AI 에이전트의 5가지 종류

새 에이전트가 매일 쏟아지지만, 단순 반사 에이전트와 고급 학습 에이전트를 구분할 수 있을까?

에이전트는 지능 수준·의사결정 방식·환경 상호작용에 따라 분류된다. 고전적인 5가지 종류를 통해 각 에이전트가 무엇을 할 수 있고 없는지 정리하고, 우리가 만든 LLM 에이전트가 이 스펙트럼의 어디쯤인지 감을 잡아 보자.

 

1. 다섯 가지 종류

① 단순 반사 에이전트 (Simple Reflex)

가장 기본. 조건-행동 규칙(if 조건 then 행동)만으로 결정한다. 온도조절기처럼 "18도 아래면 난방 켜기". 환경 → 센서(지각) → 조건-행동 규칙 → 액추에이터(행동) → 환경으로 돌아간다. 과거를 저장하지 않아 규칙이 부족한 새 상황에서 같은 실수를 반복한다.

② 모델 기반 반사 에이전트 (Model-based Reflex)

조건-행동 규칙을 쓰되, 세계의 내부 모델을 state로 갖는다. 세계가 어떻게 바뀌는지, 자기 행동이 환경에 어떤 영향을 주는지 추적한다. 로봇청소기가 "어디를 청소했고 장애물은 어디인지" 기억하는 것. 지금 안 보이는 부분도 추론·기억한다.

③ 목표 기반 에이전트 (Goal-based)

조건-행동 규칙 대신 목표를 둔다. 내부 모델로 미래 결과를 시뮬레이션해 "이 행동이 목표 달성에 도움이 되는가?"를 묻는다. 자율주행차가 "좌회전하면 고속도로 방향 → 목적지에 가까워짐 → 좌회전"으로 판단하는 식.

④ 효용 기반 에이전트 (Utility-based)

목표 달성 여부만이 아니라 결과가 얼마나 바람직한지(효용)까지 따진다. 각 미래 상태의 기대 효용을 매겨 선택지를 순위화한다. 배송 드론이 단순히 "배달"이 아니라 "빠르고 안전하며 에너지 최소"로 여러 경로를 시뮬레이션해 효용이 가장 큰 길을 고른다.

⑤ 학습 에이전트 (Learning)

가장 강력하고 적응적. 하드코딩·목표가 아니라 경험에서 학습해 시간이 지날수록 나아진다. 체스봇이 수천 판의 결과로 전략을 다듬는 것. 내부는 네 부분으로 나뉜다.

그림 1. 학습 에이전트의 내부. 비평자가 성과를 평가해 보상을 주면, 학습 요소가 지식을 갱신하고, 문제 생성기는 새 시도를 제안한다.

 

2. 한눈에 비교

 

뒤로 갈수록 강력하지만 대가도 있다. 학습 에이전트는 가장 유연하지만 가장 느리고 데이터 집약적이다.

 

우리가 시리즈에서 만든 LLM 기반 에이전트(ReAct·Reflection·멀티 에이전트)는 대체로 목표·효용·학습 요소를 섞은 형태다. 생성형 AI의 발전으로 이 스펙트럼의 위쪽이 빠르게 현실이 되고 있다.