본문 바로가기

Agent4

🤖클로드, 왜 '협업'을 배우기 시작했을까? Anthropic은 어떻게 멀티-에이전트 연구 시스템을 구축했나Anthropic(클로드 개발사)은 단일 에이전트(agent)만으로는 힘들었던 열린 연구(open-ended research) 과제들을 대규모로 다루기 위해, 멀티-에이전트 시스템을 설계했습니다. 이 글에서는 그 구조, 성능, 적용 원칙, 그리고 우리가 배울 수 있는 시사점들을 자세하게 들여다보겠습니다.1. 왜 멀티-에이전트인가?열린 연구 과제(open-ended research tasks)는 예측 불가능한 흐름을 가짐→ 단순한 정해진 단계(파이프라인)로 처리하기 어려움.여러 에이전트가 병렬(parallel)으로 탐색(breadth-first exploration)을 하면, 검색 공간(search space)을 넓게 커버하고 중요한 히트(hi.. 2025. 9. 17.
Dropbox Dash에서 본 RAG & AI 에이전트의 시사점 정보 과부하가 일상이 된 조직 환경에서, Dropbox는 누구나 겪는 문제를 AI로 해결해냈습니다. 바로 Dash라는 AI 기반 범용 검색 및 지식관리 제품으로, Retrieval-Augmented Generation (RAG)와 AI 에이전트의 조합으로 업무 생산성에 혁신을 불러왔습니다. 이번 글에서는 이 사례를 바탕으로, 우리가 배울 수 있는 핵심 시사점을 정리했습니다.1. RAG: 문서를 기반으로 AI 응답의 근거를 강화하다RAG는 LLM이 가진 단순 생성(추론)에 기반한 한계를 극복합니다. LLM만 있을 때는 hallucination(허구 응답)이나 정보의 신뢰성 부족 문제가 있었죠. Dash는 RAG를 통해 다음을 구현합니다:정보 기반 응답: 유저의 쿼리에 대해 관련 문서를 먼저 검색한 후, 그.. 2025. 9. 3.
❌ “사이드 프로젝트는 성공했지만, Agentic Coding은 실패했어요” 에이전트 기반 코딩 도구들을 한 달간 써보니… 대부분은 안 맞더라🧠 배경: 왜 이걸 시도했을까?Claude Code 등의 최신 LLM 기반 agentic coding 도구가 요즘 화제죠.Armin은 2025년 5월부터 이 도구들을 실제 일상 코딩에 도입해 보기 시작했지만,많은 자동화 도구들이 결국 실제 사용되지 않거나 정리(삭제)되었다고 고백합니다.몇 가지 예외를 제외하면 대부분 실패로 돌아간 경험의 공유입니다.📌 원칙 1: “자동화는 반복되는 작업을 대체할 때만 의미 있다”Armin의 규칙:반복해서 하는 작업만 자동화한다자동화해도 정작 사용하지 않으면 과감히 삭제→ 오히려 unused slash command 등은 작업 공간만 복잡하게 만들 뿐이라는 판단입니다. ⚠️ 사례 1: Slash Comma.. 2025. 8. 1.
🚀 AI 시스템 어떻게 설계할까? – Workflow vs Agent "스케일 가능한 AI 시스템을 구축할 때, 워크플로우 기반과 에이전트 기반 중 어떤 접근이 적합할까?"Hailey Quach의 글은 이런 질문에 답하며, 생산 시스템에서 각각의 장단점, 비용 구조, 성능 트레이드오프, 그리고 사용 사례별 가이드를 제시합니다.🧭 1. 워크플로우 기반 AI (AI Workflows)✅ 정의 및 구조정형화된 파이프라인 구조로,ETL → 전처리 → 모델 예측 → 후처리 → 저장 흐름이 명확히 설계됨.💡 장점예측 가능성 높음, 관리와 디버깅이 용이비용 통제 가능, 유지보수도 수월안정적인 배포 환경에 적합⚠️ 단점유연성이 낮고, 복잡한 상호작용이나 적응성 부족동적 의사결정, 연속적 도메인 연결은 어려움📌 추천 적용 상황일회성 배치 작업 (예: 분석 리포트 자동화)단계별 확정 .. 2025. 8. 1.

티스토리툴바