AI Agent 아키텍처

AI Agent 아키텍처 완벽 가이드

효과적인 AI Agent를 구축하기 위한 핵심 아키텍처 패턴과 설계 원칙을 알아봅니다.

Agent 아키텍처의 핵심 구성요소

1. 두뇌 (Brain/Core)

LLM이 Agent의 중앙 추론 엔진 역할을 합니다.

• 계획 수립: 목표를 달성하기 위한 단계 결정
• 의사결정: 어떤 도구를 언제 사용할지 판단
• 자기 반성: 결과를 평가하고 전략 조정

2. 메모리 시스템 (Memory)

단기 메모리 (Working Memory)

class WorkingMemory:
    def __init__(self, max_tokens=4000):
        self.messages = []
        self.max_tokens = max_tokens

    def add(self, message):
        self.messages.append(message)
        self._trim_if_needed()

    def _trim_if_needed(self):
        # 토큰 제한 초과 시 오래된 메시지 제거
        while self._count_tokens() > self.max_tokens:
            self.messages.pop(0)

장기 메모리 (Long-term Memory)

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

class LongTermMemory:
    def __init__(self):
        self.vectorstore = Chroma(
            embedding_function=OpenAIEmbeddings()
        )

    def store(self, experience):
        self.vectorstore.add_texts([experience])

    def recall(self, query, k=5):
        return self.vectorstore.similarity_search(query, k=k)

3. 도구 시스템 (Tools)

from langchain.tools import tool

@tool
def search_web(query: str) -> str:
    """웹에서 정보를 검색합니다."""
    # 실제 검색 로직
    return search_results

@tool
def execute_code(code: str) -> str:
    """Python 코드를 실행합니다."""
    # 샌드박스 환경에서 실행
    return execution_result

@tool
def send_email(to: str, subject: str, body: str) -> str:
    """이메일을 전송합니다."""
    # 이메일 전송 로직
    return "이메일 전송 완료"

주요 Agent 패턴

1. ReAct (Reasoning + Acting)

Thought: 사용자가 서울 날씨를 물어봤다. 날씨 API를 호출해야 한다.
Action: get_weather(location="서울")
Observation: 현재 서울은 맑음, 22°C
Thought: 날씨 정보를 얻었다. 사용자에게 전달하면 된다.
Answer: 서울은 현재 맑고 기온은 22°C입니다.

2. Plan-and-Execute

class PlanAndExecuteAgent:
    def run(self, task):
        # 1. 계획 수립
        plan = self.planner.create_plan(task)

        # 2. 단계별 실행
        results = []
        for step in plan:
            result = self.executor.execute(step)
            results.append(result)

            # 3. 필요시 계획 수정
            if self._needs_replan(result):
                plan = self.planner.replan(plan, results)

        return self.synthesizer.combine(results)

3. Reflexion

class ReflexionAgent:
    def run(self, task, max_attempts=3):
        for attempt in range(max_attempts):
            # 실행
            result = self.execute(task)

            # 평가
            evaluation = self.evaluate(result)

            if evaluation.success:
                return result

            # 반성 및 개선
            reflection = self.reflect(result, evaluation)
            self.memory.store(reflection)

        return best_result

멀티 에이전트 시스템

협력 패턴

class MultiAgentSystem:
    def __init__(self):
        self.researcher = ResearchAgent()
        self.analyst = AnalysisAgent()
        self.writer = WritingAgent()

    def create_report(self, topic):
        # 1. 연구 에이전트가 정보 수집
        research = self.researcher.gather_info(topic)

        # 2. 분석 에이전트가 데이터 분석
        analysis = self.analyst.analyze(research)

        # 3. 작성 에이전트가 보고서 생성
        report = self.writer.write(analysis)

        return report

토론 패턴

class DebateSystem:
    def __init__(self):
        self.pro_agent = Agent(stance="찬성")
        self.con_agent = Agent(stance="반대")
        self.judge = JudgeAgent()

    def debate(self, topic, rounds=3):
        arguments = []
        for _ in range(rounds):
            pro_arg = self.pro_agent.argue(topic, arguments)
            con_arg = self.con_agent.argue(topic, arguments)
            arguments.extend([pro_arg, con_arg])

        return self.judge.evaluate(arguments)

안전한 Agent 설계

• 권한 제한: 필요한 최소 권한만 부여
• 확인 단계: 중요 작업 전 사용자 승인
• 샌드박스: 코드 실행 시 격리 환경
• 로깅: 모든 행동 기록
• 비용 제한: API 호출 횟수 제한