LLM 대형언어 모델 VS Agent 에이전트 : 기능, 역할 비교

 

 

💡 LLM 대형언어 모델 VS Agent 에이전트

LLM, Large Languafe Model, 대형 언어 모델

• 대량의 텍스트 데이터를 학습한 딥러닝 기반의 자연어 처리(NLP) 모델
• 입력된 텍스트를 기반으로 패턴을 분석하고 최적의 응답을 생성
• 정적 Static 이며 사전 학습된 지식을 바탕으로 동작
• e.g. GPT-4, PaLM, Claude, Llama 등

 

Agent, AI Agent, 에이전트

• 특정 목표를 수행하기 위해 능동적으로 동작하는 AI 시스템
• LLM 을 포함할 수도 있고, 여러 AI 기술을 조합하여 동작
• 외부 API 호출, 데이터 검색, 파일 조작, 코드 실행 등 환경과 상호작용 가능
• 동적 Dynamic 이며 특정 목표를 위해 의사결정 가능
• e.g. AutoGPT (LLM 을 활용하여 스스로 목표 수행), LangChain Agents (LLM 을 기반으로 다양한 도구를 실행), ChatGPT Plugins (외부 API 와 연동하여 작업 수행)

	LLM	Agent
목적	텍스트 기반 응답 생성	목표 수행 및 자동화
작동 방식	입력 > 모델이 예측한 답변 출력	목표 설정 > 계획 > 실행
지식	사전 학습된 지식 사용 (업데이트 제한)	API 호출, 검색, 코드 실행을 통해 최신 정보 활용
상호작용	사용자 입력에 대해 응답	외부 시스템과 상호작용 (e.g. DB, API, 브라우저)
유연성	정적인 응답 (고정된 모델)	동적인 응답 (상황에 맞게 변화)
e.g.	GPT-4, Claude, Llama	AutoGPT, LangChain Agents, ChatGPT Plugins

 

관계 및 활용 방식

• 에이전트는 LLM 을 내부적으로 활용 가능
  • 예를 들어, LangChain 에이전트는 LLM 을 사용하여 사용자의 명령을 해석하고, API 호출, 데이터 검색 등을 수행
  • AutoGPT 는 LLM 을 기반으로 자체적으로 목표를 설정하고 작업을 수행
• LLM 은 단독으로 사용할 수 있지만, 한계가 있음
  • LLM 만으로는 외부 데이터에 직접 접근하지 못하고, 기억 기능이 제한됨
  • 에이전트를 활용하면 더 강력한 기능을 수행 가능

 

예시 시나리오

• LLM만 사용할 경우 (기본적인 AI 챗봇)
  질문: "오늘 서울의 날씨는 어때?"
  응답: "날씨 정보를 직접 확인할 수 없지만, 웹사이트에서 검색해 보세요."
  (LLM은 사전 학습된 지식만을 사용하므로 최신 정보를 제공할 수 없음)
• 에이전트가 LLM을 활용할 경우
  질문: "오늘 서울의 날씨는 어때?"
  에이전트의 동작:
  
  1. LLM 이 질문을 이해함
  2. 날씨 API를 호출하여 뉴욕의 최신 날씨 정보를 가져옴
  3. LLM 이 데이터를 기반으로 자연스럽게 응답 생성
     응답: "서울의 현재 기온은 12°C이며, 맑은 날씨입니다."

👀 에이전트는 LLM 을 활용하면서도, 외부 API 와 연결하여 최신 정보를 제공할 수 있다.

 

👇

• LLM 과 RAG 는 정보를 전달하는 데 유용하지만, 그 정보를 바탕으로 실제 행동을 수행하는 것은 사용자에게 맡겨짐
• 에이전트는 LLM 을 활용하여 동적인 상호작용과 자동화를 수행할 수 있음
• 복잡한 작업이나 자동화를 원한다면, 에이전트가 더 적합

 

 

 

🔗 https://fcaiing.co.kr/ai_aiagent/

AI Agent가 뜨고 있는 이유 ft. LLM과 RAG의 한계 - AI.ing

🔗 https://www.skelterlabs.com/blog/llm-rag-aiagent

Skelter Labs Blog - LLM, RAG, 그리고 AI 에이전트 :: 왜 이 세 가지가 모두 필요한가요?