콘텐츠로 이동

레벨 1: 도구 에이전트 - 아키텍처 & 설계

MSCP 레벨 시리즈 | 개요 ← 레벨 1 → 레벨 2
상태: 🔬 실험적 - 개념적 프레임워크 및 실험적 설계. 프로덕션 사양이 아닙니다.
날짜: 2026년 2월

Revision History

Version Date Description
0.1.0 2026-02-23 Initial document creation with formal Definitions 1-4, Propositions 1-3
0.2.0 2026-02-26 Added overview essence formula; added revision history table

1. 개요

레벨 1은 AI 에이전트의 기본 인지 아키텍처를 나타냅니다. 도구 에이전트는 사용자 요청을 받아 외부 도구를 호출하고 결과를 반환하는 무상태 반응형 시스템입니다. 자체적인 내부 모델이 없으며, 세션 간 메모리도 없고, 자율적인 목표 설정 능력도 없습니다.

Level Essence. 레벨 1 에이전트는 무상태 파이프라인 - 피드백, 상태 유지, 메모리 없이 입력에서 출력까지 4단계 순차 처리:

\[\mathcal{A}_1(r) = \rho\bigl(\tau\bigl(\sigma(\phi(r),\, r)\bigr),\, r\bigr)\]

⚠️ 참고: 이 문서는 MSCP 분류 체계 내의 인지 수준을 설명합니다. 여기에 포함된 아키텍처, 의사코드, 다이어그램은 구조적 개념을 탐구하는 실험적 설계이며, 프로덕션 수준의 구현이 아닙니다.

오늘날 대부분의 프로덕션 AI 에이전트는 레벨 1에서 작동합니다. LangChain 에이전트, Semantic Kernel 플러그인 체인, OpenAI Assistants, 그리고 커스텀 RAG 파이프라인 등이 이에 해당합니다.

1.1 정의 속성

속성 값
내부 상태 없음 (요청 간 무상태)
목표 설정 없음 (사용자 지시에 의해서만)
자기인식 없음
메모리 최대 세션 범위
자율성 없음 - 순수 반응형

1.2 형식적 정의

정의 1 (레벨 1 에이전트). 레벨 1 에이전트는 도구 호출을 통해 사용자 요청을 응답으로 매핑하는 무상태 함수 \(\mathcal{A}_1\)입니다:

\[\mathcal{A}_1 : \mathcal{R} \to \mathcal{O}\]

여기서 \(\mathcal{R}\)은 모든 가능한 사용자 요청의 공간을, \(\mathcal{O}\)는 모든 가능한 출력 응답의 공간을 나타냅니다.

에이전트는 내부 상태를 유지하지 않으므로 매핑은 무기억(memoryless)입니다 - 즉, 출력은 현재 입력에만 의존하며 이전의 모든 상호작용과 독립적입니다. 형식적으로:

\[\mathcal{A}_1(r_t) = o_t \quad \forall\, t, \quad o_t \perp \{r_1, \ldots, r_{t-1}\}\]

여기서 \(r_t \in \mathcal{R}\)은 시간 단계 \(t\)에서의 요청이고 \(o_t \in \mathcal{O}\)는 대응하는 출력입니다.

정의 2 (도구 집합). \(\mathcal{T} = \{T_1, T_2, \ldots, T_n\}\)를 \(n\)개의 사용 가능한 도구의 유한 집합이라 하자. 각 도구는 부분 함수입니다:

\[T_k : \mathcal{P}_k \rightharpoonup \mathcal{D}_k\]

매개변수 공간 \(\mathcal{P}_k\)와 출력 도메인 \(\mathcal{D}_k\)를 가집니다. 유효하지 않은 매개변수는 결과를 생성하지 않을 수 있으므로(즉, 오류) 이 함수는 부분적입니다.

정의 3 (의도 분류). 의도 분류기는 요청을 도구 선택에 대한 확률 분포로 매핑하는 함수 \(\phi\)입니다:

\[\phi : \mathcal{R} \to [0,1]^{|\mathcal{T}|+1}\]

여기서 추가 차원은 "도구 불필요" (직접 응답) 범주를 나타냅니다. 결정 규칙은 최대 신뢰도를 가진 도구를 선택합니다:

\[T^* = \arg\max_{k} \; \phi(r)_k \quad \text{subject to} \quad \phi(r)_k \geq \theta_{min}\]

여기서 \(\theta_{min}\)은 최소 신뢰도 임계값입니다 (일반적으로 \(\theta_{min} = 0.5\)).

1.3 처리 파이프라인

완전한 레벨 1 처리 파이프라인은 네 개의 순차적 단계로 분해할 수 있습니다:

\[\mathcal{A}_1(r) = \rho\bigl(\tau\bigl(\sigma(\phi(r), r)\bigr), r\bigr)\]

여기서:

기호 이름 타입 시그니처
\(\phi\) 의도 분류기 \(\mathcal{R} \to [0,1]^{\lvert\mathcal{T}\rvert+1}\)
\(\sigma\) 매개변수 추출기 \([0,1]^{\lvert\mathcal{T}\rvert+1} \times \mathcal{R} \to \mathcal{P}_{T^{\ast}}\)
\(\tau\) 도구 디스패처 \(\mathcal{P}_{T^{\ast}} \to \mathcal{D}_{T^{\ast}} \cup \lbrace\textit{err}\rbrace\)
\(\rho\) 응답 생성기 \((\mathcal{D}_{T^{\ast}} \cup \lbrace\textit{err}\rbrace) \times \mathcal{R} \to \mathcal{O}\)

파이프라인은 엄격히 순차적입니다 - 피드백 루프, 상태 지속, 분류 이후의 분기 결정이 없습니다.

2. 아키텍처

2.1 고수준 아키텍처

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#0078D4', 'primaryTextColor': '#003D6B', 'primaryBorderColor': '#003D6B', 'secondaryColor': '#50E6FF', 'secondaryTextColor': '#323130', 'secondaryBorderColor': '#00BCF2', 'tertiaryColor': '#F2F2F2', 'tertiaryTextColor': '#323130', 'lineColor': '#0078D4', 'textColor': '#323130', 'mainBkg': '#DEECF9', 'nodeBorder': '#0078D4', 'clusterBkg': '#F2F2F2', 'clusterBorder': '#003D6B', 'titleColor': '#003D6B', 'edgeLabelBackground': '#FFFFFF', 'fontSize': '14px'}}}%%
flowchart LR
  classDef input fill:#107C10,stroke:#085108,color:#FFF
  classDef inputLight fill:#DFF6DD,stroke:#107C10,color:#323130
  classDef process fill:#0078D4,stroke:#003D6B,color:#FFF
  classDef processLight fill:#DEECF9,stroke:#0078D4,color:#323130
  classDef tool fill:#FFB900,stroke:#CC9400,color:#323130
  classDef toolLight fill:#FFF4CE,stroke:#FFB900,color:#323130
  classDef output fill:#B4009E,stroke:#8A0076,color:#FFF
  classDef outputLight fill:#F9E0F7,stroke:#B4009E,color:#323130

  subgraph Input["🟢 입력"]
    U["👤 사용자 요청"]:::inputLight
  end

  subgraph Processing["⚙️ 처리 파이프라인"]
    IR["의도<br/>라우터"]:::processLight
    TP["도구<br/>파서"]:::processLight
    TD["도구<br/>디스패처"]:::processLight
    IR --> TP --> TD
  end

  subgraph Tools["🔧 외부 도구"]
    T1["🔍 검색"]:::toolLight
    T2["🧮 계산기"]:::toolLight
    T3["🌐 API 클라이언트"]:::toolLight
    T4["📁 파일 시스템"]:::toolLight
  end

  subgraph Output["🔵 출력"]
    LLM["LLM 응답<br/>생성기"]:::outputLight
    R["📝 응답"]:::outputLight
    LLM --> R
  end

  U --> IR
  TD --> T1 & T2 & T3 & T4
  T1 & T2 & T3 & T4 -.-> LLM

2.2 상세 컴포넌트 아키텍처

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#0078D4', 'primaryTextColor': '#003D6B', 'primaryBorderColor': '#003D6B', 'secondaryColor': '#50E6FF', 'secondaryTextColor': '#323130', 'secondaryBorderColor': '#00BCF2', 'tertiaryColor': '#F2F2F2', 'tertiaryTextColor': '#323130', 'lineColor': '#0078D4', 'textColor': '#323130', 'mainBkg': '#DEECF9', 'nodeBorder': '#0078D4', 'clusterBkg': '#F2F2F2', 'clusterBorder': '#003D6B', 'titleColor': '#003D6B', 'edgeLabelBackground': '#FFFFFF', 'fontSize': '14px'}}}%%
flowchart TD
  classDef input fill:#107C10,stroke:#085108,color:#FFF
  classDef inputLight fill:#DFF6DD,stroke:#107C10,color:#323130
  classDef process fill:#0078D4,stroke:#003D6B,color:#FFF
  classDef processLight fill:#DEECF9,stroke:#0078D4,color:#323130
  classDef tool fill:#FFB900,stroke:#CC9400,color:#323130
  classDef toolLight fill:#FFF4CE,stroke:#FFB900,color:#323130
  classDef output fill:#B4009E,stroke:#8A0076,color:#FFF
  classDef outputLight fill:#F9E0F7,stroke:#B4009E,color:#323130

  subgraph UserLayer["사용자 상호작용 계층"]
    direction LR
    REQ["수신 요청"]:::inputLight
    RES["발신 응답"]:::inputLight
  end

  subgraph IntentLayer["의도 분류 계층"]
    direction LR
    IC["의도 분류기"]:::processLight
    PT["패턴 매처"]:::processLight
    CF["신뢰도 평가기"]:::processLight
    IC --> PT --> CF
  end

  subgraph ToolLayer["도구 실행 계층"]
    direction LR
    TR["도구 레지스트리"]:::toolLight
    TV["매개변수 검증기"]:::toolLight
    TE["도구 실행기"]:::toolLight
    EH["오류 처리기"]:::toolLight
    TR --> TV --> TE --> EH
  end

  subgraph ResponseLayer["응답 생성 계층"]
    direction LR
    RC["결과 수집기"]:::outputLight
    RF["응답 포매터"]:::outputLight
    RC --> RF
  end

  REQ --> IC
  CF --> TR
  EH --> RC
  RF --> RES

3. 데이터 흐름

3.1 요청 처리 시퀀스

%%{init: {'theme': 'base', 'themeVariables': {'actorTextColor': '#003D6B', 'actorLineColor': '#0078D4', 'signalColor': '#003D6B', 'signalTextColor': '#003D6B', 'labelTextColor': '#003D6B', 'loopTextColor': '#003D6B', 'noteBkgColor': '#DEECF9', 'noteTextColor': '#003D6B', 'noteBorderColor': '#0078D4', 'activationBkgColor': '#E1DFDD', 'activationBorderColor': '#605E5C', 'sequenceNumberColor': '#FFF', 'textColor': '#323130', 'fontSize': '14px'}}}%%
sequenceDiagram
    actor U as 👤 사용자
    participant IR as 의도 라우터
    participant TV as 도구 검증기
    participant TD as 도구 디스패처
    participant T as 외부 도구
    participant RG as 응답 생성기
    participant LLM as LLM 백엔드

    U->>IR: "서울 날씨가 어때?"
    IR->>IR: classify(input)<br/>confidence = 0.85<br/>suggested_tool = search
    IR->>TV: IntentResult{tool_call, [search], params}
    TV->>TV: validate(params, tool_schema)
    TV->>TD: ValidatedAction{tool="search", query="서울 날씨"}
    TD->>T: execute(query="서울 날씨")
    T-->>TD: ToolResult{success=true, data="맑음, 15°C"}
    TD->>RG: ToolResult
    RG->>LLM: format_response(tool_result, user_query)
    LLM-->>RG: "서울 날씨는 맑으며<br/>기온은 15°C입니다."
    RG-->>U: 최종 응답

3.2 오류 처리 시퀀스

%%{init: {'theme': 'base', 'themeVariables': {'actorTextColor': '#003D6B', 'actorLineColor': '#0078D4', 'signalColor': '#003D6B', 'signalTextColor': '#003D6B', 'labelTextColor': '#003D6B', 'loopTextColor': '#003D6B', 'noteBkgColor': '#DEECF9', 'noteTextColor': '#003D6B', 'noteBorderColor': '#0078D4', 'activationBkgColor': '#E1DFDD', 'activationBorderColor': '#605E5C', 'sequenceNumberColor': '#FFF', 'textColor': '#323130', 'fontSize': '14px'}}}%%
sequenceDiagram
    actor U as 👤 사용자
    participant IR as 의도 라우터
    participant TD as 도구 디스패처
    participant EH as 오류 처리기
    participant RG as 응답 생성기

    U->>IR: "계산해줘 xyz!@#"
    IR->>TD: IntentResult{tool_call, ["calculator"]}
    TD->>TD: execute("xyz!@#")<br/>❌ InvalidExpression
    TD->>EH: Error{type="parse_error",<br/>msg="잘못된 수식"}
    EH->>EH: retry_count < max_retries?<br/>아니오 → 오류 응답 생성
    EH->>RG: ErrorResult{message="수식을 파싱할 수 없음"}
    RG-->>U: "계산할 수 없습니다.<br/>'2 + 3'과 같은 유효한<br/>수식을 입력해 주세요."

4. 의사코드

4.1 핵심 에이전트 루프

def level1_agent_loop(user_input: str) -> str:
    """
    Level 1 core agent loop.
    Input:  user_input - user request string
    Output: response string
    """

    # Step 1: Intent Classification
    intent = IntentRouter.classify(user_input)

    if intent.type == IntentType.UNSUPPORTED:
        return "I'm unable to help with that request."

    # Step 2: Direct response (no tool needed)
    if intent.type == IntentType.DIRECT_RESPONSE:
        return LLM.generate(user_input)

    # Step 3: Tool Execution
    results = []
    for tool_name in intent.suggested_tools:
        params = ParameterExtractor.extract(user_input, tool_name)

        if not ToolRegistry.has(tool_name):
            results.append(Error(f"Unknown tool: {tool_name}"))
            continue

        tool = ToolRegistry.get(tool_name)
        result = tool.execute(params)
        results.append(result)

    # Step 4: Response Generation
    response = ResponseGenerator.format(user_input, results)
    return response

4.2 의도 라우터

def classify(self, user_input: str) -> IntentResult:
    """
    Classify user input into an intent.
    Input:  user_input - user request string
    Output: IntentResult with type, confidence, suggested_tools, params
    """

    input_lower = user_input.lower()

    # Pattern matching against tool registry
    matched_tools = []
    for tool_name, patterns in TOOL_PATTERNS.items():
        if any(pattern in input_lower for pattern in patterns):
            matched_tools.append(tool_name)

    if matched_tools:
        return IntentResult(
            type=IntentType.TOOL_CALL,
            confidence=0.8,
            suggested_tools=matched_tools,
            params=extract_parameters(user_input),
        )

    return IntentResult(
        type=IntentType.DIRECT_RESPONSE,
        confidence=0.6,
        suggested_tools=[],
        params={},
    )

4.3 도구 디스패처

def dispatch(self, tool_name: str, params: dict) -> ToolResult:
    """
    Dispatch a tool call with validation and error handling.
    Input:  tool_name - registered tool name, params - parameter dict
    Output: ToolResult with success, data, error, execution_time_ms
    """

    if tool_name not in self.registry:
        return ToolResult(success=False, error="Unknown tool")

    tool = self.registry[tool_name]
    start_time = time.monotonic()

    try:
        # Validate parameters against tool schema
        validated_params = tool.schema.validate(params)

        # Execute with timeout
        result = tool.execute(validated_params, timeout=30)

        return ToolResult(
            success=True,
            data=result,
            execution_time=time.monotonic() - start_time,
        )

    except TimeoutError:
        return ToolResult(success=False, error="Tool execution timed out")

    except ValidationError as e:
        return ToolResult(success=False, error=f"Invalid params: {e}")

    except Exception as e:
        return ToolResult(success=False, error=f"Execution failed: {e}")

5. 구조적 한계

레벨 1에는 레벨 2로의 전환을 동기부여하는 근본적인 한계가 있습니다. 이러한 한계는 형식적으로 특성화할 수 있습니다.

5.1 한계의 형식적 특성화

명제 1 (영 상호정보량). 레벨 1 에이전트에서 연속된 두 응답 사이의 상호정보량은 영(zero)입니다:

\[I(o_t ; o_{t-1}) = 0\]

이는 정의 1의 무기억 속성에서 직접 도출됩니다 - 각 요청-응답 쌍은 다른 모든 것과 조건부 독립입니다.

명제 2 (목표 상태의 부재). 레벨 1 에이전트에는 내부 목표 공간 \(\mathcal{G}\)가 없습니다. 에이전트는 목표를 추구한 결과가 아니라 입력의 결정론적 함수로서만 출력을 생성합니다:

\[\nexists\; g \in \mathcal{G} : o_t = \pi(r_t, g)\]

여기서 \(\pi\)는 목표 만족도를 최대화하기 위해 행동을 선택하는 정책 함수입니다.

명제 3 (자기 모델의 부재). 레벨 1 에이전트에는 자신의 상태, 능력 또는 정체성에 대한 표현 \(M\)이 없습니다:

\[M_{\text{self}} = \emptyset\]

따라서 에이전트는 자신의 행동이 자신에게 미치는 영향을 예측할 수 없습니다 - 이는 자기조절(레벨 3+)의 전제 조건입니다.

5.2 한계 분류 체계

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#0078D4', 'primaryTextColor': '#003D6B', 'primaryBorderColor': '#003D6B', 'secondaryColor': '#50E6FF', 'secondaryTextColor': '#323130', 'secondaryBorderColor': '#00BCF2', 'tertiaryColor': '#F2F2F2', 'tertiaryTextColor': '#323130', 'lineColor': '#0078D4', 'textColor': '#323130', 'mainBkg': '#DEECF9', 'nodeBorder': '#0078D4', 'clusterBkg': '#F2F2F2', 'clusterBorder': '#003D6B', 'titleColor': '#003D6B', 'edgeLabelBackground': '#FFFFFF', 'fontSize': '14px'}}}%%
flowchart TD
  classDef danger fill:#D13438,stroke:#A4262C,color:#FFF
  classDef dangerLight fill:#FDE7E9,stroke:#D13438,color:#323130
  classDef warning fill:#FFB900,stroke:#CC9400,color:#323130
  classDef warningLight fill:#FFF4CE,stroke:#FFB900,color:#323130

  subgraph Limitations["⚠️ 레벨 1 근본적 한계"]
    L1["❌ 상태 없음<br/>요청 간 모든 것을<br/>잊어버림"]:::dangerLight
    L2["❌ 목표 없음<br/>자체적인 목표를<br/>설정할 수 없음"]:::dangerLight
    L3["❌ 맥락 없음<br/>대화 이력에 대한<br/>이해 없음"]:::dangerLight
    L4["❌ 감정 인식 없음<br/>사용자의 감정을 감지하거나<br/>이에 응답할 수 없음"]:::dangerLight
    L5["❌ 자기인식 없음<br/>자체 능력이나 정체성에<br/>대한 모델 없음"]:::dangerLight
  end

  subgraph Consequences["📉 행동적 결과"]
    C1["동일한 반복 질문에<br/>동일한 답변을<br/>제공"]:::warningLight
    C2["관련 정보를<br/>능동적으로 제공할<br/>수 없음"]:::warningLight
    C3["이전 상호작용이나<br/>실수로부터<br/>학습할 수 없음"]:::warningLight
    C4["사용자의 감정 상태에<br/>맞게 응답 스타일을<br/>조정할 수 없음"]:::warningLight
  end

  L1 -.-> C1
  L2 -.-> C2
  L3 -.-> C3
  L4 -.-> C4

5.1 행동 예시: 반복 질문

상호작용 1:
    사용자: "제품 X의 사양은 무엇인가요?"
    에이전트: [도구 호출] → "사양은 A, B, C입니다."

상호작용 2 (5분 후):
    사용자: "제품 X의 사양은 무엇인가요?"
    에이전트: [도구 호출] → "사양은 A, B, C입니다."    ← 동일한 응답

상호작용 3 (5분 후):
    사용자: "제품 X의 사양은 무엇인가요?"
    에이전트: [도구 호출] → "사양은 A, B, C입니다."    ← 동일한 응답

    ❌ 레벨 1은 반복을 감지할 수 없습니다.
    ❌ 레벨 1은 "추가 설명이 필요하신가요?"라고 물을 수 없습니다.
    ❌ 레벨 1은 이미 답변했다는 것을 기억할 수 없습니다.

6. 레벨 2로의 전환

레벨 1에서 레벨 2로의 전환은 레벨 1 아키텍처에 구조적으로 부재한 내부 상태와 자율적 능력을 도입해야 합니다.

정의 4 (레벨 1 → 레벨 2 전환). 에이전트 \(\mathcal{A}_1\)은 다음의 구조적 확장을 획득할 때 \(\mathcal{A}_2\)로 승격될 수 있습니다:

\[\mathcal{A}_1 \xrightarrow{\Delta_{1 \to 2}} \mathcal{A}_2 \iff \mathcal{A}_2 = \mathcal{A}_1 \oplus \{\mathcal{W}, \mathcal{E}, \mathcal{G}, \Gamma\}\]

여기서: - \(\mathcal{W}\) : 영속적 세계 모델 (요청 간에도 유지되는 내부 상태) - \(\mathcal{E}\) : 엔티티 추적기 (세션 간 엔티티 상태 관리) - \(\mathcal{G}\) : 목표 시스템 (자율적 목표 생성) - \(\Gamma\) : 시간 모델 (시간 인식 기반 사실 관리)

근본적인 변화는 순수 함수에서 상태를 가진 프로세스로의 전환입니다:

\[\mathcal{A}_1 : \mathcal{R} \to \mathcal{O} \quad \longrightarrow \quad \mathcal{A}_2 : \mathcal{R} \times \mathcal{S} \times \mathcal{G} \to \mathcal{O} \times \mathcal{S}' \times \mathcal{G}'\]

여기서 \(\mathcal{S}\)는 세계 상태를, \(\mathcal{S}'\), \(\mathcal{G}'\)는 처리 후 업데이트된 상태와 목표를 나타냅니다.

6.1 필수 능력

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#0078D4', 'primaryTextColor': '#003D6B', 'primaryBorderColor': '#003D6B', 'secondaryColor': '#50E6FF', 'secondaryTextColor': '#323130', 'secondaryBorderColor': '#00BCF2', 'tertiaryColor': '#F2F2F2', 'tertiaryTextColor': '#323130', 'lineColor': '#0078D4', 'textColor': '#323130', 'mainBkg': '#DEECF9', 'nodeBorder': '#0078D4', 'clusterBkg': '#F2F2F2', 'clusterBorder': '#003D6B', 'titleColor': '#003D6B', 'edgeLabelBackground': '#FFFFFF', 'fontSize': '16px'}}}%%
flowchart TB
  classDef danger fill:#D13438,stroke:#A4262C,color:#FFF
  classDef dangerLight fill:#FDE7E9,stroke:#D13438,color:#323130
  classDef warning fill:#FFB900,stroke:#CC9400,color:#323130
  classDef warningLight fill:#FFF4CE,stroke:#FFB900,color:#323130
  classDef success fill:#107C10,stroke:#085108,color:#FFF
  classDef successLight fill:#DFF6DD,stroke:#107C10,color:#323130

  subgraph L1["⛔ L1 도구 에이전트"]
    A1["무상태 - 영속적 상태 없음"]:::dangerLight
    A2["반응형 - 프롬프트될 때만 응답"]:::dangerLight
    A3["도구 의존 - 도구 없이는 행동 불가"]:::dangerLight
    A4["메모리 없음 - 각 요청이 독립적"]:::dangerLight
  end

  subgraph Gap["🔑 전환 요구사항"]
    G1["+ 세계 모델 - 영속적 상태 추적"]:::warningLight
    G2["+ 엔티티 추적기 - 누구/무엇 식별"]:::warningLight
    G3["+ 목표 시스템 - 자율적 목표"]:::warningLight
    G4["+ 시간 모델 - 시간 인식 기반 사실 관리"]:::warningLight
  end

  subgraph L2["✅ L2 자율 에이전트"]
    B1["상태 유지 - 세계 모델 유지"]:::successLight
    B2["목표 지향 - 자율적 목표 추구"]:::successLight
    B3["맥락 인식 - 엔티티 및 관계 추적"]:::successLight
    B4["장기 메모리 - 세션 간 지속"]:::successLight
  end

  L1 -.->|"해소할 격차"| Gap
  Gap -.->|"가능하게 함"| L2

6.2 아키텍처 델타

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#0078D4', 'primaryTextColor': '#003D6B', 'primaryBorderColor': '#003D6B', 'secondaryColor': '#50E6FF', 'secondaryTextColor': '#323130', 'secondaryBorderColor': '#00BCF2', 'tertiaryColor': '#F2F2F2', 'tertiaryTextColor': '#323130', 'lineColor': '#0078D4', 'textColor': '#323130', 'mainBkg': '#DEECF9', 'nodeBorder': '#0078D4', 'clusterBkg': '#F2F2F2', 'clusterBorder': '#003D6B', 'titleColor': '#003D6B', 'edgeLabelBackground': '#FFFFFF', 'fontSize': '14px'}}}%%
flowchart TD
  classDef l1Light fill:#F2F2F2,stroke:#605E5C,color:#323130
  classDef l2Light fill:#DEECF9,stroke:#0078D4,color:#323130
  classDef l2New fill:#0078D4,stroke:#003D6B,color:#FFF

  subgraph L1["레벨 1 - 무상태 파이프라인"]
    IR1["IntentRouter"]:::l1Light
    TD1["ToolDispatcher"]:::l1Light
    RG1["ResponseGenerator"]:::l1Light
    IR1 -->|"순차적"| TD1 -->|"순차적"| RG1
  end

  subgraph L2["레벨 2 - 상태 유지 아키텍처"]
    IR2["IntentRouter"]:::l2Light
    WM["WorldModel ★"]:::l2New
    GS["GoalSystem ★"]:::l2New
    TD2["ToolDispatcher"]:::l2Light
    RG2["ResponseGenerator"]:::l2Light
    IR2 --> WM --> GS --> TD2 --> RG2

    ED["EmotionDetector ★"]:::l2New
    ET["EntityTracker ★"]:::l2New
    AG["AutonomousGoals ★"]:::l2New
    IR2 -.-> ED
    WM -.-> ET
    GS -.-> AG
  end

  L1 -.->|"발전하여"| L2

참고 문헌

  1. Yao, S., et al. "ReAct: Synergizing Reasoning and Acting in Language Models." ICLR 2023. arXiv:2210.03629
  2. Schick, T., et al. "Toolformer: Language Models Can Teach Themselves to Use Tools." NeurIPS 2023. arXiv:2302.04761
  3. Patil, S.G., et al. "Gorilla: Large Language Model Connected with Massive APIs." arXiv 2023. arXiv:2305.15334
  4. Shen, Y., et al. "HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face." NeurIPS 2023. arXiv:2303.17580
  5. Liang, Y., et al. "TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millions of APIs." arXiv 2023. arXiv:2303.16434
  6. Qin, Y., et al. "Tool Learning with Foundation Models." arXiv 2023. arXiv:2304.08354
  7. Wang, L., et al. "A Survey on Large Language Model based Autonomous Agents." arXiv 2023. arXiv:2308.11432
  8. Wei, J., et al. "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models." NeurIPS 2022. arXiv:2201.11903

다음: 레벨 2: 자율 에이전트 →