AI Agent, MCP, Skills, Sub-agent 개념
AX 팀 첫 번째 세션을 위한 교육 자료
1. 에이전트 (Agent)
💡 쉬운 비유 (Analogy)
에이전트는 마치 "스마트 비서"와 같습니다.
일반적인 AI 챗봇이 "질문에 답하는 관찰자"라면, 에이전트는 "직접 행동하는 실행자"입니다.
| 일반 AI 챗봇 | AI 에이전트 |
|---|---|
| 💬 질문에만 답함 | 🛠️ 직접 작업 수행 |
| 📖 정보 제공 | 🎯 목표 달성 |
| 🔄 수동적 대화 | 🚀 능동적 행동 |
| ❓ "어떻게 해요?" | ✅ "이렇게 해드렸어요" |
🔍 핵심 개념
Agent (에이전트) = 언어 모델(LLM) + 도구(Tools) + 자율성(Autonomy)
┌─────────────────────────────────────┐
│ AI 에이전트 구조 │
├─────────────────────────────────────┤
│ │
│ 🧠 언어 모델 (LLM) │
│ - 추론 및 계획 │
│ - 상황 이해 │
│ - 의사결정 │
│ │
│ ↕ │
│ │
│ 🛠️ 도구 (Tools) │
│ - 파일 시스템 │
│ - 웹 검색 │
│ - API 호출 │
│ - 코드 실행 │
│ │
│ ↕ │
│ │
│ 🎯 목표 (Goal) │
│ - 자율적 실행 │
│ - 피드백 루프 │
│ - 결과 도달 │
│ │
└─────────────────────────────────────┘📊 2025년 에이전트 아키텍처 유형
1단계: 단일 에이전트 (Single Agent)
- 용도: 간단한 작업, 프로토타입
- 장점: 빠른 설정, 낮은 비용
- 한계: 복잡한 작업 부적합
2단계: 계층형 에이전트 (Hierarchical)
- 구조: 관리자 + 전문가 팀
- 장점: 전문성 분리, 확장성
- 예시: 플래너 → 리서처 → 라이터 → QA
3단계: 연합 에이전트 네트워크 (Federated)
- 구조: 독립적인 에이전트들이 협력
- 장점: 최대 확장성, 병렬 처리
- 트렌드: 2025-2026년 주류 패턴
🎯 실제 동작 예시
사용자: "제 웹사이트의 성능을 최적화해주세요"
일반 AI: "성능 최적화 방법은 다음과 같습니다..."
(정보만 제공)
AI 에이전트:
1. 📂 프로젝트 구조 분석
2. 🔍 병목 지점 탐지
3. 📝 최적화 코드 제안
4. ✅ 테스트 실행
5. 📊 성능 보고서 작성
(직접 작업 수행)2. MCP (Model Context Protocol)
💡 쉬운 비유 (Analogy)
MCP는 "AI를 위한 USB-C" 표준입니다.
이전의 AI 연결 방식이 "각 기기마다 다른 충전기"였다면, MCP는 "모든 기기가 공유하는 USB-C 포트"입니다.
이전 (Before MCP):
AI ──→ GitHub专用连接
──→ Slack专用连接
──→ Database专用连接
──→ File System专用连接
= 각각 따로 개발 필요 ❌
MCP 이후 (After MCP):
AI ──→ MCP ──→ GitHub
├────→ Slack
├────→ Database
└────→ File System
= 하나의 표준으로 모두 연결 ✅🔍 핵심 개념
MCP (Model Context Protocol) = AI 시스템을 위한 개방형 연결 표준
- 목적: AI 모델과 외부 시스템 간의 표준화된 통신
- 개발자: Anthropic (2024년 11월 오픈소스로 공개)
- 현황: 업계 표준 (OpenAI, Google, Microsoft 전면 도입)
🌟 MCP의 핵심 가치
1. 표준화 (Standardization)
Before:
- 각 시스템마다 다른 연결 방식
- 중복 개발
- 유지보수 어려움
After MCP:
- 단일 표준 프로토콜
- 재사용 가능한 커넥터
- 확장 용이2. 상황 공유 (Context Sharing)
여러 시스템에서의 정보를 AI가 통합하여 이해할 수 있습니다.
3. 확장성 (Scalability)
새로운 도구를 쉽게 추가하고 제거할 수 있습니다.
3. 스킬 (Skills)
💡 쉬운 비유 (Analogy)
스킬은 "직원의 전문 기술"과 같습니다.
에이전트에게 스킬을 가르치는 것은 직원에게 새로운 기술을 훈련시키는 것과 같습니다.
🔍 핵심 개념
Skill (스킬) = 재사용 가능한 기능 단위
- 목적: 복잡한 작업을 작은 단위로 분해
- 장점: 재사용성, 테스트 용이성, 협업
- 예시: 코드 리뷰, 문서 생성, 데이터 분석
🎯 스킬의 종류
1. 기본 스킬 (Basic Skills)
- 파일 읽기/쓰기
- 웹 검색
- API 호출
2. 전문 스킬 (Specialized Skills)
- 코드 리뷰 및 리팩토링
- 성능 최적화
- 보안 검사
3. 커스텀 스킬 (Custom Skills)
- 프로젝트 특화 작업
- 비즈니스 로직
- 특정 도구 통합
4. 서브 에이전트 (Sub-agent)
💡 쉬운 비유 (Analogy)
서브 에이전트는 "전문가 팀"과 같습니다.
메인 에이전트가 "프로젝트 매니저"라면, 서브 에이전트들은 각 분야의 "전문가"들입니다.
🔍 핵심 개념
Sub-agent (서브 에이전트) = 특정 작업에 특화된 에이전트
- 목적: 작업 분리 및 전문성 확보
- 장점: 병렬 처리, 전문성, 유지보수성
- 예시: 리서처, 라이터, 코더, 테스터
🎯 서브 에이전트 예시
메인 에이전트 (Project Manager)
↓
├─→ 리서처 (Researcher): 정보 수집
├─→ 라이터 (Writer): 문서 작성
├─→ 코더 (Coder): 코드 구현
└─→ 테스터 (Tester): 품질 검증📊 계층형 에이전트 시스템
| 에이전트 | 역할 | 주요 작업 |
|---|---|---|
| 👔 메인 에이전트 | Project Manager | 계획, 조율, 의사결정 |
| 🔍 리서처 | Researcher | 정보 수집, 분석 |
| ✍️ 라이터 | Writer | 문서 작성, 편집 |
| 💻 코더 | Coder | 코드 구현, 리팩토링 |
| 🧪 테스터 | Tester | 테스트, 품질 보증 |
5. 실전 시나리오
🎯 시나리오: 웹사이트 성능 최적화
단계 1: 요청 이해
사용자: "제 웹사이트의 성능을 최적화해주세요"
메인 에이전트:
1. 요청 분석
2. 작업 계획 수립
3. 서브 에이전트에게 작업 배분단계 2: 병렬 작업 실행
리서처:
- 현재 성능 지표 분석
- 병목 지점 식별
- 벤치마크 데이터 수집
코더:
- 코드 최적화 구현
- 리소스 로딩 개선
- 캐싱 전략 적용
테스터:
- 성능 테스트 실행
- 사전/사후 비교
- 회귀 테스트단계 3: 결과 통합
메인 에이전트:
1. 모든 결과 수집
2. 종합 보고서 작성
3. 개선 사항 제안
4. 사용자에게 최종 전달6. 용어 정리
📚 핵심 용어
| 용어 | 영어 | 설명 |
|---|---|---|
| 에이전트 | Agent | 자율적으로 작업을 수행하는 AI 시스템 |
| MCP | Model Context Protocol | AI 연결을 위한 표준 프로토콜 |
| 스킬 | Skill | 재사용 가능한 기능 단위 |
| 서브 에이전트 | Sub-agent | 특정 작업에 특화된 에이전트 |
| LLM | Large Language Model | 대규모 언어 모델 |
| 도구 | Tools | AI가 사용할 수 있는 외부 기능 |
🎯 실전 적용 포인트
- 에이전트: 반복적인 작업 자동화
- MCP: 다양한 도구와 표준 방식으로 연결
- 스킬: 재사용 가능한 기능 모듈화
- 서브 에이전트: 복잡한 작업을 전문가 팀으로 분담
🚀 핵심 요약:
현대 AI 아키텍처는 "직원과 팀"과 같습니다.
에이전트는 직원이고, 서브 에이전트는 전문가 팀입니다.
MCP는 표준화된 통신 프로토콜이고, 스킬은 전문 기술입니다.
🎉 Congratulations! / 축하합니다!
You now understand AI Agent concepts! / 이제 AI Agent 개념을 이해했어요!