[개발일지] 개발/연구를 시작하며 AI agent 시스템 도입 및 첫 결과보고

요즘 며칠간 AI 에이전트로 연구 보조 '팀'을 꾸려봤는데, 정리 차원에서 기록을 남겨보려고 한다.

(반말 섞이는 점 양해 부탁드립니다.)

하반기 기후모델 개발 작업을 착수함과 동시에 업무 효율화를 위해 AI agent 시스템을 도입했다. 기후모델링 자체가 혼자 하기 어려운 부분이기도 하고, 최근 진짜 AI agent를 구현해보는 레퍼런스 시스템을 본 터라 적극 적용해보기로 했다.

이번에 참고한 레퍼런스에서의 핵심은 AI agent가 협업 가능하게 하나의 시스템 아래 각자의 역할을 맡기되(마치 앙상블 시스템 같음), 핵심은 "같은 업무 맥락을 공유하게" 만드는 것에 뒀다. wiki 시스템을 차용했다.

다중 에이전트 시스템

- 공유 메모리, 에이전트 모델, 사용 도구

• 최근까지 단순 LLM을 사용하여, 약간 개인 튜닝된 내 스타일의 챗봇 형태 + 에이전트 형태로 AI를 사용해왔다. 그런데 최근 우연한 기회로 진정한 의미의 다중 AI 에이전트 시스템을 구축하는 방법을 알게됐다. 핵심은 옵시디언을 활용한 나만의 위키를 만들어, 내가 지속적으로 작업한 내용은 위키형태로 저장하는 것이다.

• 에이전트를 학습시키는 시간은 필요하지만, 에이전트 별로 내 요청과 아웃풋을 꾸준히 쌓다보면 이걸 위키형태로 저장하게 되고, 새로운 채팅이나 새로운 LLM을 사용하더라도 기존 그라운드 룰이 남아있어 나만의 에이전트를 구성할 수 있게됐다.

• 개인적으로 에이전트 개념을 처음 들었을 때, 이거는 다중 에이전트 시스템이 핵심이 될 것이라고 봤으나 기술적 구현에 한계가 있다고 느꼈었는데 이제는 가능할 것으로 판단된다.

• 에이전트를 여럿 구성해야 결국 장점이 발휘되는데, 에이전트 별로 확실한 색을 정해 각각에게 적용되는 그라운드 룰을 잘 설정하는 것이 중요할 것으로 보인다. 현재까지 구성한 모델은 외부 모델을 학습하고 돌리고 아웃풋을 내보내는 소프트 모델러 하나와, 내가 설계하고자 하는 모델을 구축하는 하드 모델러, 그리고 글쓰기를 담당하는 작가를 하나 만들었다.

• 각각을 구분한 것에는 이유가 있었는데, 소프트 모델러는 기존에 존재하는 모델을 파악하고 돌리고 아웃풋을 내보내는 역할이므로, 그렇게 깊이있는 LLM 모델을 참조할 필요가 없다. 추가로 새로운 걸 생각해내는 것보다는 기존에 있는 모델 자체를 꼼꼼하게 돌리고 틀리지 않게 돌리는게 메인 역할이므로, 이러한 점들을 주지시켜 에이전트를 구성했다.

• 하드모델러는 반대로 상당히 과학적이고 공학적인 특성이 필요함. ...