Haru's 개발 블로그

1. AI 에이전트의 정보 계층 구조 📌 AI 에이전트는 다양한 유형의 정보를 계층적으로 저장하고 활용함.✅ AI 에이전트의 정보 계층 구조내부 지식(Internal Knowledge): 사전 학습된 데이터단기 메모리(Short-term Memory): 현재 세션 내에서 유지되는 정보장기 메모리(Long-term Memory): 여러 세션 동안 유지되는 외부 데이터📌 결론:자주 사용하는 정보는 내부 지식으로 저장하고, 세션별 임시 정보는 단기 메모리로 관리장기적으로 저장할 필요가 있는 데이터는 외부 저장소(예: 데이터베이스)에서 관리2. 메모리 관리의 핵심 요소✅ 1️⃣ 세션 내 메모리 오버플로우 방지 (Manage Memory Overflow within a Session)AI가 새로운 정보를 많이..

1. AI 에이전트의 효율성(Efficiency) 평가📌 AI가 유효한 계획(Valid Plan)을 생성할 수 있어도, 반드시 효율적인 것은 아님!🚀 효율적인 AI는 더 빠르고 비용이 적게 들며, 불필요한 연산을 최소화해야 함✅ 효율성 평가 지표 (Efficiency Metrics)1️⃣ AI가 평균적으로 몇 개의 단계를 거쳐 작업을 완료하는가?너무 많은 단계를 거친다면, 최적화 필요!2️⃣ AI가 평균적으로 작업을 완료하는 데 드는 비용은 얼마인가?API 호출 비용, 연산량 등을 고려해야 함3️⃣ AI가 작업을 완료하는 데 걸리는 시간은 어느 정도인가?특정 단계가 과도하게 오래 걸린다면, 이를 단축하는 방법을 고민해야 함💡 예제:웹 페이지 크롤링 작업사람 기준: 한 번에 한 페이지씩 방문해야 하므..

1. AI 에이전트의 실패 유형 (Agent Failure Modes)📌 AI 에이전트의 성능은 "도구 사용 능력"과 "계획 수립 능력"에 따라 결정됨.🚨 실패 유형(Failure Modes)계획 실패(Planning Failures) → 잘못된 계획 생성도구 실패(Tool Failures) → 잘못된 도구 호출번역 오류(Translation Errors) → 계획을 실행 가능한 명령으로 변환하는 과정에서 발생✅ 실패율 분석이 중요한 이유AI의 성능을 평가하려면 어떤 실패가 자주 발생하는지 측정해야 함실패 원인을 분석하면 모델 개선 방향을 찾을 수 있음2. 계획 실패(Planning Failures)📌 계획(Planning)은 어려운 작업이며, 다양한 오류가 발생할 수 있음.🔹 계획 실패 유형1️..

1. ReAct 프레임워크 적용 예제📌 ReAct(Reason + Act) 프레임워크는 AI가 작업을 수행하면서 "이유(Reasoning) + 행동(Acting) + 평가(Reflection)"를 반복하도록 설계된 방식✅ 예제: AI가 "Apple Remote와 함께 작동할 수 있는 다른 기기는 무엇인가?"라는 질문에 답하는 과정Thought 1: "Apple Remote의 원래 목적을 검색해야 함" → 검색 수행Thought 2: "Front Row(소프트웨어)가 관련 있음" → 추가 검색 필요Thought 3: "Front Row는 존재하지 않음" → 대체 검색 수행Thought 4: "Front Row(소프트웨어)는 Apple Remote와 함께 작동하며, 키보드 기능 키를 제어함" → 최종 답변..

1. AI 에이전트의 제어 흐름(Control Flow) 패턴📌 AI 에이전트가 계획을 실행할 때, 다양한 방식으로 작업을 수행할 수 있음✅ AI 계획 실행의 다양한 순서 예제제어 흐름 유형설명 예제순차적(Sequential)작업 A가 완료된 후 작업 B 실행자연어를 SQL 쿼리로 변환 후 실행병렬(Parallel)여러 작업을 동시에 수행100개 제품의 가격을 동시에 가져오기조건문(If Statement)특정 조건에 따라 작업 경로 결정주가 분석 후 매수/매도 결정반복문(For Loop)특정 조건이 충족될 때까지 실행소수를 찾을 때까지 숫자 생성💡 실제 적용 예제:AI가 두 개의 웹사이트를 동시에 크롤링해야 한다면, 병렬 실행(Parallel Execution)이 필요AI가 주가 변동을 분석한 후 매..

1. 계획 세분화(Planning Granularity)란?📌 AI의 계획(Plan)은 다양한 수준(Level of Granularity)에서 생성될 수 있음.연 단위 계획 → 가장 상위 수준분기별(Quarterly) 계획 → 중간 수준월별(Monthly) 계획 → 더 세부적인 수준주별(Weekly) 계획 → 가장 낮은 수준✅ 세분화된 계획의 장단점계획 수준장점 단점고수준 계획 (High-Level)생성이 빠름, 간단함실행하기 어려움 (상세 정보 부족)세부 계획 (Detailed Plan)실행이 용이생성하는 데 시간이 오래 걸림, 복잡성 증가💡 해결책:AI가 먼저 고수준 계획을 생성한 후, 세부적인 하위 계획을 단계적으로 추가하는 방식 사용예제:1️⃣ 분기별 계획 생성 → 2️⃣ 각 분기에 대한 월별..

1. AI의 계획 능력 향상 방법📌 AI 에이전트가 더 나은 계획(Planning)을 세우려면 다음과 같은 개선이 필요함✅ 1️⃣ 프롬프트 최적화 (Prompt Engineering)더 많은 예제를 제공하여 AI가 패턴을 학습할 수 있도록 함예제 기반 학습 (Few-shot learning)을 활용하여 성능 향상 가능✅ 2️⃣ 도구 및 매개변수 설명 강화도구의 기능과 필요한 매개변수(Parameter)를 명확하게 설명예제:❌ "convert_units" → AI가 이 함수가 무엇을 변환하는지 이해하기 어려움✅ "convert_lbs_to_kg" → AI가 명확하게 기능을 이해할 수 있음✅ 3️⃣ 복잡한 함수를 단순화 (Refactoring Complex Functions)하나의 함수가 너무 많은 역할을..

1. AI 에이전트의 자동화된 계획 및 실행 과정📌 AI 에이전트는 복잡한 작업을 수행할 때 3단계 프로세스를 따름:✅ 1️⃣ 계획 생성 (Plan Generation)AI가 문제를 해결하기 위한 실행 가능한 계획(Plan)을 생성일반적으로 작은 하위 작업(Task Decomposition)으로 나눠서 처리✅ 2️⃣ 계획 검토 및 오류 수정 (Reflection & Error Correction)생성된 계획을 평가하고 비효율적인 경우 새로운 계획을 다시 생성✅ 3️⃣ 실행 (Execution)검토된 계획을 기반으로 실제 실행 (예: API 호출, SQL 실행, 코드 실행 등)✅ 4️⃣ 실행 결과 검토 및 수정 (Reflection & Error Correction)실행 후 결과를 검토하여 목표 달성이 ..

1. AI 에이전트의 계획(Planning) 개요📌 복잡한 작업을 수행하는 AI 에이전트는 먼저 "계획(Plan)"을 세운 후 실행해야 한다.AI가 적절한 방법을 선택하지 않으면, 비효율적인 방식으로 문제를 해결하려 할 가능성 증가따라서, "무엇을 할 것인가?"(Planning)와 "어떻게 실행할 것인가?"(Execution)는 분리하는 것이 이상적✅ 계획을 잘못 세우면 실행 과정이 비효율적이 될 수 있음예제: "1조 달러 이상 투자금을 유치한 회사를 찾아라"❌ 비효율적인 방법:모든 기업을 검색한 후 "수익 없음" 필터를 적용 → 검색 범위가 너무 넓어짐✅ 효율적인 방법:1조 달러 이상을 유치한 기업만 검색한 후, 수익이 없는 기업을 필터링 → 검색 범위를 축소하여 빠른 결과 도출📌 결론:AI가 계획..

1. AI 에이전트의 기능 확장 (Capability Expansion for AI Agents)📌 AI 모델은 특정 기능(예: 계산, 번역, 코드 실행)에 약할 수 있다.✅ 해결책: 외부 도구를 활용하여 기능을 확장하는 방식💡 예제: 기본적인 AI의 한계 해결하기수학 계산이 약한 AI → 계산기 API(Wolfram Alpha) 연동번역 기능 부족 → 다국어 번역 API 연결코드 실행 불가능 → 코드 인터프리터(Code Interpreter) 도구 추가🔥 도구를 추가하면 AI의 활용성이 급격히 증가! 🚀2. AI의 멀티모달 처리(Multimodal AI Processing)📌 기존 AI 모델은 텍스트만 처리 가능하지만, 멀티모달 기능을 추가하면 더 강력한 AI가 된다!🔹 텍스트 전용 AI를 ..