7가지 주요 AI 에이전트 유형 [예시 포함]

1. 단순 반사 작용제

단순 반사 에이전트는 환경으로부터의 현재 입력만을 기반으로 의사 결정을 내리는 AI 시스템입니다.

조건-행동 규칙 집합을 사용하여 관찰된 입력을 특정 응답에 매핑합니다. 환경에서 특정 상태를 감지하면 해당 규칙을 실행합니다.

메모리나 세상에 대한 내부 모델이 없기 때문에 현재 입력만으로 모든 결정을 내릴 수 있는 완전히 관찰 가능한 환경에서만 효과적으로 작동할 수 있습니다.

단순 반사 에이전트의 예

• 너무 추우면 난방을 켜는 온도 조절기
• 벽에 부딪히면 돌아가는 로봇(안녕하세요, 고양이를 얹은 룸바)
• 사용자가 "안녕하세요"라고 말하면 "안녕하세요!"라고 대답하는 기본 챗봇입니다.

‍

2. 모델 기반 반사 에이전트

모델 기반 반사 에이전트는 현재 입력과 세계의 내부 모델을 모두 기반으로 의사 결정을 내리는 AI 에이전트입니다.

단순 반사 에이전트와 달리 이 유형은 시간이 지남에 따라 환경의 상태를 추적합니다. 기본적으로 세계가 어떻게 작동하는지에 대한 저장된 정보인 모델을 사용하여 환경을 완전히 관찰할 수 없을 때 공백을 메웁니다.

새로운 입력을 받으면 내부 상태를 업데이트하고 조건-행동 규칙을 참조하여 현재 인식과 이전 상호 작용을 통해 알고 있는 내용을 바탕으로 최상의 응답을 선택합니다.

모델 기반 반사 에이전트의 예시

• 방의 레이아웃을 기억하고 이미 청소한 구역은 피하는 로봇 청소기
• 과거 사용자 입력을 추적하면서 대화를 계속하는 LLM 에이전트
• 보이는 것뿐만 아니라 경기 초반부터 알고 있는 것에도 반응하는 게임 AI

‍

3. 학습 에이전트

학습 에이전트는 경험을 통해 학습하여 시간이 지남에 따라 성능을 향상시키는 AI 에이전트입니다.

학습 요소, 수행 요소, 비평가, 문제 생성기의 네 가지 주요 구성 요소로 이루어져 있습니다.

수행 요소는 동작을 선택하고 학습 요소는 피드백에 따라 동작을 조정합니다. 비평자는 미리 정의된 표준을 사용하여 동작의 결과를 평가하고 문제 생성기는 더 나은 학습을 위해 시도할 새로운 동작을 제안합니다.

이러한 구조를 통해 에이전트는 변화에 적응하고 전략을 세분화하며 낯선 환경에서도 효과적으로 운영할 수 있습니다.

학습 에이전트의 예

• 시장 성과에 따라 트레이딩 전략을 조정하는 암호화폐 AI 에이전트
• 사용자 행동에 따라 상품을 더 잘 제안하는 추천 엔진
• 환자 상호작용을 통해 학습하여 분류 정확도를 개선하는 의료 챗봇

‍

4. 유틸리티 기반 에이전트

유틸리티 기반 에이전트는 어떤 결과가 가장 높은 전체 가치 또는 "유틸리티"를 제공할 것으로 예상되는지에 따라 작업을 선택하는 AI 에이전트입니다.

이 에이전트는 단순히 목표 달성을 목표로 하는 것이 아니라 가능한 다양한 결과를 평가하고 미리 정의된 효용 함수를 극대화하는 결과를 선택합니다.

이를 통해 목표에 도달할 수 있는 여러 가지 방법이 있거나 절충안을 만들어야 하는 상황을 처리할 수 있습니다. 이를 위해서는 옵션을 비교하고, 결과를 예측하고, 선호도 또는 우선순위에 따라 결과의 순위를 매길 수 있는 능력이 필요합니다.

5. 계층적 에이전트

계층적 에이전트는 의사 결정 프로세스를 여러 계층 또는 수준으로 구성하여 상위 수준은 추상적인 목표를 처리하고 하위 수준은 구체적인 작업을 관리하는 AI 에이전트입니다.

이 에이전트는 복잡한 작업을 더 작은 하위 작업으로 나누고, 계층 구조의 각 수준에서 서로 다른 의사 결정 범위를 담당합니다.

상위 계층은 장기적인 전략을 계획하고 하위 계층은 즉각적인 센서 데이터와 실시간 대응을 처리할 수 있습니다. 계층 간에 커뮤니케이션이 이루어지므로 에이전트는 광범위한 목표와 세부적인 실행을 조율할 수 있습니다.

이 구조를 사용하면 복잡성을 쉽게 관리하고 다양한 시간대 또는 우선순위에 따라 동작을 확장할 수 있습니다.

계층적 에이전트의 예

• 제조업에서는 상위 레벨 에이전트가 조립 공정을 계획하고 하위 레벨 에이전트가 로봇 팔과 타이밍을 제어합니다.
• 스마트 팩토리에서는 여러 계층이 생산 일정, 기계 조정 및 물리적 운영을 관리합니다.

‍

6. 목표 기반 에이전트

목표 기반 에이전트는 특정 목표를 달성하는 데 도움이 되는 작업을 평가하여 의사 결정을 내리는 AI 에이전트입니다.

상담원에게는 하나 이상의 목표, 즉 달성하고자 하는 원하는 결과가 주어집니다. 검색 또는 계획 알고리즘을 사용하여 가능한 작업 순서를 탐색한 다음 목표에 도달할 가능성이 가장 높은 작업을 선택합니다.

반사 에이전트와 달리 단순히 반응하는 것이 아니라 행동하기 전에 미래의 결과를 추론합니다. 따라서 동적이거나 익숙하지 않은 환경에서 더 유연하고 뛰어난 성능을 발휘하지만, 연산 요구량이 더 높습니다.

7. 멀티 에이전트 시스템(MAS)

마지막으로 중요한 것은 멀티 에이전트 시스템입니다.

다중 에이전트 시스템(MAS)은 개별 또는 공유 목표를 달성하기 위해 협력(또는 때로는 경쟁)하는 여러 개의 상호 작용하는 AI 에이전트로 구성된 시스템입니다.

시스템의 각 에이전트는 고유한 기능, 목표, 환경에 대한 인식을 가지고 독립적으로 작동합니다.

이러한 에이전트는 메시지를 통해 직접 또는 환경의 변화를 관찰하여 간접적으로 소통하고 조율합니다. 시스템 전체가 단일 에이전트가 처리하기에는 너무 복잡하거나 분산된 문제를 해결할 수 있습니다.

멀티 에이전트 시스템은 설계와 목표에 따라 협력형, 경쟁형 또는 두 가지를 혼합한 형태가 될 수 있습니다.

멀티 에이전트 시스템의 예

• 교차로에서 충돌을 피하기 위해 조정하는 자율 주행 차량
• AI 워크플로 자동화를 통해 송장 발행, 사기 탐지 및 보고를 관리하는 재무 봇 세트
• 여러 에이전트가 재고, 배송 및 수요 예측을 관리하는 공급망 시스템

맞춤형 AI 에이전트 구축

맞춤형 AI 에이전트를 구축하는 것은 어렵지 않으며, 무료로 구축할 수 있습니다.

Botpress 드래그 앤 드롭 방식의 시각적 플로우 빌더, 엔터프라이즈급 보안, 광범위한 교육 라이브러리, 20,000명 이상의 봇 빌더로 구성된 활발한 Discord 커뮤니티를 제공합니다.  

확장 가능한 플랫폼으로 맞춤형 통합을 통해 맞춤형 챗봇을 구축할 수 있으며, 통합 Hub 대형 채널에 대한 사전 구축된 커넥터가 가득합니다.

지금 바로 구축을 시작하세요. 무료입니다.