DeepLearning.AI의 'The Batch' 시리즈에서 소개된 Agentic Design Patterns를 초보자도 쉽게 이해할 수 있도록 핵심을 정리해 드립니다.
단순한 프롬프트 개선을 넘어, LLM을 '사고·행동·반성·협력 에이전트'로 전환하여 성능 극대화를 추구합니다.
GPT-3.5, GPT-4 등 기존 LLM은 단발성 답변 생성 방식(Zero-shot)으로 인해 복잡한 추론과 정확성 유지에 명확한 한계점이 존재합니다.
인간의 반복 작업, 수정, 도구 사용, 협력 방식을 모방하여 작업을 수행함으로써 문제 해결 능력을 비약적으로 향상시킵니다.
| 모델 | 방식 | 정답률 |
|---|---|---|
| GPT-3.5 | Zero-shot | 48.1% |
| GPT-4 | Zero-shot | 67.0% |
| GPT-3.5 | Agentic loop 적용 | 95.1% |
* 단순 모델 업그레이드를 넘어서는 에이전트 구조 도입의 압도적 성능 향상 증명
LLM이 생성 답변의 오류와 부족함을 스스로 식별하고 자가 수정을 지시하는 루프를 형성합니다.
인간의 글쓰기-수정 과정과 유사한 품질 급상승 및 탁월한 안정성 제공
LLM 단독 작업 한계 극복을 위해 외부 도구(검색, 계산기, API 등)를 적극적으로 활용하게 유도합니다.
LLM의 고질적 문제인 환각 현상(Hallucination) 보완 및 실세계 적용 가능성 확보
복잡한 작업을 한 번에 처리하지 않고, 실행 전 단계별 계획을 수립한 후 체계적으로 수행합니다.
Plan-and-Solve: 전체 계획 사전 문자열 작성
Plan-and-Execute: 단계별 실행 및 유동적 조정
HuggingGPT 스타일: 태스크의 세부 단계 분해 및 전문가 할당
한 명의 전문가보다 여러 전문가의 토론·분업이 우위라는 점에 착안, LLM에 여러 역할을 부여해 팀을 구성합니다.
AutoGen (MS), MetaGPT, CrewAI, LangGraph
| 패턴 | 한 줄 설명 | 가장 큰 이득 |
|---|---|---|
| Reflection | 스스로 비판 및 수정 | 품질·정확도 향상 |
| Tool Use | 외부 도구 적극 활용 | 실세계 연결성 증대 |
| Planning | 단계별 사전 계획 수립 | 성공률 증대 |
| Multi-Agent | 역할별 협업 및 토론 | 최고 성능 발휘 |
2025~2026년 현재 최고 수준의 Agentic AI는 위 4가지 패턴의 적절한 조합을 활용합니다.
"더 큰 모델을 기다리기보다, 이러한 구조적 사고방식 적용이 당장 성능을 2~5배 이상 끌어올리는 가장 현실적인 방안입니다."