IT 기술 따라잡기

오늘은 AI Agent가 무엇인지 아주 쉽고 간단하게 설명해 주는 비디오가 있어서 소개해 드리려고 합니다.

ToolFlow AI 의 CEO인 Alfie Marsh 가 AI Agent 가 AI 와는 어떻게 다른지 그리고 어디에 어떻게 활용할 수 있는지 쉽고 자세하고 설명해 드립니다.

이 자료는 AI Camp 에서 진행 한 5 Day Challenge for Agentic AI 라는 Study Group 에서 AI Agent를 이해할 수 있는 자료로 추천된 영상입니다.

제가 이 영상을 좀 더 이해하기 쉽도록 한국어로 자막을 달았습니다.

https://youtu.be/40fB4UGJZM4?si=ArOgh2LiW8wIQR88

원본은 아래로 가시면 보실 수 있습니다.

https://youtu.be/hLJTcVHW8_I?si=SpUlPyfRa3edXtFh

작년에 제가 올린 IBM 에서 제작한 AI Agent에 대해 설명한 이 영상도 보시면 AI Agent를 이해하는데 더 도움이 되실 겁니다.

https://youtu.be/F8NKVhkZZWI?si=-dMYAf2-B_hcRUXe

그리고 이 AI Agent를 좀 더 잘 활용하기 위한 아이디어와 실험 결과 등을 이야기 하는 Andrew Ng 교수의 Agentic Workflow 관련 영상을 보시면 훨씬 이해의 폭이 넓어 지실 겁니다.

https://youtu.be/8b7CLBCS3pg?si=DNuvGrdvfctkuOpV

오늘은 Hierarchical Agent Architecture 마지막 시간 입니다.

지금까지 만들어 놓은 도구들과 Agent들, 함수들 그리고 LangGraph 에서 제공하는 모듈들로 레고 블럭 처럼 조립해서 만듭니다.

먼저 Document Team 을 만들고 지난 시간에 만들었던 Researching Team 과 합쳐서 더 큰 Supervisor Architecture 를 손쉽게 만듭니다.

전문성을 갖춘 Agent Team 을 많이 만들어 놓으면 각 프로젝트의 목적에 맞게 적당한 Agent Team 들을 Import 해서 프로젝트를 수행하도록 할 수도 있습니다.

1인 기업도 가능하시만 제 생각에는 현재 기업을 구성하고 있는 각 팀에서 일하는 사람들을 Support 하는 역할이 더 먼저 진행될 거라고 생각합니다.

그러면 팀의 인원을 많이 줄일 수 있을 겁니다.

인간의 역할은 Agent 팀이 일하는 과정과 결과를 감독하고 Confirm 하는 일이 주된 일이 되지 않을까 싶습니다.

오늘 영상 보시고 각자 AI 시대 일하는 환경 변화를 고민해 보시는 것도 좋을 것 같습니다.

https://youtu.be/9sH2HWVTZkg?si=5wINQ3iKwaIX1A9B

오늘은 Research Team 을 완료 합니다.

지금까지 만든 Tool들과 함수들 그리고 LangGraph 에서 제공하는 모듈들을 사용해서 레고 블럭처럼 간단하게 Agent들을 만들고 Supervisor Architecture 로 구성된 Team 을 만들 수 있습니다.

Sub Supervisor Architecture 도 하나의 완성된 Supervisor Architecture 입니다.

그렇기 때문에 이 Sub Supervisor Architecture 인 Research Team 도 독립적으로 User 를 응대 할 수 있습니다.

미래의 구직은 사람이 하지 않을 겁니다.

내가 특정 Task 에 경쟁력 있는 AI Agent를 만들고 그 Agent를 취직 시키면 앉아서 돈을 버는 시대가 올겁니다.

이번 비디오에서 그 가능성을 확인해 보세요.

https://youtu.be/TC18Iqvaf8s?si=ELasdsPRho3NJ28b

자 이제 Agent 생성하기 위한 마지막 준비 단계입니다.

Hierarchical Architecture  는 Supervisor Architecture 를 여러개 모아 놓은 구조 입니다.

즉 Supervisor Architecture 를 여러개 만들어야 한다는 겁니다.

Factory Design Pattern을 사용해서 쉽게 Supervisor Architecture를 구현하도록 하는 함수를 만듭니다.

그러면 나중에 다른 팀을 추가하는 작업도 간편하게 할 수 있습니다.

코드의 유지 보수도 쉽게 해 주고 확장성도 높여 줍니다.

오늘은 이 Factory Design Pattern을 사용해서 Supervisor Architecture를 쉽게 생성하도록 만드는 함수를 공부해 보겠습니다.

그리고 Python 3.11 이상에서만 지원되는 * unpacking 을 3.10 이하 버전에서 unpacking 할 인자들이 가변적일 때 어떻게 처리해야 하는지도 살펴 봅니다.

https://youtu.be/Ft8lK2G5IFs?si=UnmG7BsBrR-aMkqI

오늘은 Agent들이 사용할 Tool들을 구현하는 마지막 시간입니다.

Document Authoring Team 이 사용할 Tool을 구현합니다.

문서 작업팀이니까 파일을 읽고 쓰고 수정하는 도구들을 만듭니다.

그리고 Chart Generator Agent를 위해 Python 코드를 실행할 도구도 만듭니다.

전체 그림을 그리고 처음 하는 일이 이런 Tool들을 구현하는 작업입니다.

그 다음은 특정 Agent와 필요한 Tool들을 짝지어서 Agent Node를 만드는 일입니다.

그리고 나서 Agent들을 Grouping 해서 Team을 구성합니다. 

이 때 Supervisor Architecture가 사용 됩니다.

이 팀들을 관리하는 Supervisor 를 구현하는 것이 그 다음 단계입니다.

이것도 Supervisor Architecture 입니다.

이렇게 Supervisor Architecture를 Multiple 하게 사용하는 곳아  Hierarchical Architecture 입니다.

오늘 가장 기본이 되는 Tool들을 구현하는 작업을 끝마치고 다음 시간부터 Agent들을 구현하겠습니다.

https://youtu.be/JTdh8pNY1PE?si=wrESnWDNexO2B7lz

오늘은 LangGraph의 Hierarchical Agent Teams Architecture 두번째 시간입니다.

지난 시간에 이 Tutorial 에서 제공되는 소스코드의 Agent Architecture 전체 그림을 분석했습니다.

필요한 Team과 각 팀마다 필요한 Agent들을 정했구요.

일을 시키려면 그 일에 맞는 적당한 도구를 주어 줘야 합니다.

오늘은 각 Agent의 역할에 맞는 도구를 구현하는 방법을 배워 보겠습니다.

먼저 Research Team 에 있는 Searcher Agent와 Web Scraper Agent 에게 각각 어떤 Tool들을 제공할지 그리고 그 Tool들은 어떻게 구현하는지 자세히 공부하겠습니다.

https://youtu.be/I4SID3VPUi0?si=QcmZvwe7mFa990_J

오늘은 LangGraph의 Hierarchical Agent Teams Architecture 첫 시간입니다.

이 Tutorial 에서 다룰 소스코드의 전체 그림을 살펴 봅니다.

그리고 지금까지 공부한 것을 토대로 Agent Architecture를 구성하기 위한 절차들에 대해서도 정리 합니다.

오늘 디자인한 것을 토대로 다음 시간 부터는 코딩에 들어갑니다.

코딩을 시작하기 전 어떤 것들을 어떻게 설계해야 하는지 잘 배워 봅시다.

https://youtu.be/J5zl376A9qo?si=bTHY5JEkOCXVM5XF

오늘은 AI Agentic Workflow 가 아직 실제 Business 에서 활발하게 활용되지 못하는 이유를 분석해 붑니다.

현재 하드웨어와 소프트웨어 적인 한계가 분명히 있습니다.

그 한계들은 무엇들인지 하나 하나 분석해 보겠습니다.

그리고 그것들은 언제 어떻게 극복될 수 있을지 알아보겠습니다.

이 기술이 실제 Business 에서 필요로 하는 때를 대비해서 나는 어떤 기술들을 배워야 할지에 대해서도 제가 생각하는 부분을 공유해 드리겠습니다.

저는 이런 분석과 전망을 가지고 이 AI Multi-Agentic Workflow 를 적용하는 기술들을 배우고 있습니다.

여러분들의 생각은 어떤지요?

같이 고민해 보면 좋겠습니다.

https://youtu.be/hRPariJe350?si=bKBu72eipPnwXXEI

오늘은 AI Multi-Agent 의 Supervisor Architecture 에 대해 공부 합니다.

Network Architecture는 Agent 들 끼리 직접 Communication 하는 반면에 Supervisor Architecture 의 Agent 들은 작업 결과를 Supervisor Agent 에게 보고 합니다.

Supervisor Agent 는 인간의 질문과 다른 Agent 들의 작업 결과를 받으면 그 다음 일을 어느 Agent 에게 시킬지 아니면 모든 일을 종료 하고 결과를 사용자에게  전달할지 여부를 판단하게 됩니다.

이 예제에는 두 개의 질문 예제가 있는데 간단한 질문에는 답을 하지만 조금 복잡한 질문은 처리하다가 Recursion Error 가 발생합니다.

이 부분이 현재 AI Multi Agent 어플리케이션이 퍼져 나가지 못하는 한계를 잘 보여 줍니다.

그 이유를 자세히 설명 드립니다.

놓치지 마시고 꼭 보세요.

그리고 그 해결 방법을 같이 고민해 보자구요.

https://youtu.be/fyh7nZEPpys?si=BQ9BQkdfQJT0WFaC

오늘은 LangGraph Quick Start Tutorial 마지막 단원인 Part 7 : Time Travel 입니다.

이름에서 알 수 있듯이 과거로 돌아가서 당시 State를 바꾸는 겁니다. 

그러면 현재의 결과 값을 바꿀 수 있습니다.

바로 State 의 History 가 Checkpoint 단위로 Step 별로 다 관리가 되고 있기 때문에 가능한 겁니다.

이 기능을 사용하면 Agent 의 Process 중 오류가 발생하거나 아니면 디버깅을 하거나 혹은 다른 Business Requirements 중에 이 기능이 필요한 경우 적용해서 보다 고객의 요구 조건을 풍부하게 충족 시켜 주는 어플리케이션을 개발 할 수 있을 겁니다.

https://youtu.be/JgR5BJ7CLEw