- AI 에이전트는 목표를 받아 스스로 계획하고 외부 도구를 실행해 결과를 완성하는 자율 시스템입니다.
- 챗봇은 단발 답변을 생성하지만, 에이전트는 관찰→추론→행동 루프를 반복하며 작업을 완료합니다.
- 핵심 작동 원리는 ReAct 패턴(Yao et al., 2022)으로, Thought→Action→Observation 순서로 이루어집니다.
- 단일 에이전트부터 멀티 에이전트 시스템까지 구조적 층위가 다르며, 도구·보안 설계가 성패를 가릅니다.
- 환각의 단순 말 오류가 행동 오류로 격상되는 위험이 있어, 가드레일 설계와 human-in-the-loop가 필수입니다.
AI 에이전트는 목표를 받아 스스로 계획을 세우고 외부 도구를 실행해 결과까지 완성하는 자율 시스템으로, 단순히 질문에 답하는 챗봇과는 작동 방식 자체가 다릅니다.
전 세계 기업 리더의 82%가 2025년을 AI 전략 재검토의 분기점으로 꼽았습니다(Microsoft Work Trend Index, 2025). 그런데 막상 "AI 에이전트가 뭔가요?"라고 물어보면, 챗GPT랑 뭐가 다른 건지 명확하게 답하기가 쉽지 않죠.
챗봇과 에이전트는 겉보기에 비슷하지만 작동 방식이 근본적으로 다릅니다. 이 글에서는 정의·원리·종류·사례·한계·역량까지, AI 에이전트를 둘러싼 핵심 질문들을 하나씩 짚겠습니다. 컴공 전공에 AI/ML 실무 10년을 경험한 시각에서, 교과서 설명이 아닌 현장 감각을 담아 정리했습니다.
AI 에이전트의 정의 : 챗봇과 결정적으로 다른 한 가지
AI 에이전트는 단순 답변이 아니라 목표를 스스로 분해하고 외부 도구를 실행해 결과까지 완성하는 자율 시스템입니다.
가장 간단한 구별 기준은 이겁니다. 챗봇은 내가 말을 걸어야만 반응합니다. 에이전트는 목표 하나를 받으면 다음에 무엇을 해야 할지 스스로 결정하고, 실제 세계에 행동을 겁니다. LLM이 어떻게 글을 생성하는지 알고 있다면, 에이전트가 그 LLM을 두뇌로 삼아 도구와 기억을 추가한 시스템이라는 감이 바로 잡힐 겁니다.
"답하는 AI" vs "행동하는 AI" : 결정적 차이 하나
챗봇과 에이전트의 차이를 가장 잘 드러내는 시나리오가 있습니다. "다음 주 출장 일정 잡아줘"라는 요청입니다.
챗봇은 "항공권 예약 사이트를 직접 방문해 날짜를 선택하세요"라고 안내합니다. 에이전트는 캘린더를 열어 빈 시간대를 확인하고, 항공권 검색 도구를 실행하고, 가격 비교 후 예약 링크를 가져오거나 직접 예약을 완료합니다. 사람이 개입하지 않아도 작업이 끝나 있는 것이죠.
이 차이를 만드는 것은 관찰(Observe)→추론(Reason)→행동(Act)으로 이어지는 루프입니다. 챗봇은 이 루프가 없고, 에이전트는 이 루프를 목표가 달성될 때까지 반복합니다.
| 비교 항목 | 챗봇 | AI 에이전트 |
|---|---|---|
| 입력 방식 | 매 턴 사람이 질문 | 목표(Goal) 한 번 설정 |
| 행동 범위 | 텍스트 생성만 | 도구 호출·코드 실행·API 요청 |
| 오류 처리 | 사람이 다시 질문해야 함 | 결과를 관찰 후 스스로 재시도 |
| 완료 기준 | 답변 생성 = 완료 | 목표 달성 = 완료 |
| 기억 | 대화 컨텍스트 내에만 | 외부 저장소에 장기 보존 가능 |
에이전트를 에이전트로 만드는 4가지 구성 요소
Wang et al.(2023, arXiv:2308.11432)의 에이전트 서베이 논문은 LLM 기반 에이전트를 구성하는 4가지 요소를 정의합니다.
지각(Perception)은 텍스트·이미지·코드·환경 신호 등 외부 입력을 받아들이는 역할입니다. 기억(Memory)은 단기 기억(컨텍스트 창)과 장기 기억(벡터 DB, 파일) 두 층위로 나뉩니다. 계획(Planning)은 큰 목표를 하위 작업으로 분해하고 실행 순서를 결정하는 과정입니다. 행동(Action)은 계획을 도구 호출로 현실에 옮기는 단계입니다.
이 네 요소 중 하나라도 빠지면 "에이전트"가 아니라 "도구가 있는 챗봇"에 가까워집니다.
"자율성(Autonomy)" 스펙트럼으로 보는 AI 위치
자율성 스펙트럼에서 현재 AI 에이전트는 "LLM 에이전트" 구간에 위치합니다. 규칙 기반 봇처럼 딱딱하지 않고, AGI처럼 범용적이지도 않습니다. 주어진 도구와 컨텍스트 안에서 목표를 추론해 수행하는 수준이죠. 이 위치를 정확히 이해해야 에이전트의 가능성과 한계를 동시에 볼 수 있습니다.
AI 에이전트의 종류 : 단일 에이전트부터 멀티 에이전트까지
AI 에이전트는 혼자 작동하는 단일 에이전트부터 여러 에이전트가 역할을 분담하는 멀티 에이전트 시스템까지 구조적 층위가 다릅니다.
단일 에이전트 : 한 LLM이 계획과 실행을 모두 담당
단일 에이전트는 하나의 LLM이 계획 수립, 도구 선택, 실행, 결과 평가를 모두 처리합니다. 2023년 폭발적 관심을 받은 AutoGPT 초기 버전이 대표적입니다. LangChain의 ReAct Agent도 단일 에이전트 패턴으로 동작합니다.
장점은 구조가 단순해 비용 예측이 쉽고 디버깅이 편하다는 점입니다. 단점은 복잡한 작업에서 컨텍스트가 길어지면 앞부분 지시를 "잊어버리는" 컨텍스트 망각 문제가 생긴다는 점입니다.
멀티 에이전트 : 역할 분리로 복잡한 작업 처리
멀티 에이전트 시스템은 여러 전문화된 에이전트가 협력합니다. 리서치 에이전트가 정보를 수집하면, 작성 에이전트가 초안을 쓰고, 검증 에이전트가 사실 확인을 합니다. Microsoft의 AutoGen, CrewAI, 그리고 Anthropic의 Claude Agent SDK가 이 구조를 지원합니다.
Anthropic이 2025년 공개한 멀티 에이전트 리서치 시스템 보고서에 따르면, 멀티 에이전트 구조가 단일 에이전트 대비 평균 90.2% 더 높은 성능을 달성했습니다(Anthropic, 2025). 하지만 에이전트 간 통신 비용과 조율 복잡도가 함께 증가합니다.
도구 사용 에이전트 vs 코드 실행 에이전트 : 보안 위험 차이
도구 사용 에이전트는 웹 검색, API 호출, 파일 읽기 같은 미리 정의된 도구를 실행합니다. 코드 실행 에이전트는 LLM이 직접 Python 코드를 작성하고 실행합니다.
코드 실행 에이전트는 훨씬 강력하지만 위험도 큽니다. 샌드박스 없이 실행되면 시스템 파일을 수정하거나 외부 서버에 데이터를 보낼 수 있습니다. Claude Code, OpenAI Code Interpreter가 여기 속하며, 격리된 실행 환경(Docker 컨테이너 등)을 기본 설계로 채택하는 이유입니다.
AI 에이전트는 어떻게 작동하는가 : ReAct 패턴 해설
ReAct 패턴은 추론(Reasoning)과 행동(Acting)을 번갈아 수행하며 에이전트가 스스로 오류를 수정하는 반복 루프 구조입니다.
ReAct 논문에서 출발한 기본 개념
ReAct는 Princeton 대학과 Google Research가 2022년 공동 발표한 논문(Yao et al., arXiv:2210.03629)에서 처음 제안됐습니다. 논문의 핵심 통찰은 단순합니다. LLM이 "생각(Thought)"을 텍스트로 명시적으로 출력하게 만들면, 그 생각이 다음 행동의 맥락이 되고 오류 수정의 근거가 된다는 것입니다.
기존 Chain-of-Thought(CoT) 방식이 내부 추론에만 머문다면, ReAct는 그 추론을 외부 세계의 행동과 연결합니다. CoT는 내면의 독백이고, ReAct는 외부 세계와의 대화입니다.
단계별 작동 흐름 : Thought → Action → Observation 실제 예시
"삼성전자 2025년 연간 영업이익을 찾아서 전년 대비 증감률을 계산해줘"라는 목표를 받았을 때 ReAct 에이전트는 이렇게 작동합니다.
(아래는 작동 방식 설명을 위한 가상 예시입니다. 수치는 실제 공시와 다를 수 있습니다.)
이 루프의 핵심은 각 단계에서 에이전트가 현재 상황을 다시 평가한다는 점입니다. 검색 결과가 없거나 오류가 생기면 다른 키워드로 재검색을 시도합니다. 사람이 중간에 개입하지 않아도 방향을 스스로 수정하는 구조입니다.
토큰 루프와 컨텍스트 한계 : 왜 에이전트가 "길을 잃는가"
ReAct 루프는 반복될수록 컨텍스트 창이 채워집니다. Thought, Action, Observation이 쌓이면서 초기 목표와 지시사항이 창의 뒤로 밀려나기 때문입니다. LLM은 최신 토큰에 더 집중하는 경향이 있습니다. 결국 루프가 20~30회를 넘으면 원래 목표를 벗어나거나 무한 반복에 빠지기 시작합니다.
이를 막기 위해 최대 반복 횟수(max_iterations) 제한, 중간 목표 요약(Summarization) 삽입, 루프 탈출 조건 명시가 실무에서 필수적으로 사용됩니다.
Chain-of-Thought vs ReAct 차이
Chain-of-Thought: "1+2=3이고, 3+4=7이므로 답은 7이다" — LLM 내부에서만 추론
ReAct: "계산기를 써야겠다" → calculator("1+2+4") → "결과 7을 확인했다" — 외부 도구와 교신하며 추론
CoT는 LLM이 이미 알고 있는 정보 범위 안에서만 작동합니다. ReAct는 실시간 검색·코드 실행·API 호출 같은 외부 세계와 상호작용하며 답을 만듭니다. 이 차이가 에이전트를 "더 똑똑한 챗봇"이 아니라 "행동하는 시스템"으로 만드는 핵심입니다.
실제 현장에서 쓰이는 AI 에이전트 사례
2025년 현재 AI 에이전트는 코드 자동 작성, 고객 응대, 리서치 자동화 등 반복 지식 업무 전반에 실전 배치되고 있습니다.
소프트웨어 개발 : GitHub Copilot Workspace와 Devin
Cognition AI가 2024년 공개한 Devin은 소프트웨어 엔지니어링 벤치마크인 SWE-bench에서 13.86%의 문제를 자율적으로 해결했습니다(Cognition AI, 2024). 발표 당시 SWE-bench 최고 기록인 4.80%(Claude 2 assisted)를 크게 상회하는 수치였습니다. 코드 작성, 테스트 실행, 오류 수정, PR 생성까지 하나의 에이전트가 처리하는 구조입니다.
GitHub Copilot Workspace는 이슈 설명 하나를 받아 코드 변경 계획을 수립하고, 변경 사항을 작성해 사람에게 검토를 요청합니다. 완전 자율 실행보다 human-in-the-loop를 유지하는 설계입니다. 이 차이가 실무 도입률에 영향을 줍니다. 개발자가 개입 지점을 통제할 수 있는 구조가 신뢰를 만들기 때문입니다.
Claude가 외부 도구에 연결되는 방식이 궁금하다면 MCP(Model Context Protocol) 포스트를 참고하세요. 에이전트가 파일 시스템·GitHub·캘린더 같은 도구를 표준화된 방식으로 연결하는 원리를 설명합니다.
기업 업무 자동화 : Microsoft 365 Copilot과 Salesforce Agentforce
Microsoft 365 Copilot은 이메일을 읽고 회의 안건을 정리하며, Outlook 캘린더 제안까지 연결하는 업무 에이전트입니다. Fortune 500 기업의 약 70%가 Copilot을 도입했습니다(Microsoft, 2024년 11월 Ignite 발표).
Salesforce Agentforce는 고객 지원 티켓을 분류하고, 답변 초안을 작성하며, 필요한 경우 사람 상담원에게 에스컬레이션하는 흐름을 자율적으로 처리합니다. 2025년 출시 이후 Salesforce는 이 플랫폼에서 수십억 건의 에이전트 실행이 발생했다고 공개했습니다.
리서치·분석 자동화 : Perplexity Deep Research와 Gemini Deep Research
Perplexity Deep Research와 Google Gemini Deep Research는 복잡한 리서치 질문을 받아 수십 개의 출처를 탐색하고, 정보를 합성해 구조화된 보고서를 생성합니다. 단순 검색이 아니라, 검색→읽기→요약→재검색→종합의 다단계 루프를 자동으로 수행합니다.
블로그 포스트 초안, 경쟁사 분석, 기술 트렌드 요약 같은 작업에서 수 시간이 걸리던 리서치를 10~20분으로 줄이는 효과가 보고되고 있습니다. 다만 출처 검증과 최종 판단은 여전히 사람이 해야 합니다.
10년 실무 관점에서 본 AI 에이전트 체감기
에이전트를 실제로 써본 결과, 반복 작업의 상당 부분은 줄었지만 에이전트가 "막히는 순간"을 감지하고 개입하는 판단력은 여전히 사람 몫입니다.
2024년 사내 에이전트 파이프라인을 직접 운영하면서 몸으로 배운 교훈이 있습니다. max_iterations를 설정하지 않으면 단일 API 엔드포인트가 수천 회 반복 호출되는 비용 사고가 벌어집니다.
처음 에이전트를 도입했을 때의 실수 : 과신의 함정
처음 LangChain ReAct Agent를 사내 데이터 수집 파이프라인에 붙였을 때의 이야기입니다. 외부 API를 호출해 데이터를 가져오는 단순한 작업이었는데, 배포 후 다음 날 아침 로그를 보니 에이전트가 밤새 동일한 API 엔드포인트를 수천 번 호출하고 있었습니다.
원인은 API 인증 토큰 만료였습니다. 토큰이 만료되면 401 오류가 반환되는데, 에이전트는 이를 "일시적인 오류"로 판단해 계속 재시도했습니다. max_iterations 제한을 설정하지 않았고, 토큰 갱신 도구도 제공하지 않았으니 에이전트 입장에서는 "할 수 있는 것을 계속 시도하는" 합리적 행동이었던 겁니다.
그 사건 이후 저는 에이전트 설계에 반드시 세 가지를 넣습니다. 최대 반복 횟수 제한, 오류 유형별 처리 로직, 그리고 이상 동작 알림 트리거입니다.
시간이 절약된 영역 vs 여전히 손이 가는 영역
에이전트가 확실히 효율을 높인 영역이 있습니다. 구조화된 데이터를 수집하고 정리하는 작업, 코드 보일러플레이트 작성, 정해진 형식의 보고서 초안 생성입니다. 반복 패턴이 명확하고 오류 발생 시 손해가 크지 않은 작업들입니다.
반면 여전히 사람 손이 필요한 영역도 분명합니다. 이해관계자의 암묵적 요구사항이 얽힌 의사결정, 새로운 맥락에서의 창의적 판단, 그리고 에이전트 결과물의 최종 검증이 그렇습니다. 에이전트가 자신 있게 내놓은 결과가 미묘하게 틀린 경우, 도메인 지식이 없으면 그 오류를 잡아낼 수 없습니다.
에이전트와 일하는 법 : 프롬프트보다 중요한 "제약 조건 설계"
에이전트를 처음 써보면 자연스럽게 프롬프트를 더 잘 쓰는 데 집중하게 됩니다. 그런데 경험이 쌓이면 결국 프롬프트보다 제약 조건 설계가 훨씬 중요하다는 걸 몸으로 느끼게 됩니다.
에이전트에게 "어디까지 할 수 있는가"가 아니라 "어디까지만 해야 하는가"를 명시하는 겁니다. 파일 쓰기 권한 대신 읽기 권한만 부여하고, 외부 API 호출은 특정 도메인만 허용하며, 반복 횟수 상한선을 정합니다. 이 가드레일이 제대로 설계되면, 에이전트의 실수 범위가 통제 가능한 수준에 머뭅니다.
AI 에이전트의 한계 : 환각·비용·보안 3가지 주의점
에이전트는 환각으로 잘못된 행동을 실행하고, 루프 반복으로 비용이 기하급수적으로 증가하며, 권한 범위 밖 작업을 시도하는 보안 취약점을 동시에 안고 있습니다.
환각이 "말의 오류"에서 "행동의 오류"로 격상되는 이유
챗봇의 환각은 틀린 답변을 생성하는 "말의 오류"입니다. 에이전트의 환각은 그 틀린 판단을 실제 행동으로 실행하는 "행동의 오류"입니다.
예를 들어 에이전트가 "파일 A를 삭제해야 한다"고 잘못 추론하면, 도구를 통해 실제로 파일을 삭제합니다. 챗봇처럼 "네, 삭제됐습니다"라는 텍스트만 내보내는 것이 아닙니다. 행동 오류는 되돌리기 어렵거나 불가능한 경우가 많습니다. 이 때문에 에이전트에서 환각 관리는 챗봇보다 훨씬 중요합니다.
환각 오류를 줄이는 RAG 기술을 에이전트 기억 레이어에 결합하면 사실 기반 행동의 정확도를 높일 수 있습니다.
비용 폭증 : 토큰 루프의 경제학
단순 챗봇 질의는 보통 입력 500토큰, 출력 300토큰 수준입니다. 에이전트가 같은 목표를 처리하면 Thought×10 + Action×10 + Observation×10으로 루프를 돌면서 총 3만~10만 토큰을 소비하는 일이 흔합니다.
| 유형 | 평균 토큰 소비 | Claude Sonnet 3.7 기준 비용 |
|---|---|---|
| 단순 챗봇 질의 | ~800 토큰 | ~$0.002 |
| 단일 에이전트 (단순 작업) | ~30,000 토큰 | ~$0.10 |
| 단일 에이전트 (복잡한 작업) | ~100,000 토큰 | ~$0.40 |
| 멀티 에이전트 (리서치 작업) | ~300,000 토큰 | ~$1.20 |
비용 통제에는 세 가지 방법이 자주 쓰입니다. 루프 반복 상한 설정, 중간 요약으로 컨텍스트 압축, 그리고 고비용 모델과 저비용 모델의 역할 분리입니다. 세 가지 모두 설계 단계에서 미리 결정해야 효과가 있습니다.
프롬프트 인젝션 : OWASP LLM Top 10(2025) 1위 위협
OWASP(Open Web Application Security Project)는 2025년 LLM 보안 위협 Top 10을 발표했으며, 프롬프트 인젝션이 1위를 차지했습니다(OWASP LLM Top 10, 2025). 에이전트가 웹 페이지를 크롤링하거나 외부 파일을 읽을 때, 그 데이터 안에 악성 지시가 숨겨져 있으면 에이전트가 공격자의 명령을 따를 수 있습니다.
- 입력 샌드박싱: 외부에서 가져온 데이터를 지시가 아닌 "데이터"로만 처리하도록 구분합니다.
- 최소 권한 원칙: 에이전트에게 작업에 꼭 필요한 도구 권한만 부여합니다.
- Human-in-the-loop: 민감한 행동(파일 삭제, 외부 전송) 실행 전 사람 승인 단계를 삽입합니다.
- 출력 검증: 에이전트의 최종 행동 계획을 별도 안전성 검토 레이어로 필터링합니다.
AI 에이전트 시대에 실제로 키워야 할 역량
에이전트가 실행을 맡는 시대에는 "무엇을 시킬지 설계하는 능력"과 "결과를 검증하는 비판적 판단력"이 핵심 역량이 됩니다.
프롬프트 엔지니어링을 넘어선 "에이전트 설계 사고"
프롬프트를 잘 쓰는 능력은 여전히 중요합니다. 하지만 에이전트 시대에 더 가치 있는 역량은 시스템 설계 능력입니다.
구체적으로는 세 단계입니다. 목표를 에이전트가 처리할 수 있는 하위 작업으로 쪼개고, 각 하위 작업에 필요한 도구를 선택해 연결 방식을 설계합니다. 마지막으로 에이전트가 넘어서면 안 되는 경계를 가드레일로 명시합니다. 이 흐름을 체계적으로 밟을 수 있는 사람이 에이전트를 제대로 씁니다.
도메인 지식이 에이전트의 오류를 잡는다
세계경제포럼(WEF)은 2025년 Future of Jobs 보고서에서, AI 자동화가 확대되는 환경에서 "비판적 사고·복잡한 문제 해결·창의성" 역량의 수요가 2030년까지 급격히 증가할 것으로 전망했습니다(WEF Future of Jobs Report, 2025).
에이전트가 내놓은 결과물이 맞는지 판단하려면 해당 분야 지식이 있어야 합니다. AI가 의료 데이터를 분석해도, 임상적 의미를 읽어낼 수 없다면 그 결과를 활용할 수 없죠. 법률 문서도 마찬가지입니다. 에이전트가 쓴 계약서의 오류를 법률 지식 없이 잡아내기는 어렵습니다. 결국 도메인 전문성이 에이전트 활용의 천장을 결정합니다.
협업 패턴 : 인간 개입 지점(human-in-the-loop) 설정
에이전트를 완전 자율 실행으로 배포하는 경우는 생각보다 드뭅니다. 실무에서 자주 쓰이는 세 가지 human-in-the-loop 패턴이 있습니다.
승인 기반 실행은 에이전트가 계획을 먼저 제시하고, 사람이 승인해야 비로소 실행하는 방식입니다. GitHub Copilot Workspace가 대표적입니다.
감독 기반 실행은 작업 중간에 불확실성이 높은 분기 지점에서 에이전트가 사람에게 확인을 요청합니다. 자율도를 조금 더 높인 구조입니다.
사후 검증은 에이전트가 작업을 모두 마친 뒤 사람이 결과를 보고 롤백 여부를 결정합니다. 비용이 낮거나 되돌리기 쉬운 작업에 어울립니다.
지금 당장 시작할 수 있는 3가지 실천 경로
- 에이전트 직접 써보기: ChatGPT Operator, Claude.ai의 에이전트 기능, 또는 Perplexity Deep Research로 실제 리서치 작업을 맡겨보세요. 에이전트가 "막히는 지점"을 직접 관찰하는 것이 가장 빠른 학습입니다.
- LangChain 또는 Claude Agent SDK 튜토리얼 완주: Python 기초가 있다면 공식 튜토리얼로 간단한 에이전트를 직접 만들어보세요. DeepLearning.AI의 무료 강의 "AI Agents in LangGraph"가 출발점으로 좋습니다.
- 도메인 지식을 유지하기: 에이전트를 쓸 분야의 전문성을 계속 갈고 닦으세요. AI가 실행을 맡는 시대일수록, 결과를 판단하는 사람의 전문성이 더 중요해집니다.
AI 에이전트 자주 묻는 질문
정리
AI 에이전트는 "더 똑똑한 챗봇"이 아닙니다. 관찰·추론·행동을 반복하며 목표를 달성하는 자율 시스템입니다. ReAct 패턴이 그 작동 원리를 설명하고, 4가지 구성 요소(지각·기억·계획·행동)가 에이전트를 에이전트로 만듭니다.
현재 기술 수준에서 에이전트는 강력하지만 완벽하지 않습니다. 환각이 행동 오류로 이어지고, 루프 반복으로 비용이 급증하며, 프롬프트 인젝션 같은 보안 위협도 실재합니다. 이 한계를 알고 가드레일을 설계하는 사람이 에이전트를 제대로 씁니다.
에이전트가 실행을 맡는 시대일수록 "무엇을 시킬지 설계하는 능력"이 중요해집니다. 에이전트를 잘 쓰는 사람은 프롬프트를 잘 쓰는 사람이 아니라, 목표를 잘 분해하고 제약 조건을 잘 설계하는 사람입니다.
참고 자료
- Yao, S. et al. — ReAct: Synergizing Reasoning and Acting in Language Models, Princeton University & Google Research (arXiv:2210.03629, 2022)
- Wang, L. et al. — A Survey on Large Language Model based Autonomous Agents (arXiv:2308.11432, 2023)
- OWASP — OWASP Top 10 for Large Language Model Applications (2025)
- World Economic Forum — The Future of Jobs Report 2025
- Anthropic — Claude Agent SDK 공식 문서 (2025)
- Anthropic — Multi-Agent Research System Report (2025)
- Microsoft — Work Trend Index 2025
- Cognition AI — Devin SWE-bench Technical Report (2024)
'AI > AI 활용법' 카테고리의 다른 글
| 게이밍부터 멀티 AI 사용 환경까지 미니PC 추천: 노트북과의 비교 분석 (0) | 2026.04.27 |
|---|---|
| 멀티 에이전트(Multi-Agent)란 무엇인가 : AI 팀이 협력해 일하는 방법 (0) | 2026.04.23 |
| MCP(Model Context Protocol)란 무엇인가 : AI 에이전트가 도구를 연결하는 표준 (1) | 2026.04.22 |
| RAG란 무엇인가? ChatGPT가 헛소리를 줄이는 핵심 기술 (0) | 2026.04.21 |
| ChatGPT는 어떻게 말을 만들까? LLM 작동 원리를 컴공 출신이 쉽게 설명합니다 (1) | 2026.04.17 |
