AI 에이전트에는 다양한 유형이 있습니다. 어떤 에이전트는 현재 입력에만 반응합니다. 다른 에이전트는 맥락을 기억하거나, 선택지를 비교하거나, 피드백으로부터 학습하거나, 다른 에이전트와 협업합니다. 적절한 유형을 선택하면 워크플로우에 맞는 에이전트를 고를 수 있습니다. 이 가이드는 AI 에이전트의 주요 유형을 설명하고, Kimi AI Agent를 예로 들어 AI 에이전트의 강력한 기능을 보여줍니다.
실무에서 AI 에이전트 유형이 중요한 이유
예측에서 실행으로
기존 AI 시스템은 대개 분석이나 다음 최선의 행동을 추천하는 데서 멈춥니다. AI 에이전트는 여기서 한 걸음 더 나아갑니다. 현재 상황을 인지하고, 행동을 선택하고, 작업이 끝나거나 시스템이 중단 조건에 도달할 때까지 필요에 따라 도구를 사용합니다.
이러한 변화로 인해 설계 선택이 더욱 중요해지는데, 작업 유형에 따라 필요한 워크플로우가 다르기 때문입니다. AI 에이전트의 다양한 유형을 이해하면 팀이 단순한 워크플로우는 과도하게, 복잡한 워크플로우는 부족하게 설계하는 것을 피할 수 있습니다.
에이전트 유형이 설계 결정에 미치는 영향
에이전트 유형은 거의 모든 구현 결정에 영향을 미칩니다. 에이전트가 어떤 정보를 저장하는지, 행동 전에 계획을 세우는지, 불확실성을 어떻게 처리하는지, 여러 수용 가능한 결과 중 어떻게 선택하는지, 그리고 피드백을 통해 개선되는지 등이 그렇습니다. 이는 거버넌스에도 영향을 미칩니다. 단순 반사 에이전트는 규칙을 통해 감사할 수 있지만, 학습 또는 다중 에이전트 시스템은 더 강력한 평가, 로깅, 안전장치가 필요합니다.
AI 에이전트의 다양한 유형
인공지능에는 단순 반사 에이전트, 모델 기반 반사 에이전트, 목표 기반 에이전트, 효용 기반 에이전트, 학습 에이전트라는 5가지 고전적인 지능형 에이전트 유형이 있습니다. 다중 에이전트 시스템은 여러 에이전트 유형을 하나의 조율된 워크플로우로 결합할 수 있기 때문에 더 넓은 오케스트레이션 패턴으로 다뤄지는 경우가 많습니다. 아래 6가지 범주는 가장 단순한 의사결정 로직에서 가장 협업적이고 적응적인 설계로 이어집니다.
| 유형 | 메모리 | 사전 계획 | 학습 | 적합한 상황 |
|---|---|---|---|---|
| 단순 반사 | 아니요 | 아니요 | 아니요 | 규칙 기반의 단순 작업 |
| 모델 기반 반응형 | 예(상태) | 아니요 | 아니요 | 부분 관찰 가능 작업 |
| 목표 기반 | 예 | 예 | 경우에 따라 다름 | 목표가 명확한 워크플로 |
| 효용 기반 | 예 | 예 | 경우에 따라 다름 | 트레이드오프가 큰 의사결정 |
| 학습형 | 예 | 다양함 | 예 | 피드백이 풍부하고 변화하는 작업 |
| 멀티 에이전트 | 에이전트별로 다름 | 에이전트별로 다름 | 다양함 | 병렬적이고 전문화된 작업 |
1. 단순 반응형 에이전트
단순 반응형 에이전트는 가장 기본적인 형태의 AI 에이전트입니다. 환경의 현재 상태를 관찰하고, 미리 정의된 조건-행동 규칙을 적용해 행동을 선택합니다. 과거의 지각이나 미래의 결과를 고려하지 않고 현재의 지각에 즉시 반응하는 것이 이 에이전트가 할 수 있는 일입니다.
이 설계는 환경을 완전히 파악할 수 있고 올바른 대응이 명확한 경우에 잘 작동합니다. 빠르고 예측 가능하며 검증하기 쉽지만, 맥락이 중요한 상황에서는 한계를 드러냅니다. 입력이 불완전하거나 규칙이 새로운 상황을 다루지 못하면, 에이전트에는 이를 극복할 더 깊은 추론 계층이 없습니다.
주요 특징
규칙 기반 동작: 에이전트는 현재 입력을 미리 정의된 동작에 매핑합니다.
메모리 없음: 이전 상태가 다음 결정에 영향을 미치지 않습니다.
높은 예측 가능성: 규칙과 입력이 알려져 있으면 동작을 쉽게 테스트할 수 있습니다.
낮은 유연성: 에이전트는 모호함, 불완전한 정보, 변화하는 조건에 어려움을 겪습니다.
예시
키워드가 나타나면 메시지를 전달하는 규칙 기반 이메일 필터.
고정된 의도에 대해 정해진 답변을 반환하는 기본적인 웹사이트 챗봇.
2. 모델 기반 반사 에이전트
모델 기반 반사 에이전트는 환경에 대한 내부 모델을 유지함으로써 단순 반사 에이전트를 개선합니다. 관련 상태를 추적하고, 이 모델을 사용해 현재 입력의 의미를 해석합니다.
이는 에이전트가 모든 것을 한 번에 볼 수 없는 상황에서 유용합니다. 예를 들어 창고를 이동하는 로봇은 장애물이 나타난 위치, 이미 이동한 경로, 환경이 변화하는 경향을 기억해야 합니다. 에이전트는 여전히 조건-행동 규칙을 사용할 수 있지만, 이 규칙들은 더 풍부한 세계관을 바탕으로 작동합니다.
주요 특징
내부 상태: 에이전트는 환경에 대한 정보를 저장합니다.
향상된 맥락 처리: 과거의 관찰이 현재 입력을 해석하는 데 도움이 됩니다.
부분적 가시성에서 유용: 모든 정보를 즉시 확인할 수 없는 상황에서도 에이전트가 동작할 수 있습니다.
여전히 제한적: 여러 가능한 미래에 대해 깊이 계획하거나 최적화하지 못할 수 있습니다.
예시
재고 상태를 추적한 뒤 재입고를 실행하는 공급망 모니터.
동일한 티켓 내 이전 메시지를 기억하는 고객 지원 분류 에이전트.
교통 상황이 바뀌면 경로 모델을 업데이트하는 내비게이션 시스템.
3. 목표 기반 에이전트
목표 기반 에이전트는 어떤 동작이 시스템을 정해진 목표에 더 가깝게 만드는지 판단하여 행동을 선택합니다. 단순히 반응하는 대신, 목표를 달성할 수 있는 일련의 행동을 탐색하거나 계획합니다. 또한 에이전트는 가능한 다음 단계를 평가하고, 계획을 선택하고, 그 일부를 실행하고, 진행 상황을 관찰하며, 환경이 바뀌면 조정할 수 있습니다. 이는 반사 기반 설계보다 에이전트를 더 주도적으로 만듭니다.
주요 특징
명시적 목표: 에이전트는 목표 상태나 작업 결과와 관련하여 행동합니다.
계획: 행동에 나서기 전에 여러 행동 순서를 비교할 수 있습니다.
진행 상황 추적: 에이전트는 목표를 향해 나아가고 있는지 확인할 수 있습니다.
더 많은 연산과 제어가 필요: 계획을 세우는 데 시간이 더 걸릴 수 있으며 명확한 중단 조건이 필요합니다.
예시
출처를 수집하고 근거를 추출해 보고서를 작성하는 리서치 에이전트.
요청을 여러 작업으로 나눈 뒤 순서대로 실행하는 프로젝트 자동화 에이전트.
수정 계획을 세우고 테스트를 실행하며 목표 동작이 될 때까지 반복 개선하는 코딩 에이전트.
4. 효용 기반 에이전트
효용 기반 에이전트는 단순히 목표를 완수하는 것을 넘어, 가능한 결과들에 점수를 매기고 기대값이 가장 높은 행동을 선택합니다. 이는 허용 가능한 답이 여러 개 있거나, 제약 조건이 서로 충돌하거나, 속도·비용·정확도·사용자 선호·위험 사이에 트레이드오프가 존재할 때 중요해집니다.
예를 들어, 목표 기반 여행 에이전트는 한 도시에서 다른 도시로 가는 경로만 찾을 수 있습니다. 반면 효용 기반 여행 에이전트는 가격, 이동 시간, 환승 위험, 수하물 규정, 선호 항공사를 기준으로 경로를 비교할 수 있습니다. 이 에이전트는 목표를 달성할 수 있는지만 묻는 것이 아니라, 선택한 기준에서 어떤 옵션이 가장 나은지 묻습니다.
주요 특징
효용 함수: 에이전트가 가능한 결과들에 값을 부여합니다.
트레이드오프 관리: 서로 충돌하는 목표와 제약 조건 사이에서 균형을 맞춥니다.
더 나은 의사 결정 품질: 여러 유효한 해결책 중에서 선택할 수 있습니다.
더 어려운 설계: 효용 함수가 실제 사용자와 비즈니스의 우선순위를 반영해야 합니다.
예시
수익률, 변동성, 유동성 제약 사이에서 균형을 맞추는 포트폴리오 어시스턴트.
배송 시간, 연료비, 신뢰성을 기준으로 경로를 선택하는 물류 계획 에이전트.
감정, 긴급도, 계정 가치를 기준으로 에스컬레이션 우선순위를 정하는 고객 서비스 에이전트.
5. 학습 에이전트
학습 에이전트는 경험에서 얻은 피드백을 활용해 시간이 지남에 따라 행동을 개선합니다. 정책을 조정하거나, 모델을 다듬거나, 선호도를 업데이트하거나, 무엇이 효과적이었고 무엇이 실패했는지 관찰한 뒤 성능을 향상시킬 수 있습니다. 학습은 지도 학습 데이터, 강화 학습 신호, 사람의 피드백, 평가 결과, 사용 패턴 등에서 얻을 수 있습니다.
주요 특징
피드백 루프: 에이전트가 성능을 측정하고 그 결과를 개선에 활용합니다.
적응력: 고정된 규칙 집합보다 새로운 패턴을 더 잘 처리할 수 있습니다.
평가 의존성: 제대로 된 학습을 위해서는 명확한 품질 신호가 필요합니다.
거버넌스 필요성: 팀은 드리프트, 의도하지 않은 동작, 데이터 품질을 모니터링해야 합니다.
예시
클릭, 구매, 명시적 평점을 통해 학습하는 추천 에이전트.
공격자의 행동 변화에 맞춰 적응하는 부정 거래 탐지 에이전트.
학습자의 실수에 맞춰 설명 방식을 조정하는 튜터링 에이전트.
6. 멀티 에이전트 시스템
멀티 에이전트 시스템은 함께 작동하거나 경쟁하거나 작업을 위임하거나 전문화된 역할을 수행하는 여러 에이전트를 사용합니다. 각 에이전트는 역할, 도구 세트, 메모리 범위, 목표를 가질 수 있습니다. 코디네이터가 작업을 배정하고 결과를 종합할 수도 있고, 아키텍처에 따라 에이전트들이 더 직접적으로 상호작용할 수도 있습니다.
멀티 에이전트 시스템은 단일 에이전트로는 처리 속도가 너무 느리거나 중요한 관점을 놓칠 가능성이 높은 경우에 유용합니다. 이러한 시스템은 연구 작업을 병렬화하거나, 대규모 문서 집합을 분할하거나, 전문가 검토를 모사하거나, 결과를 결합하기 전에 별도의 작업 흐름을 실행할 수 있습니다. 여기서 설계상의 과제는 조정입니다. 시스템은 작업을 배정하고, 중복을 방지하고, 의견 불일치를 조율하고, 일관된 최종 결과물을 만들어내는 방법이 필요합니다.
주요 특징
전문화: 서로 다른 에이전트가 서로 다른 하위 작업, 도구, 관점에 집중할 수 있습니다.
병렬 실행: 작업을 분산시켜 처리 시간을 줄일 수 있습니다.
조정 계층: 시스템에는 작업 배정, 종속성 추적, 결과 종합 기능이 필요합니다.
높은 복잡성: 평가와 거버넌스는 개별 에이전트뿐 아니라 최종 결합 결과까지 다뤄야 합니다.
예시
서로 다른 출처 범주에 서로 다른 하위 에이전트를 배정하는 리서치 스웜.
한 에이전트는 코드를 편집하고, 한 에이전트는 테스트를 작성하고, 한 에이전트는 보안 위험을 검토하는 에이전트 소프트웨어 팀.
경쟁사, 고객, 가격, 규제에 대해 각각 별도의 에이전트를 두는 시장 분석 시스템.
리서처, 개요 작성, 작가, 편집자, 사실 확인 에이전트가 협업하는 콘텐츠 제작 워크플로.
Kimi AI Agent, 여러 에이전트 유형을 결합하다
Kimi는 Moonshot AI가 개발한 AI 어시스턴트입니다. Kimi는 웹 검색, 심층 사고, 멀티모달 추론, 롱 컨텍스트 대화, 에이전트 방식의 작업 실행을 지원합니다. Kimi는 종합적인 에이전트 플랫폼으로 이해하는 것이 가장 적절합니다. 사용자가 목표를 제시하면 Kimi가 연구, 콘텐츠 제작, 문서, 슬라이드, 스프레드시트, 웹사이트 및 관련 워크플로 전반에서 계획을 세우고 작업을 수행합니다.
주요 기능
자율적 작업 계획: Kimi AI Agent는 광범위한 요청을 일련의 단계로 전환한 뒤, 요청된 결과물을 향해 작업을 진행할 수 있습니다.
실시간 웹 검색: 작업이 최신 사실, 출처, 시장 상황에 의존할 때 Kimi는 웹 검색을 통해 현재 정보를 가져올 수 있습니다.
심층 연구 워크플로: 연구 비중이 큰 작업의 경우, Kimi는 정보를 수집하고 비교하고 종합하여 더 풍부한 보고서와 다양한 형식의 결과물을 만들어낼 수 있습니다.
문서, 슬라이드, 시트, 웹사이트 제작: Kimi에는 문서, 슬라이드, 시트, 웹사이트를 위한 작업별 전용 화면이 포함되어 있어, 에이전트 작업의 결과가 단순한 텍스트가 아니라 실제로 사용 가능한 산출물로 마무리될 수 있습니다.
파일 처리: Kimi 고객센터에 따르면 Kimi는 PDF, Word, Excel, PPT, 이미지, TXT, 동영상 등 일반적인 파일 형식을 지원하며, 파일 크기와 파일 개수에 대한 제한이 문서화되어 있습니다.
멀티모달 추론: 워크플로에 시각적 또는 문서 이해가 필요한 경우, Kimi는 텍스트, 이미지, 차트, 문서 및 기타 업로드된 자료를 아울러 추론할 수 있습니다.
Agent Swarm 오케스트레이션: 범위가 넓거나 병렬화가 가능한 작업의 경우, K2.6 Agent Swarm [베타]가 여러 하위 에이전트를 조정하여 작업의 여러 부분을 동시에 진행시킬 수 있습니다.
여러 AI 에이전트 유형 중에서 고민하는 사용자를 위한 실용적인 결론은 단순합니다. 좁은 범위의 자동화에는 반사형 설계를, 계획과 트레이드오프가 필요한 워크플로에는 목표 기반 또는 유틸리티 기반 설계를, 전문화와 병렬 작업의 이점이 있을 만큼 작업 범위가 넓을 때는 멀티 에이전트 설계를 사용하는 것입니다. Kimi AI Agent는 이러한 개념들을 사용자를 위한 워크스페이스로 구현하여, 단순히 답변하는 것이 아니라 실제 작업을 완수하는 것을 목표로 합니다.
적합한 AI 에이전트 유형을 선택하는 방법
기술 명칭이 아니라 작업 환경에서 시작하세요. 작업 범위가 좁고, 규칙이 안정적이며, 잘못된 행동의 비용이 낮을 때는 단순 반사형 에이전트를 사용하세요. 상태나 메모리가 필요할 때는 모델 기반 에이전트를, 명확한 목표가 있을 때는 목표 기반 에이전트를, 경쟁하는 우선순위를 조율해야 할 때는 유틸리티 기반 에이전트를 선택하세요.
성능이 피드백에 따라 개선되어야 하고 신뢰할 수 있는 품질 지표를 정의할 수 있는 경우에는 학습 에이전트를 사용하세요. 워크플로가 자연스럽게 병렬 작업, 전문가 역할, 독립적인 관점으로 나뉘는 경우에는 멀티 에이전트 시스템을 사용하세요. 이러한 기능들이 모두 필요하다면, 하나의 에이전트 유형에 모든 것을 억지로 맡기는 대신 의도적으로 결합해서 사용하세요.
결론
AI 에이전트의 주요 유형들은 서로 다른 수준의 맥락, 자율성, 적응력을 나타냅니다. 워크플로 자동화에서 가장 좋은 에이전트가 항상 가장 복잡한 에이전트는 아닙니다. 작업의 불확실성, 위험, 원하는 결과에 부합하는 에이전트가 가장 좋은 에이전트입니다. Kimi AI Agent와 같은 도구들은 이러한 개념들이 어떻게 일상적인 워크플로 인터페이스로 자리 잡고 있는지 보여줍니다. 사용자가 목표를 설명하면 에이전트가 그것을 연구, 파일, 웹사이트, 슬라이드, 스프레드시트, 코드 및 기타 완성된 작업물로 바꾸는 데 도움을 줍니다.