에이전트 워크플로 대 AI 에이전트

에이전트 AI는 자동화를 달성하기 위한 두 가지 접근 방식, 즉 사전 정의된 프로세스에 AI를 내장하여 훨씬 더 예측 가능한 결과를 제공하는 에이전트 워크플로우와 목표를 향해 자율적으로 계획, 실행 및 반복하는 AI 에이전트를 제공합니다. 이 중 어떤 것을 선택할지는 여러 가지 요인에 따라 달라집니다. 단일 LLM 단계를 결정론적 프로세스에 포함시킬 시기와 목표 중심 에이전트에게 의사 결정을 넘길 시기를 이해하면 팀이 보다 안정적이고 확장 가능하며 적응력이 뛰어난 시스템을 구축하는 데 도움이 됩니다.

따라서 이 블로그에서는 상담원 워크플로, 상담원이 워크플로와 어떻게 다른지, 언제 상담원 워크플로를 사용해야 하는지에 대해 설명합니다.

“에이전트”의 진정한 의미

에이전트 시스템은 기존의 규칙 기반 소프트웨어와 크게 두 가지 점에서 다릅니다:

1. 1. 대규모 언어 모델을 기반으로 하는 비결정성을 활용하여 매번 동일한 결과를 반환하는 대신 여러 번의 실행을 통해 출력이 진화할 수 있습니다.
   2. 즉, 정해진 지시를 즐겁게 실행하는 것이 아니라 목표를 향한 행동을 계획하고, 선택하고, 순서를 정할 수 있는 주체성을 발휘합니다.

이러한 특성은 사전 정의된 파이프라인에 AI 단계를 도입하는 에이전트 워크플로와 대규모 언어 모델(LLM)로 구동되는 시스템으로 조치를 취하고 자율적으로 작동할 수 있는 AI 에이전트 모두를 포괄합니다.

에이전트 워크플로: 결정론적 프로세스 내에서 범위가 지정된 AI

“워크플로'라는 용어를 들으면 동일한 입력이 주어졌을 때 항상 동일한 결과를 산출하는 단계의 오케스트레이션을 떠올리게 됩니다.

에이전트 워크플로는 해당 시스템의 전반적인 예측 가능성에 영향을 주지 않으면서 하나 이상의 LLM 기반 단계를 삽입하여 기존 소프트웨어 파이프라인을 개선합니다. 워크플로는 LLM과 도구가 사전 정의된 코드 경로를 통해 오케스트레이션되는 시스템입니다.

예를 들어, 계정 시스템은 대규모 언어 모델을 호출하여 스캔한 송장 언어를 분석한 다음, AI 기반 데이터 추출을 사용하여 구조화된 필드를 채우고 처리 도구에 최종 제출하기 전에 사람이 검토할 수 있도록 결과를 라우팅할 수 있습니다. 따라서 이러한 일련의 작업은 선형적이고 재현 가능한 상태로 유지되며, AI는 적절한 사람의 감독 하에 특정 작업을 강화합니다.

AI 에이전트: 자율적인 목표 중심 오케스트레이션

AI 에이전트는 장기 실행 작업을 수행하기 위해 사용할 수 있는 일련의 도구를 사용하여 완전히 자율적으로 실행할 수 있습니다. 에이전트에게 정해진 패턴을 따르는 대신 목표와 리소스가 주어지면 에이전트는 기본적으로 스스로 최적의 경로를 찾아낼 수 있습니다. 에이전트는 작업의 우선순위를 정하고 전략을 전환하거나 자신의 진행 상황을 스스로 되돌아볼 수도 있습니다. AI 에이전트는 사람과 대화해야 하고 작업을 수행해야 하는 두 가지 역할을 수행합니다. 사람과 대화할 때 AI 에이전트는 구조화되지 않은 입력을 처리하고, 문맥을 도출하고, 인간의 언어로 개념을 설명할 수 있습니다. 그런 다음 인간으로부터 정보를 얻은 AI 에이전트는 API를 호출하고 오류를 통해 학습하며 때로는 인간의 감독 없이 작업을 수행하여 인간을 대신하여 작업을 수행합니다. 여러 단계를 오케스트레이션하여 반복적으로 작업을 완료합니다.

이러한 유연성은 매우 강력합니다. 요구 사항을 이해하고, 디자인 아이디어를 생성하고, Couchbase에서 적절한 데이터를 가져오고, 타사 API와 통합하여 매우 맞춤화된 경험을 즉시 제공할 수 있는 스마트 어시스턴트를 상상해 보세요.

AI 에이전트와 상담원 워크플로 중 선택하기(그리고 이것이 중요한 이유)

자율 AI 에이전트는 창의적인 문제 해결에 유용하지만 일정 수준의 위험과 예측 가능성을 수반합니다.

따라서 에이전트 워크플로는 보안 및 규정 준수 목적을 위해 결정론적 단계를 통해 제어를 유지하면서 LLM 기반 인사이트(예: 요약, 중요한 부분의 의도 일치)를 추가할 수 있는 최적의 장소입니다. 또한 보다 미션 크리티컬한 의사 결정을 위해 휴먼 인 더 루프 프로세스를 포함할 수도 있습니다. 예를 들어 음성 처리에서 AI 기반 추출 단계의 도움을 받지만 나머지 단계는 여전히 사람의 개입을 통해 제어할 수 있습니다.

하지만 그 동안 완전 자율 에이전트 시스템은 자율적인 연구를 수행하거나 고도로 개인화된 경험을 제공하는 등 자율성이 예측의 필요성보다 더 중요한 시나리오에서 탁월한 성능을 발휘합니다. 따라서 AI 에이전트는 여러 단계에 걸쳐 자율적으로 문제를 해결해야 하고 전략을 유연하게 조정할 수 있는 경우에 유용합니다.

예를 들어, AI 에이전트가 데이터 보안 시장의 최신 동향을 조사하고 전략 보고서를 작성하는 시장 조사 봇을 만들 수 있습니다. 여기서 에이전트는 뉴스 보도와 소셜 미디어를 통해 학습하고, 여러 섹션으로 조사 결과를 정리한 후, 마지막으로 다음 조사 단계를 요약하고 제안할 수 있습니다. 사용자가 모든 소스나 인사이트를 스크립트로 작성할 수는 없으므로 에이전트의 자율성이 큰 가치를 발휘하는 부분입니다.

최종 생각

지금까지 살펴본 바와 같이 예측 가능한 결과와 제어가 매우 중요하고 보다 일관되고 결정적인 결과를 위해 에이전트 워크플로우를 사용해야 합니다. 하지만 자율성과 창의적인 문제 해결이 필요한 경우에는 본격적인 AI 에이전트를 활용할 수 있습니다. 바람직하지 않은 자율적 행동을 피하기 위해 사람이 개입해야 할 때와 그 위험성을 염두에 두어야 합니다.

Couchbase는 풍부한 쿼리, 실시간 분석, 벡터 검색, 에이전트 카탈로그 등의 기능을 갖춘 확장 가능한 에이전트 AI 애플리케이션을 위해 특별히 제작된 데이터 플랫폼입니다. 따라서 Couchbase는 AI 에이전트를 배포하는 데 필요한 기반을 제공합니다.

• 시작하기 카우치베이스 카펠라 DBaaS 오늘 무료 제품 계층으로