GenAI7 🌿LLM Agent Collaboration — 소프트웨어 개발의 ‘다중 에이전트’ 혁명 1️⃣ 연구 배경 — “하나의 LLM이 아닌, 협업하는 다수의 LLM”최근 AI 개발 환경에서 가장 빠르게 진화하는 분야 중 하나는 “AI 에이전트 협업(Multi-Agent Collaboration)” 입니다.이 논문은 기존의 단일 모델(Single-Agent) 기반 코딩을 넘어,여러 LLM이 역할을 분담하여 협력하는 구조가 실제 개발 생산성을 어떻게 바꾸는가를 실증적으로 분석했습니다.즉, 단순히 “AI가 코드를 짜는가”가 아니라 —“여러 AI가 함께 코드를 짤 때, 얼마나 더 나은 품질·속도·의사결정을 낼 수 있는가?”를 정량화하려는 연구입니다.2️⃣ 연구의 핵심 목표논문은 LLM 기반 소프트웨어 에이전트 시스템을 평가하기 위해 다음 세 가지 축을 중심으로 분석했습니다.평가 항목의미주요 측정 지표Co.. 2025. 11. 2. 🤖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. Beyond Bite-Sized: AI 시대를 위한 HRD 교육 패러다임 전환 1. 기사 내용 흐름과 주요 사례HR Leader의 글 “Rethinking workplace training for the AI-native generation”은 전통적 선형 교육 방식의 한계를 짚으며 시작합니다. 특히, AI에 익숙한 ‘AI 네이티브 세대’는 긴 강의나 지루한 이론 중심 교육보다 짧고 즉각적인 흥미 유발형 콘텐츠를 선호하고, AI 기반의 실시간 피드백이 핵심 요구사항임을 강조합니다.학습의 흐름: 단순히 정보를 전달하는 것을 넘어, 개념(concept) → 시험(test) → 현업 적용(contextualization) → AI 피드백의 순환 구조를 제안합니다. 이 과정을 통해 학습자는 즉각적 성취감을 얻고, 그에 따라 몰입도가 올라갑니다.AI 검증자 역할: 피드백은 동료나 멘토뿐만 .. 2025. 8. 20. Does AI really boost productivity at work? — 효과는 쉽지 않다 1. 논점 요약“The Conversation”의 ‘Does AI Really Boost Productivity at Work? Research Shows Gains Don’t Come Cheap or Easy’ 기사에서는 AI 도입이 생산성 향상을 약속하지만, 비용과 어려움이 만만치 않음을 강조합니다.효과는 있지만 비용이 따른다AI 도입 초기에는 조정 비용, 훈련, 워크플로우 재구조화 등의 부담이 발생합니다. 단순히 기술을 도입한다고 생산성이 자동 상승하는 것은 아닙니다. 기존 업무 방식과의 조화, 인프라 정비, 조직문화 개선 등의 작업이 수반되어야 합니다.J-커브 현상MIT Sloan 연구에 따르면, AI 도입 후 생산성이 일시적으로 감소했다가 점차 회복하고, 장기적 상승세를 보이는 J-커브 패턴이 .. 2025. 8. 19. ❌ “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. 이전 1 2 다음
