Agentic AI: Theories ... 소개 2장
Agentic AI: Theories and Practices
Agentic AI: Theories and Practices 소개
2장 목차
2 AI Agent Tools and Frameworks
2.1 The Seven-Layer AI Agent Architecture
2.2 Features and Comparison of AI Agent Framework
2.2.1 Main Features of Some Sample Agent Frameworks
2.2.2 Comparative Analysis of AI Agent Frameworks
2.2.3 Other Top Agent Frameworks
2.3 Challenges You May Face When Using AI Agent Framework
2.3.1 Framework and Tooling Challenges
2.3.2 Integration Challenges432.3.3 Scalability Challenges
2.3.4 Security Challenges
2.3.5 Compliance Challenges
2.3.6 Higher-Quality Data Source Challenges
2.3.7 Skilled Workforce Availability Challenges
2.3.8 Cost Challenges
2.4 Summary
2.5 Questions
References
요약
2. AI Agent Tools and Frameworks
2.1 The Seven-Layer AI Agent Architecture
AI 에이전트 시스템은 일반적으로 7개의 계층으로 설계됩니다.
Perception Layer – 센서, API, 외부 데이터 소스를 통해 환경을 감지하고 입력을 수집.
Data Processing Layer – 수집된 데이터를 정제·전처리하고 특징을 추출.
Reasoning/Inference Layer – 규칙 기반 엔진, LLM, 머신러닝 모델을 활용해 의사결정을 수행.
Planning Layer – 목표를 달성하기 위한 계획을 수립하고, 작업 순서를 최적화.
Action Layer – API 호출, 로봇 제어, 외부 시스템 명령 실행 등 실제 행동 수행.
Learning Layer – 피드백을 바탕으로 모델을 개선하고, 새로운 환경에 적응.
Interface Layer – 사용자 또는 다른 시스템과 상호작용하는 UI·UX를 제공.
이 계층 구조는 모듈별 독립적 개선과 교체를 가능하게 해 확장성과 유지보수를 높입니다.
2.2 Features and Comparison of AI Agent Framework
2.2.1 Main Features of Some Sample Agent Frameworks
LangChain: LLM 통합, 체인 구성, 메모리 관리, 도구·플러그인 연결 지원.
Haystack: 정보 검색·질의응답(QA) 특화, Elasticsearch·FAISS·Weaviate와 호환.
Auto-GPT: 자율 목표 설정, 연속 작업 실행, 장기 메모리 활용.
CrewAI: 멀티에이전트 협업, 역할 기반 구조, 조정 기능 내장.
Microsoft Semantic Kernel: LLM과 기존 기업 시스템 통합에 강점, 플러그인 기반 확장.
각 프레임워크는 목적과 장점이 다르므로 사용 환경과 요구사항에 맞춰 선택이 필요합니다.
2.2.2 Comparative Analysis of AI Agent Frameworks
LangChain은 범용성과 커뮤니티 지원이 강력하고, Auto-GPT는 완전 자율 실행에 유리하나 안정성이 떨어질 수 있습니다.
Haystack은 검색·문서 기반 AI에 강점이 있으나 범용성은 낮습니다.
Semantic Kernel은 엔터프라이즈 환경에서 시스템 통합이 쉽지만, 오픈소스 생태계 규모는 제한적입니다.
CrewAI는 협업형 시나리오에 적합하지만, 초기 설정이 복잡할 수 있습니다.
비교 시 기능 범위, 안정성, 확장성, 학습 곡선, 커뮤니티 활동 등을 함께 평가해야 합니다.
2.2.3 Other Top Agent Frameworks
Rasa: 대화형 AI·챗봇 특화, 오픈소스, 강력한 NLP 지원.
OpenAI Function Calling: 함수 기반 API 실행으로 외부 시스템과의 직접 통합 가능.
LangGraph: 에이전트 워크플로를 그래프 형태로 설계·시각화.
LlamaIndex: 다양한 데이터 소스 연결·검색 기능 강화.
이 외에도 산업 특화형·경량형 프레임워크가 계속 등장하며 선택 폭이 넓어지고 있습니다.
2.3 Challenges You May Face When Using AI Agent Framework
2.3.1 Framework and Tooling Challenges
프레임워크 버전 불안정, 문서 부족, 기능 제약이 문제될 수 있습니다.
특히 커스터마이징이 어려운 경우, 원하는 기능 구현에 한계가 생깁니다.
오픈소스 프로젝트는 유지보수 주기가 불규칙할 수 있습니다.
플러그인·모듈 호환성 이슈가 발생할 수 있습니다.
초기 선택 단계에서 장기 지원 가능성을 고려해야 합니다.
2.3.2 Integration Challenges
레거시 시스템, 이기종 데이터 소스와 통합 시 포맷 불일치와 인증·보안 정책 차이가 문제입니다.
API 구조 변경이나 제한으로 인해 지속적 유지보수가 필요합니다.
내부 보안 규제로 외부 연동이 제한될 수 있습니다.
통합 실패 시 ROI가 크게 하락할 수 있습니다.
사전 통합 테스트와 중간 계층 설계가 중요합니다.
2.3.3 Scalability Challenges
사용자 수·데이터 증가 시 성능 저하 가능성이 있습니다.
멀티에이전트 확장 시 통신·동기화 부담이 급격히 늘어납니다.
클라우드·분산처리 구조로 확장성을 확보해야 합니다.
로드밸런싱과 자원 최적화 설계가 필수입니다.
확장 계획은 초기부터 포함되어야 합니다.
2.3.4 Security Challenges
플러그인·서드파티 연동에서 보안 취약점이 발생할 수 있습니다.
API 키·인증 토큰 유출 위험이 큽니다.
악성 데이터 입력·명령 주입 공격(Data/Prompt Injection)에 대비해야 합니다.
보안 검증·모니터링 체계 구축이 필요합니다.
Zero Trust 접근 방식이 권장됩니다.
2.3.5 Compliance Challenges
산업 규제(HIPAA, GDPR 등) 준수 여부가 중요합니다.
데이터 처리·저장 정책이 규제에 맞아야 합니다.
감사 로그와 데이터 보존·폐기 정책이 필요합니다.
규제 미준수 시 법적·금전적 리스크가 큽니다.
규제 변화에 빠르게 대응할 수 있는 구조가 필요합니다.
2.3.6 Higher-Quality Data Source Challenges
데이터 품질은 AI 에이전트 성능에 직결됩니다.
노이즈·편향이 많은 데이터는 오판을 유발합니다.
데이터 정제·검증 프로세스가 필수입니다.
신뢰성 높은 데이터 소스 확보가 중요합니다.
지속적 품질 모니터링이 필요합니다.
2.3.7 Skilled Workforce Availability Challenges
숙련된 AI 엔지니어·프롬프트 엔지니어 확보가 어렵습니다.
내부 역량 개발과 외부 인재 확보 전략이 필요합니다.
프레임워크별 학습 곡선이 다르므로 교육 계획이 필요합니다.
전문가 부족은 프로젝트 지연·품질 저하로 이어집니다.
파트너사·커뮤니티 활용이 한 방법입니다.
2.3.8 Cost Challenges
클라우드 연산, API 호출, 데이터 저장·전송 비용이 누적됩니다.
확장 시 비용이 기하급수적으로 증가할 수 있습니다.
비용 최적화 전략(캐싱, 호출 최소화, 스케줄링)이 필요합니다.
TCO(Total Cost of Ownership) 분석이 필수입니다.
ROI와 장기적 유지 가능성을 함께 고려해야 합니다.
2.4 Summary
2장은 AI 에이전트 개발의 기술적 기반 구조와 이를 지원하는 다양한 프레임워크를 소개합니다.
기능과 장단점을 비교해 목적에 맞는 도구를 선택하는 방법을 제시합니다.
또한 프레임워크 활용 시 마주치는 기술·통합·확장·보안·규제·데이터·인력·비용 문제를 구체적으로 다룹니다.
성공적인 프로젝트를 위해 초기 설계 단계에서 이러한 과제를 인지하고 대비하는 것이 핵심입니다.
책 구매 ULR:
