥으로 구성되어 있음

→ 기존의 LLM 서비스는 쿼리가 주어졌을 때 적절한 행동을 하는 도구로써의 측면이 강했음

→ 그러나 Agentic AI는 query를 상세히 분석하고(인지), 이를 위해 필요한 작업들을 고안하며(추론), 어떻게 문제를 해결할 수 있을지 스스로 계획을 세워 실행한다

Andrew Ng은 Agentic AI라는 용어를 제안. 에이전트의 목적과 설계, 그리고 태스크의 성격(목표, 다루는 데이터, 일반적인 문제 해결 방식)에 따라 AI 에이전트의 자율성(autonomy)에 차이가 생김

• 미리 정해진 문제 해결 단계들이 있는가? 아니면 에이전트가 계획을 스스로 세우는가?
• 문제 해결에 필요한 도구들이 미리 주어져 있는가? 아니면 스스로 선택하는가? (또는 스스로 만드는가!)

따라서 '이것이 AI Agent냐 아니냐'의 이분법적인 질문을 던질 것이 아니라, '어느 정도로 자율적으로 움직이는지'를 생각해야 한다

Agentic AI의 장점들

• 성능 향상: Agentic한 GPT-3.5가 Non-Agentic GPT 4보다 높은 성능을 보임
• 병렬화
• modular: 필요에 따라 다양한 종류의 작업을 손쉽게 포함시킬 수 있음

구성 요소면으로 봤을 때, Agentic AI는 일련의 building block들로 구성된다

• Model: LLM, 다른 AI 모델
• Tools
  • API
  • Information retrieval (DB, RAG)
  • Code execution (basic calculator, data analysis)

(갑자기 드는 생각: 스크래치 스타일의 에이전트 설계 연습 도구가 나올지도?)

당연하게도, Agentic AI로 다루기 쉬운 문제들이 있고 어려운 문제들이 있음

• 어느 정도 표준화된 단계가 미리 정해져있고, 텍스트만 사용하는 에이전트는 비교적 구현이 쉬움
• 계획이 아직 알려져 있지 않은 업무, 멀티모달한 업무는 에이전트로 다루기가 만만치 않음

주어진 도구들로 문제를 못 풀겠다 싶으면, 사람은 어떻게 하는지 생각해보고 문제를 더 세분화해봄

사례 조사

GitHub - ashishpatel26/500-AI-Agents-Projects at pytorchkr

갖가지 분야가 있는데, 그 중에서 크게 3가지 분야를 정했다

1. 연구 및 공부
2. IT 분야 현업
3. 문화 예술 분야

연구 및 공부

세부적인 주제들로는 다음과 같은 것들이 있음

• 연구 주제 탐색, 선행연구 조사: 특정한 주제에 대한 문헌들을 다수 읽고 그 내용을 정리. 문헌들은 텍스트가 대부분이지만 주제에 따라서는 음성/영상/이미지인 경우도 있음
• 데이터 수집: 기존에 존재하는 데이터셋을 탐색. 또는 정리되지 않은 형태로 산재되어 있는 데이터를 수집하여 정형화, 체계화
• 데이터 가공 및 분석: 수집된 데이터들을 분석 목적에 따라 전처리, 연구 가설에 따라 적절한 가공, 통계 기법 선택
• 연구 내용 시각화 및 작문: 연구 내용을 타인에게 효과적으로 제시, 또는 미래에 확인하기 쉽도록 내용 요약

에이전트	Description (KR)	사용 프레임워크	Link
Virtual AI Tutor	사용자에게 맞춘 개인화 학습을 제공	LangChain	https://github.com/hqanhh/EduGPT.git
Research Scholar Agent	고급 학술 검색을 수행하고, 최신 출판물을 분석하고, 여러 분야의 결과를 종합해 적절한 인용이 포함된 학술 보고서를 작성	Agno	https://github.com/agno-agi/agno/blob/main/cookbook/examples/agents/research_agent_exa.py
Research Agent	웹 검색과 심층 조사를 바탕으로 NYT 스타일의 보고서 작성	Agno	https://github.com/agno-agi/agno/blob/main/cookbook/examples/agents/research_agent.py
DeepKnowledge	지식베이스를 반복적으로 검색하면서 복잡한 질의를 하위 질문으로 분해하고 포괄적인 답을 종합해냄	Agno	https://github.com/agno-agi/agno/blob/main/cookbook/examples/agents/deep_knowledge.py
Self‑RAG	시스템이 자신의 응답을 반성하고 필요 시 추가 정보를 검색	LangGraph	https://github.com/langchain-ai/langgraph/blob/main/docs/docs/tutorials/rag/langgraph_self_rag.ipynb
Adaptive RAG	질의 복잡도에 맞춰 검색 과정을 동적으로 조정하여 효율과 정확도를 높임	LangGraph	https://github.com/langchain-ai/langgraph/blob/main/docs/docs/tutorials/rag/langgraph_adaptive_rag.ipynb
Corrective RAG (CRAG)	생성 전에 검색된 문서를 평가하고 정제해 더 높은 품질의 결과를 보장	LangGraph	https://github.com/langchain-ai/langgraph/blob/main/docs/docs/tutorials/rag/langgraph_crag.ipynb
RAG: Group Chat	그룹 채팅에서 RAG를 활용해 정보를 공유하고 협업 요약	AutoGen	https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_groupchat_RAG
Automated Data Visualization by Group Chat	멀티 에이전트 협업을 통해 데이터 시각화 생성	AutoGen	https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_groupchat_vis

IT 분야 현업

에이전트	Description (KR)	사용 프레임워크	Files
Code Gen + QA with RAG	검색 증강 방법을 사용해 코드 생성과 질문 응답을 수행	AutoGen	https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_RetrieveChat
Code Gen + Qdrant Retrieval	Qdrant를 활용해 검색 증강 에이전트의 성능을 향상	AutoGen	https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_RetrieveChat_qdrant
Automated Task Solving with Code Generation, Execution & Debugging	코드를 생성하고 실행하며 디버깅하는 자동화 태스크 해결을 시연합니다.	AutoGen	https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_auto_feedback_from_code_execution
Assistant + Code Interpreter	OpenAI Assistant와 코드 해석기를 결합해 대화형으로 코드 실행과 분석을 수행	AutoGen	https://github.com/microsoft/autogen/blob/0.2/notebook/agentchat_oai_code_interpreter.ipynb
Assistant + Retrieval	검색 증강을 통해 대화형 질의응답에서 관련 자료를 불러옴	AutoGen	https://github.com/microsoft/autogen/blob/0.2/notebook/agentchat_oai_assistant_retrieval.ipynb
Optimize for Code Generation	LLM 기반 코드 생성의 비용 효율적 최적화 기법을 소개	AutoGen	https://github.com/microsoft/autogen/blob/0.2/notebook/oai_completion.ipynb
API Unification	문서와 코드 예제를 결합해 API 사용을 통합	AutoGen	https://microsoft.github.io/autogen/docs/Use-Cases/enhanced_inference/#api-unification

표로 정리하는 것이 큰 의미가 없을 정도로 많음… 하다가 포기

문화, 예술 분야

세부적인 주제들로는 다음과 같은 것들이 있음

• 창작: 문학, 영상, 이미지, 음악의 구상 / 창작 / 검토 및 퇴고 과정에서 도움을 받거나, 창작 기술이 부족한 사람들도 창작에 참여할 수 있도록 도움을 줌
• 추천, 큐레이션: 특정 주제에 대한 작품들을 모아 제시하거나, 특정 사용자가 좋아할 만한 작품들을 제시

에이전트	Description (KR)	사용 프레임워크	Files
Multimodal Agent Chat with DALLE and GPT-4V	DALLE와 GPT‑4V를 결합해 멀티모달 대화로 콘셉트 구상과 시각물 초안 제작	AutoGen	https://github.com/microsoft/autogen/blob/0.2/notebook/agentchat_dalle_and_gpt4v.ipynb
Multimodal Agent Chat with GPT-4V	GPT‑4V 기반 멀티모달 대화로 이미지 해석과 개선 피드백을 제공	AutoGen	https://github.com/microsoft/autogen/blob/0.2/notebook/agentchat_lmm_gpt-4v.ipynb
Multimodal Agent Chat with Llava	Llava를 활용해 멀티모달 상호작용으로 창작 아이디어를 빠르게 테스트	AutoGen	https://github.com/microsoft/autogen/blob/0.2/notebook/agentchat_lmm_llava.ipynb
Movie Recommendation Agent	Exa와 GPT‑4o를 사용해 장르와 테마를 분석하고 맞춤형 추천을 제공	Agno	https://github.com/agno-agi/agno/blob/main/cookbook/examples/agents/movie_recommedation.py
Write a Book with Flows	하나의 흐름을 가진 책을 쓰는 데 도움을 주는 에이전트	CrewAI	https://github.com/crewAIInc/crewAI-examples/tree/main/flows/write_a_book_with_flows
AI Crew for screenwriting	글의 내용을 넣으면 각본 형태의 글을 생성하는 에이전트	CrewAI	https://github.com/crewAIInc/crewAI-examples/tree/main/crews/screenplay_writer

그래서 뭘 할까

• 딱히 찾아 나서지도 않았는데, 지난 일주일 사이 Agentic AI 관련해 들은 소식들
  1. OpenAI
     1. AgentKit 출시
     2. DeepLearning.AI에 agentic AI 관련 강의 업로드됨
  2. Google
     1. Gemini 2.5 Computer Use: 구글에서 에이전트에 특화된 (visual understanding과 reasoning capabilities 기능 특화) 제미나이 모델 공개
  3. Neo4j
     1. Agentic AI 관련 웨비나를 염

지난 일주일 사이에 느낀 것들

• AI Agent가 꽤나 많은 주목을 받고 있고, 에이전트를 만드는 것의 난이도가 점점 낮아지고 있는 듯 하다 → 기술적인 부분보다는 에이전트 기획과 구체화 과정에서의 노하우가 더 중요해질 것 같음
• 프레임워크도 여럿 있고, 각 프레임워크마다 제시하고 있는 사용례가 여럿 있음 - CrewAI, Agno, Google ADK, LangGraph, AutoGen 등
• 온갖 종류의 도메인에 사용되고 있어 전반적인 사용례를 파악하는 것이 힘듦 (이것도 보고 저것도 보고 하면 끝이 없음). 만들고자 하는 에이전트의 도메인과 태스크를 상당히 구체화할 필요가 있음

---

생각해본 것

내가 이번 기수 활동에서 얻어가고 싶은 것은 무엇인가?

• 지식: Agentic AI에 대한 배경 지식 및 트렌드 숙지
• 경험: Agentic AI 설계 및 구현 경험 + 주요 프레임워크에 대한 사용 경험

• 적용: 정보를 습득하고 정리해야 하는 일이 많음. 실제로 내가 필요한 에이전트 만들기

• 강의나 웨비나 듣고 정리

  1. 실라버스가 짜여져 있으니 PseudoRec에 연재하기에는 편할 듯
  2. 기본적인 내용을 다루고, 강의도 길지 않으니…
• 프레임워크 공식 도큐멘테이션이나 깃헙 번역
  1. 이론적인 지식이 아니라 프레임워크 사용법이다보니, 언어의 장벽이 느껴지는 내용은 별로 없는 듯
  2. 주피터 노트북 형태로 그냥 꾸준히 깃헙에 올리기?
• 각자 필요한 / 관심 있는 주제의 Agentic AI 구현해보기
  1. 기존 use case를 차용하되, 개인 목표에 맞춰 에이전트 수정하기
     1. 구현 중에서도 Agentic AI 설계(특히 tool 선택)에 초점을 맞춘 접근
     2. 예를 들어, CrewAI에는 meeting scheduler 에이전트 사용례가 소개되어 있음. 예시에서는 트렐로와 슬랙 등과 연동되도록 했는데, 개인적으로는 노션/카톡을 이용하는 식으로 변경 필요
  2. 프레임워크를 달리 해서 비슷한 에이전트 만들기?
     1. Agentic AI 설계보다는 프레임워크 사용법에 초점을 맞춘 접근
  3. 여러 use case의 기능을 하나의 에이전트로 합치기?
     1. 예를 들어, CrewAI에는 meeting scheduler와 meeting prep을 위한 에이전트 사용례가 있는데, 둘을 함께 사용할 일이 많아 보임.

---