한 줄 정의
AI Agent는 모델이 한 번 답하고 끝나는 게 아니라, 목표를 받고 다음 행동을 정하고 도구를 쓰면서 일을 계속 이어 가게 만드는 구조야. 쉽게 말해 “대답하는 AI”보다 “작업을 진행하는 AI”에 가까워.
중요한 건 에이전트가 새 모델 이름이 아니라는 점이야. 같은 LLM이라도 검색, 파일 읽기, 코드 실행, 메모리 저장, 재시도 같은 층을 얹으면 에이전트처럼 동작할 수 있어.
어떻게 작동하나
예를 들어 “경쟁사 가격을 찾아 표로 정리해 줘”라고 시키면, 에이전트는 검색을 하고 페이지를 읽고 필요한 정보만 뽑고 형식을 맞춰 결과를 내놓을 수 있어. 여기서는 답변 한 줄보다 중간 행동들이 더 중요해.
그래서 에이전트 문맥에서는 계획, 상태 관리, 도구 호출, 실패했을 때 다시 시도하는 흐름이 같이 붙어 다녀. 단순 챗봇이 질문에 문장으로 답하는 구조라면, 에이전트는 작업 단계를 연결하는 실행기 쪽에 더 가까워.
왜 중요한가
이 개념을 알아야 “새 에이전트 출시”라는 말을 제대로 읽을 수 있어. 그게 진짜 새 모델 발표인지, 아니면 기존 모델 위에 자동화 레이어를 얹은 제품 발표인지가 완전히 다른 이야기이기 때문이야.
실무에서도 차이가 커. 에이전트는 리서치, 코딩 보조, 고객 응대 자동화, 사내 문서 작업처럼 여러 단계를 잇는 업무에 잘 맞지만, 설계가 허술하면 엉뚱한 도구를 호출하거나 같은 일을 반복할 수도 있어.
주의해서 볼 점
에이전트라는 이름이 붙었다고 다 똑똑한 건 아니야. 실제 품질은 기반 모델 성능, 도구 연결 품질, 권한 범위, 실패 처리 방식에 크게 좌우돼.
또 에이전트는 “생각”보다 “운영” 문제가 더 크게 터질 때가 많아. 그래서 기사나 제품 소개를 볼 때는 추론 능력만 보지 말고, 어떤 도구를 쓸 수 있는지와 어디까지 자동으로 행동하는지도 같이 보는 게 맞아.
관련 용어
- Agentic AI 는 에이전트 지향 제품과 설계 흐름을 더 넓게 보는 말이야.
- LangChain 은 에이전트 워크플로를 코드로 엮을 때 자주 같이 나오는 도구야.
- LangGraph 는 에이전트 단계를 그래프처럼 설계할 때 자주 언급돼.
- n8n 은 노코드 자동화 관점에서 에이전트형 흐름과 자주 붙어 나와.