에이전트형 AI는 모델, 도구, 제어 루프를 결합해 여러 단계로 목표를 수행합니다. 결과를 확인하고 다음 행동을 선택할 수 있지만, 신뢰성은 구현과 권한, 검증 절차에 달려 있습니다.
자율 AI 에이전트는 실행 중 외부 도구를 호출해 역량을 확장합니다. 웹 검색, 코드 인터프리터, 파일 읽기·쓰기, 캘린더 접근, 외부 서비스 API 호출 등이 일반적입니다. 모델이 도구의 사용 시점과 전달 내용을 결정하고 결과를 다음 추론 단계에 반영합니다.
각 도구 호출이나 행동 후 시스템은 결과를 관찰하고 조정합니다. 웹 검색 결과가 부족하면 다른 검색어를 시도하고, 생성한 코드에 오류가 나면 메시지를 읽어 수정합니다. 행동, 관찰, 수정의 순환 덕분에 단계마다 사람의 안내 없이 복잡한 작업을 완료할 수 있습니다.
사용자는 “지난달의 모든 고객 불만을 요약해 줘”, “목요일 전 베를린행 최저가 항공편을 예약해 줘”, “이 계약들 중 비표준 책임 조항이 있는 것을 찾아 줘”처럼 상위 목표를 제공합니다. 시스템은 목표만 입력받고 수행법은 지시받지 않습니다.
시스템의 핵심 언어 모델이 계획을 만듭니다. 필요한 단계와 사용 가능한 도구, 진행 순서를 추론합니다. Yao 등이 2022년 소개한 ReAct 패턴은 추론 과정과 구체적 행동을 번갈아 수행하는 대표적인 프레임워크입니다. 모델은 할 일을 생각하고 실행하며 결과를 관찰한 뒤 다음 행동을 추론하는 과정을 반복합니다.
계획은 고정되지 않습니다. 초기 단계에서 예상 밖의 결과가 나오면 정해진 스크립트를 따르지 않고 접근법을 수정합니다.
실행하려면 모델 내부 지식을 넘어야 합니다. 최신 정보를 얻는 웹 검색, 계산을 실행하는 코드 인터프리터, 구조화된 기록을 가져오는 데이터베이스 질의, 외부 시스템에서 행동하는 API 호출 등을 사용합니다. 현재 단계의 필요에 따라 모델이 각 도구를 선택합니다.
각 도구의 출력은 다음 추론 단계의 입력이 됩니다. 모델은 반환 내용을 읽고 계속할지, 반복할지, 방향을 바꿀지 결정합니다.
파일 쓰기가 실패하면 오류를 읽고, 검색 결과가 무관하면 질의를 바꾸며, 코드 출력이 틀리면 디버깅합니다. 목표를 달성하거나 막혔다고 판단할 때까지 반복합니다.