I. Agent AI의 발전 배경과 사업 적용 (3/5) : LLM·Planning·Memory·Tool Use의 완전 해부
ChatGPT의 등장 이후 생성형 AI는 빠르게 발전하고 있습니다. 최근에는 단순히 질문에 답하는 수준을 넘어 스스로 계획을 세우고 여러 도구를 활용하며 목표를 수행하는 'Agent AI'가 새로운 패러다임으로 주목받고 있습니다. 이번 시리즈에서는 Agent AI가 등장하게 된 배경부터 핵심 기술, 실제 기업 적용 사례, 그리고 미래 비즈니스 변화까지 쉽게 살펴보겠습니다.
Agent AI 기술은 어디까지 발전했을까? — Single에서 Multi-Agent까지
기반 기술 (ReAct · Tool Calling · MCP) — Agent AI를 가능하게 하는 핵심 기술 표준을 쉽게 설명합니다.
주요 프레임워크 (AutoGPT · CrewAI · LangGraph) — 현재 가장 많이 사용되는 Agent AI 구축 도구들을 비교합니다.
Multi-Agent & Agent OS — 여러 Agent가 협력하는 시스템과 AI 운영체계의 개념을 소개합니다.
프롤로그
현대 선박은 단 한 명의 선장이 모든 것을 혼자 하지 않습니다. 항해사, 기관장, 통신사, 화물 담당자가 각자의 역할을 맡고 유기적으로 협력합니다.
Agent AI 기술도 이와 같은 방향으로 진화했습니다. 하나의 AI가 모든 것을 하던 시대에서, 여러 전문화된 AI가 협력하는 Multi-Agent 시대로. 그 기술 발전의 궤적을 따라가 봅시다.
1. ReAct — Agent AI의 사고 방식
ReAct는 2022년 Princeton·Google이 발표한 논문에서 제안된 패턴으로, Agent AI의 가장 기본적인 작동 방식을 정의합니다. Reasoning(추론) + Acting(행동)의 합성어입니다.
기존 LLM은 추론만 했습니다("이렇게 해야 한다"). ReAct는 추론과 행동을 번갈아 반복하게 합니다.
행동: [DB 조회] 선박 A - ECDIS 버전 검색
관찰: ECDIS v2.1, 마지막 업데이트 2023.06
생각: 2년 이상 업데이트 없음. IACS E27 요구사항과 비교 필요
행동: [검색] IACS E27 ECDIS 업데이트 요구사항
관찰: 연간 패치 검토 필요, 핵심 네비게이션 시스템은 6개월 이내 업데이트 권고
생각: 미준수 상태. 즉시 조치 필요 항목으로 분류
결과: 리스크 보고서에 High Priority 항목으로 기재
ReAct는 지금도 대부분의 Agent AI 시스템에서 기본 패턴으로 사용됩니다. 간단하지만 강력하고, 사람이 중간 과정을 추적하기 쉽다는 장점이 있습니다.
2. Tool Calling — LLM이 도구를 사용하는 표준 방식
Tool Calling(또는 Function Calling)은 LLM이 외부 함수(도구)를 호출하는 표준화된 방법입니다. OpenAI가 2023년 GPT-4에 도입한 이후 업계 표준이 되었습니다.
개발자가 도구 정의: "vessel_db_search(vessel_id, query)" 라는 함수를 LLM에게 알려줍니다
LLM이 필요 시 호출 결정: "선박 데이터가 필요하다 → vessel_db_search를 써야겠다"
함수 실행: 실제 시스템이 DB를 조회하고 결과를 반환
결과 해석: LLM이 반환된 데이터를 이해하고 다음 행동 결정
LLM이 코드를 직접 실행하는 것이 아닙니다. "이 함수를 이 인자로 실행해달라"고 요청하면, 별도 시스템이 실행합니다.
3. MCP (Model Context Protocol) — 2024년 게임체인저
2024년 11월, Anthropic이 발표한 MCP(Model Context Protocol)는 Agent AI 생태계를 바꾼 표준입니다. Tool Calling이 개별 기업이 각자 방식으로 도구를 연결했다면, MCP는 모든 AI와 모든 도구가 동일한 방식으로 연결되는 USB 표준 같은 것입니다.
- 회사마다 다른 방식으로 AI-도구 연결
- 새 도구를 추가할 때마다 코드 재작성
- 특정 AI 모델에 종속
- 어떤 AI든 동일한 방식으로 도구 연결
- MCP 서버 설치만으로 새 도구 추가
- AI 모델을 교체해도 도구 재설정 불필요
2025년 기준, Slack, GitHub, Google Drive, 각종 ERP 시스템에 대한 MCP 서버가 이미 존재합니다. 해양 산업에서도 AIS 데이터, 선급 포털, 선박 모니터링 시스템을 MCP로 연결하는 움직임이 시작되고 있습니다.
IACS 규정 DB에 MCP 서버를 한 번만 만들어두면, Claude든 GPT든 Gemini든 어떤 AI도 동일한 방식으로 최신 규정을 조회할 수 있습니다. 배를 만들 때 표준 부품을 쓰는 것처럼, AI 생태계도 표준화되고 있습니다.
4. AutoGPT — Agent AI 시대의 선구자
2023년 3월 등장한 AutoGPT는 "GPT-4에게 목표 하나만 주면 스스로 다 한다"는 개념을 처음으로 대중에게 보여준 프로젝트입니다. GitHub 출시 일주일 만에 10만 스타를 달성했습니다.
사람의 개입 없이 AI가 스스로 다음 행동을 결정하고 실행하는 '완전 자율' 개념을 처음 구현. 인터넷 검색, 파일 관리, 코드 실행을 조합해 복잡한 작업 수행.
방향을 잃고 루프에 빠지거나, 불필요한 비용을 과도하게 소비하는 경우가 많았습니다. "혼자서 다 하는 AI"는 아직 완성된 개념이 아님을 보여줬습니다. 하지만 Agent AI 연구의 폭발적 성장을 이끌었습니다.
5. CrewAI — 팀으로 일하는 AI
CrewAI는 2024년 가장 빠르게 성장한 Agent 프레임워크입니다. 핵심 아이디어는 간단합니다. "한 명의 만능 AI보다, 역할이 분명한 여러 AI가 팀으로 일하는 것이 낫다."
IACS, DNV, LR 최신 규정을 전담으로 분석. 이 역할만 수행하도록 특화.
선박 CBS 데이터베이스를 조회하고 현재 상태를 파악하는 역할 전담.
앞 두 Agent의 결과를 받아 Gap 분석과 리스크 등급 산정 전담.
모든 결과를 취합해 전문적인 감사 보고서로 작성하는 역할 전담.
각 Agent가 자신의 전문 분야에 집중하므로, 단일 Agent보다 결과 품질이 크게 향상됩니다.
선박에서 항해사, 기관장, 화물 담당자가 각자의 전문 역할을 맡듯, CrewAI는 각 AI가 전문화된 역할을 맡아 팀으로 협력합니다. 역할 분업이 있는 팀이 만능 혼자보다 낫습니다.
6. LangGraph — 복잡한 흐름을 제어하다
LangGraph는 LangChain 팀이 만든 프레임워크로, Agent AI의 실행 흐름을 그래프(Graph) 구조로 정밀하게 제어할 수 있게 합니다. 복잡한 조건 분기, 반복, 병렬 실행이 필요한 고급 Agent 구축에 적합합니다.
| 프레임워크 | 특징 | 적합한 용도 | 난이도 |
|---|---|---|---|
| AutoGPT | 완전 자율, 최소 설정 | 간단한 자율 작업 탐색 | 낮음 |
| CrewAI | 역할 기반 Multi-Agent | 팀 협업 시뮬레이션 | 중간 |
| LangGraph | 그래프 기반 정밀 제어 | 복잡한 비즈니스 워크플로우 | 높음 |
7. Multi-Agent 구조 — 혼자보다 팀이 강하다
Multi-Agent 시스템은 여러 개의 AI Agent가 서로 소통하고 협력하여 복잡한 목표를 달성하는 구조입니다. 각 Agent는 특정 역할을 맡고, 서로 정보를 교환하며, 전체 목표를 향해 분업합니다.
각 Agent는 병렬로 실행되어 24시간 선박 사이버보안을 자율 관리합니다.
8. AI 운영체계 (Agent OS) — AI의 운영 인프라
여러 Agent가 안정적으로 실행되고, 서로 통신하고, 자원을 공유하고, 오류가 났을 때 복구하려면 관리 인프라가 필요합니다. 이를 Agent OS(운영체계)라고 부릅니다.
Agent 스케줄링: 어느 Agent를 언제 실행할지 관리
메모리 관리: Agent 간 공유 메모리와 개별 메모리 구분 관리
도구 접근 제어: 어느 Agent가 어느 도구를 쓸 수 있는지 권한 관리
모니터링 & 로깅: Agent 행동 기록, 오류 감지, 사람에게 에스컬레이션
비용 최적화: API 호출 비용을 최소화하는 방향으로 Agent 실행 조율
현재 Anthropic의 Claude Agent SDK, Microsoft의 AutoGen, Vertex AI Agent Builder 등이 Agent OS의 역할을 하고 있습니다. 2025~2026년은 이 인프라 경쟁이 가장 치열한 시기입니다.
에필로그
단일 항해사에서 전문화된 승무원 팀으로, 그리고 선박 운항 시스템으로 진화한 것처럼.
Agent AI 기술은 ReAct라는 단순한 패턴에서 시작해, Tool Calling과 MCP로 표준화되고, AutoGPT·CrewAI·LangGraph라는 프레임워크로 구현되며, Multi-Agent와 Agent OS로 산업화되고 있습니다. 다음 편에서는 이 기술이 실제 기업 현장, 특히 해양 산업에서 어떻게 적용되는지 구체적인 사례로 살펴봅니다.
“MCP의 등장을 보면서 해양 산업의 표준화 역사가 떠올랐습니다. SOLAS, MARPOL, ISM Code — 표준이 생긴 순간, 안전과 효율이 동시에 향상됐습니다. AI 생태계도 MCP라는 표준이 생기면서 비로소 산업 규모로 확장될 준비를 갖췄습니다. 해양 사이버보안 분야에서도 IACS E26/E27 규정 데이터베이스에 MCP 서버를 구축하는 것이, 앞으로 가장 전략적인 인프라 투자 중 하나가 될 것입니다.”
기술 표준화는 산업화의 시작입니다.
기업은 Agent AI를 어떻게 활용할 수 있을까? — 실제 비즈니스 적용 사례
고객 서비스, 데이터 분석, 소프트웨어 개발, 사이버 보안, 그리고 해양·조선 산업 특화 적용 사례까지 — Digital Worker 개념을 포함해 실전 적용 가이드를 제공합니다.
데이터, AI, 사이버보안을 해양 산업과 연결하는 혁신 리더. 해양 종사자 누구나 AI를 이해하고 활용할 수 있도록 쉽게 씁니다.
LinkedIn ↗
Comments
Post a Comment