개인적으로는 이제 조금 익숙해진 개념들인데, 어제 대학원 수업을 들으면서 여전히 개념들이 혼동되어 사용되고 있다는 생각에 간단하게나마 다시 정리하고자 한다.
그 전에, 이 블로그에서는 올해 1월 Google, Anthropic 등의 회사에서 발간한 문서들을 기반으로 Agentic RAG의 개념을 한 차례 정리한 적이 있고, 6월에는 Agentic AI와 AI Agents의 차이를 정리한 논문을 리뷰했었다. 이 내용들을 기반으로 이해하고 있는 내용을 다시 이 글에 적었다.
본인이 정리한 블로그 글 링크와 관련 문서는 모두 정리해서 하단에 첨부하도록 하겠다.
쟁점이 되는 개념은 다음과 같다.
- LLM (= Model)
- Agents (= AI Agents)
- Agentic AI
- Agentic RAG
우선 여기서 언급되는 Model은 LLM을 포함하여 대규모 데이터를 기반으로 학습된 상태를 의미한다. 이때 LLM을 포함한다고 표현한 이유는 이미지나 영상같은 multi-modal을 처리하는 경우도 모델이기 때문에 포괄적인 의미로 해석할 수 있다.
(1) Model과 Agents의 가장 큰 차이점은 Agents는 '스스로 필요한 workflow와 tool을 찾고, Reasoning과 Planning을 통해 일정 수준의 자율적 판단을 할 수 잇는 상태'로 정의할 수 있지만, LLM은 별도의 지시사항 없이는 추론(finetuning이나 posttraining 등을 통해 내부적 추론이 가능한 모델들도 있지만, 이를 제외한 고차원적인 Planning Skill을 의미함)과 외부 도구를 사용하지 못한다.
(2) AI Agents와 Agents는 동일어로 해석할 수 있고, Agentic AI와 AI Agents(=Agents)의 차이의 핵심은 'Multi-Agents' 구조에 있다. 즉, Agentic AI는 다중 Agents 기반의 협업과 자율성이 강조되는 시스템으로, 단일 Agents 보다 한 단계 고차원적인 개념으로 이해할 수 있다.
(3) 마지막으로, Agentic RAG는 기존의 RAG와 어떤점이 다른지와 Agentic AI와의 관계, 이 두개에 포커스를 두고 이해하면 된다. 우선 기본 전제로, Agentic RAG에서 사용하는 단일 도구는 Agents 시스템(위에서 정의한 개념으로 이해하면 됨)이 아닌, 하나의 down-stream task만을 수행하는 경우만 생각하겠다. 예를 들어, 'Web Search'나 'Code Processor', 'Image Processor' 를 포함해서 프롬프트를 기반으로 최적화한 또 다른 LLM 모델도 모두 하나의 역할을 수행하는 도구가 된다. 이때, 일반적인 block 단위나 workflow 단위의 RAG들은 모두 정해진 규칙과 플로우에 의해서 진행된다는 것과 달리, Agentic RAG은 이 모든 과정을 LLM이 직접, 자율적으로 관리한다는 특징이 있다.
(2+3) 추가로, 만약 Agentic RAG 시스템에서 전제를 바꿔서 단일 도구가 하나의 Agents가 된다면, 이건 Multi Agents 시스템이 되므로, 'Agentic AI system' 으로도 볼 수 있다. Agentic AI는 RAG 뿐만 아니라, 실제로 작업을 수행하는 범위까지 포함하므로(e.g. 에어컨 온도를 직접 높이는 작업) 더 넓은 개념이다.
한편, Agents의 가장 큰 특징인 '자율성'의 수준이나 정도를 어떤 관점에서 보냐에 따라서 이 구분이 조금씩 달라질 수 있다. 현재 시점에서는 OpenAI, Anthropic, Google 등과 같은 굵직한 기업들이 정의한 개념들을 기반으로 어느 정도 구분이 되는 상태이고, 이 글 역시 해당 문서들을 기반으로 한다.
