1. 에이전트란 무엇일까?
어원으로 본질 짚기 — “에이전트(Agent)”
Agent ← 라틴어 agere (행하다 · 움직이다 · 몰고 가다). 같은 어근의 단어 — action(행위) · actor(행위자) · agenda(앞으로 해야 할 일).
이 워크숍의 학습 단원은 매번 핵심 단어의 어원에서 출발합니다. 가추법(abduction · 눈에 보이는 단서에서 거꾸로 본질을 더듬어 들어가는 추론 방식)으로 단어 안에 박힌 의미를 풀어봅니다. 예를 들어 “에이전트”라는 단어가 굳어진 흔적(라틴어 agere)을 보고, 거꾸로 “왜 이 단어가 이렇게 굳어졌을까”를 짚어 본질에 다가갑니다. 정의를 외우는 대신 단어가 왜 그렇게 굳어졌는지를 짚으면 본질이 한 줄로 정리됩니다.
- “행한다” — _agere_의 첫 번째 뜻입니다. 누군가가 매번 시켜서가 아니라, 자기 판단으로 다음 행동을 만들어낸다는 뜻이 어근에 이미 박혀 있습니다.
- 본인을 대신해서 — 영어에서 agent는 “본인을 대신해 행위하는 주체”의 뜻으로 굳어졌습니다 (부동산 에이전트 · 보험 에이전트). 목적은 본인의 것, 행위는 에이전트의 것입니다.
- agenda를 들고 — 같은 어근의 agenda는 “앞으로 해야 할 일들”. 즉 agent는 자기 안에 agenda를 들고 움직입니다.
그래서 한 줄로 — 에이전트는 “내가 정해준 목적(agenda)을 들고, 자기 판단으로 다음 행동(act)을 만들어내는 행위자”입니다. AI 맥락으로 옮기면 “사람이 매번 시키는 도구”가 아니라 한 번 약속해두면 자기 판단으로 다음 단계를 진행하는 LLM이 됩니다.
이 한 줄을 본인이 실제로 쓰려면 두 가지를 직접 그려봐야 합니다. 본인이 만들 학습 에이전트가 어떤 장면을 만들어주는지(1단원), input과 output(내가 넣는 것·받는 것)이 무엇인지(2단원). 그 다음 Anthropic이 정리한 모델(3단원)에 본인 그림을 겹쳐 봅니다.
1) 워크숍 끝난 후 모습 상상하기
만족스러운 끝 장면
오늘 워크숍이 끝나고 나서 내가 정말 만족한다면, 우리는 뭐 때문에 만족스러울까요?
(추상적인 답 X · “에이전트를 만들어서”보다 한 단계 더 구체로. 예: “내가 두려워하던 PR 리뷰를 30분 만에 해냈다”, “퇴근하기 전에 내일 아침에 받을 한 줄을 미리 봤다”)
그 장면을 만드는 에이전트 경험
그 장면이 일어나려면, 그 시점에 내가 만든 “학습 에이전트”는 어떤 경험을 나에게 만들어주고 있나요?
(예: “내가 안 읽던 공식 문서 한 단락을 받아주고, 내가 이해한 만큼만 다음 단락을 던져준다”)
2) 핵심 기능 정의해보기
누가 들어도 어떤 input(내가 넣는 것) 과 output(결과로 받는 것) 이 있을지 떠오르도록 드러내는 게 핵심입니다. “도와준다”, “정리해준다” 같은 추상 동사는 input/output이 안 보입니다.
내 에이전트의 핵심 기능 한 줄
“내 에이전트의 핵심 기능은 ___이다.”
예) “공식 문서 한 단락을 읽으면, 내가 알고 있는 지식 수준으로 풀어 서로 다른 3가지 방식으로 설명해주는 것이다.”
→ input: 공식 문서 한 단락 · output: 3가지 다른 방식의 설명. input과 output이 한 문장 안에서 보입니다.
AS-IS → TO-BE 한 줄
“그 기능이 ___(AS-IS)한 나를 ___(TO-BE)하게 만든다.”
예) “그 기능이 공식 문서를 안 읽던 나를, 공식 문서에 대한 내 해석과 생각을 도식화한 블로그 글을 1개 이상 쓸 수 있게 만든다.”
→ AS-IS는 지금의 나, TO-BE는 오늘 워크숍 끝난 직후가 아니라 1〜2주 뒤의 나입니다. 에이전트는 도구가 아니라 매일 굴리는 약속에 가깝기 때문입니다.
3) 에이전트란 무엇인가 — Anthropic의 정의
오늘 만들 “학습 에이전트”가 어디에 위치하는지 짚고 가기 위해, Anthropic이 정리한 글 Building Effective Agents 의 핵심을 한 장으로 옮겨 옵니다.
챗봇과 에이전트, 한 장면으로
몇 년 전까지 AI는 질문하면 답하는 챗봇이었습니다. 지금은 Claude Code·Claude Cowork 같은 제품을 통해 직접 코드를 쓰고 실행하고, 파일을 관리하고, 여러 앱을 넘나드는 작업까지 처리합니다.
Anthropic이 자주 드는 예시는 출장 영수증 제출입니다 (믿을 만한 에이전트 · Trustworthy agents). 이 일을 사람 대신 해주는 게 에이전트입니다.
- 영수증 사진을 한 장씩 글자로 옮깁니다
- 금액과 가게 이름을 뽑아냅니다
- 비용 카테고리를 분류합니다
- 회사 시스템에 제출합니다
호텔 비용이 1박 한도를 넘어 반려되면, 에이전트는 “실패”로 끝내지 않습니다. 한도를 모른다는 걸 스스로 알아채고 “공유 드라이브에서 비용 정책을 먼저 가져와도 될까요?” 하고 사용자에게 물어본 뒤 다시 시도합니다.
에이전트는 계획 → 실행 → 결과 관찰 → 조정을 스스로 반복합니다. 막히면 사람에게 묻고, 답을 받으면 다음 단계로 갑니다.
한 줄 본질
“에이전트(Agent)“라는 단어는 다양하게 정의됩니다. Anthropic은 둘을 구분합니다.
- 워크플로우(Workflows) — LLM과 도구가 미리 정해진 코드 경로를 따라 작동하는 시스템.
- 에이전트(Agents) — LLM이 스스로 자기 흐름과 도구 사용을 결정하면서, 작업을 어떻게 끝낼지 통제권을 쥐는 시스템.
둘 다를 묶어 agentic system(에이전트처럼 움직이는 시스템 일반)이라고 부릅니다.
가장 작은 출발점 — “증강된 LLM” (augmented LLM)
쉽게 말하면, LLM 한 개에 세 가지 능력을 더한 것입니다. Anthropic은 이걸 “augmented LLM(증강된 LLM)“이라고 부릅니다.
- 검색(retrieval) — 필요한 자료를 직접 찾아오는 능력
- 도구(tools) — 외부 기능을 불러서 일을 처리하는 능력
- 기억(memory) — 이전 대화·기록을 떠올리는 능력
이 LLM이 직접 검색어를 만들고, 적절한 도구를 고르고, 무엇을 기억할지 결정합니다. 이번 워크숍에서 우리가 만들 v1은 정확히 이 자리에 위치합니다.
언제 에이전트를 쓸까
| 상황 | 권장 |
|---|---|
| 단일 LLM 호출 + 검색 + in-context 예시로 충분 | 에이전트 X — 단일 호출 최적화로 끝 |
| 작업이 명확히 정의되어 있고, 일관성·예측 가능성이 중요 | 워크플로우 |
| 단계가 몇 개일지 미리 알 수 없고, 유연성·모델 주도 판단이 필요 | 에이전트 |
→ “가장 단순한 해법부터, 필요할 때만 복잡도를 더한다” — 이게 Anthropic의 일관된 권고입니다.
에이전트를 잘 만들기 위한 3원칙
단순함 (Simplicity)
에이전트 설계는 가능한 한 단순하게 유지합니다. 프레임워크 추상화 뒤에 숨지 말고, 무슨 일이 일어나는지 본인이 볼 수 있어야 합니다.
투명함 (Transparency)
에이전트의 계획 단계를 명시적으로 드러냅니다. 본인이 매번 어디까지 갔는지 볼 수 있어야 합니다.
도구 설계 (ACI · Agent-Computer Interface)
에이전트가 쓰는 도구의 문서·인자·예시를 정성껏 다듬습니다. ACI(Agent-Computer Interface, 에이전트가 컴퓨터를 쓰는 사용감)는 HCI(Human-Computer Interface, 사람이 컴퓨터를 쓰는 사용감)만큼 공을 들이는 게 좋다는 이야기입니다. Anthropic이 SWE-bench(에이전트의 소프트웨어 엔지니어링 능력을 재는 공인 벤치마크)용 에이전트를 만들 때, 프롬프트보다 도구를 다듬는 데 적어도 같은 양의 시간을 썼다고 합니다.
더 깊이
원문 전문과 한국어 번역은 부록에서 한 페이지로:
부록 · Building Effective Agents
Anthropic 엔지니어링 블로그 원문 전문 + 한국어 번역을 같은 페이지에서 탭으로 번갈아 봅니다.
→ 이제 지식을 잘 정리한다는건 뭘까?로 넘어갑니다.