나노플레이데이즈사전
전체 사전

AI 구조 사전

LLM에 문서 찾기를 더하면 RAG, 정해 둔 순서로 도구를 이으면 AI 워크플로, 다음 할 일을 스스로 고르며 도구를 되풀이해 쓰게 하면 AI 에이전트, 여러 에이전트를 조율하면 에이전틱 AI입니다. 에이전트를 이루는 메모리·벡터 DB·스킬·평가까지 같은 쇼핑몰 고객센터 이야기로 봅니다. 맨 위 작동 구성도에서 질문 하나가 구조마다 어느 상자를 지나 답이 되는지 단계별로 따라갑니다.

작동 구성도: 질문 하나가 지나가는 길

같은 쇼핑몰 환불 문의가 구조마다 어느 상자를 지나 답이 되는지 따라가 보세요. 번호를 누르면 그 단계로 갑니다.

LLM은 글을 조각(토큰)으로 쪼개 넣고, 다음에 올 조각을 하나씩 예측해 이어 붙입니다. 사실을 찾아보는 단계가 없습니다.

1질문 보내기요청

고객 → 토큰화

고객이 "환불 기간이 며칠이에요?"라고 묻습니다. 챗봇은 '너는 쇼핑몰 상담원이다' 같은 지시문과 질문을 한 덩어리 글로 묶습니다.

1 / 5
  • 요청
  • 판단
  • 도구 · 자료
  • 답
  • 미리 이어 둔 연결
모든 단계를 글로 보기

LLM 모델 혼자

  1. 질문 보내기 (고객 → 토큰화) 고객이 "환불 기간이 며칠이에요?"라고 묻습니다. 챗봇은 '너는 쇼핑몰 상담원이다' 같은 지시문과 질문을 한 덩어리 글로 묶습니다.
  2. 토큰으로 쪼개기 (토큰화 → LLM) 글을 '환불'·' 기간'·'이' 같은 조각(토큰)으로 나누고 조각마다 번호를 붙여 모델에 넣습니다. 모델은 글자가 아니라 이 번호 줄을 봅니다.
  3. 다음 조각 하나 고르기 (LLM → 답 조각) 모델은 학습 때 익힌 패턴으로 다음에 올 조각마다 확률을 매기고, 가장 그럴듯한 조각('보통')을 고릅니다. 어딘가를 찾아보지 않습니다.
  4. 붙여서 다시 예측 (답 조각 → LLM) 고른 조각을 입력 끝에 붙여 다시 다음 조각을 고릅니다. 끝 표시가 나올 때까지 되풀이해 '보통 7일 안에 신청하시면 됩니다'를 만듭니다.
  5. 답 보여 주기 (답 조각 → 고객) 조각이 생기는 대로 화면에 흘러나옵니다. 우리 규정(14일)은 학습 데이터에 없어서 흔한 답(7일)을 그럴듯하게 지어냈습니다. 이 빈틈을 채우는 것이 RAG입니다.

RAG + 문서 찾기

  1. 질문 받기 (고객 → 검색기) 고객이 "운동화 받은 지 10일인데 환불돼요?"라고 묻습니다.
  2. 뜻으로 찾기 (검색기 → 벡터 DB) 검색기가 질문을 임베딩(뜻을 담은 숫자 묶음)으로 바꿔 벡터 DB에 묻습니다. 단어가 달라도 뜻이 가까운 문단 조각을 찾습니다.
  3. 찾은 문단 돌려받기 (벡터 DB → 프롬프트 조립) 가장 가까운 문단 3개가 돌아옵니다. 1위는 '환불 규정 3조: 상품을 받은 날부터 14일 안에 환불을 신청할 수 있습니다'입니다.
  4. 문단을 붙여 묻기 (프롬프트 조립 → LLM) '아래 문단만 근거로 답하고 출처를 적어라' + 찾은 문단 + 질문을 한 글로 묶어 LLM에 보냅니다. 모델은 바꾸지 않았고 넣는 글만 늘었습니다.
  5. 근거 있는 답 (LLM → 고객) "받은 지 10일이라 환불됩니다(환불 규정 3조)." LLM 혼자일 때 지어낸 7일 대신 우리 규정대로 답하고 출처도 붙입니다.

AI 워크플로 + 정해 둔 순서

  1. 요청 들어옴 (환불 요청 → 주문 조회) "A-1024 환불해 주세요"가 들어오면 흐름이 시작됩니다. 어떤 환불 요청이든 첫 칸은 늘 주문 조회입니다.
  2. 주문 조회 (주문 조회 → 14일 확인) 주문 DB에서 '3일 전 받은 운동화, 59,000원'을 가져와 다음 칸으로 넘깁니다.
  3. 규칙대로 갈래 고르기 (14일 확인 → 답장 쓰기) 코드에 적힌 '받은 지 14일 이하면 환불'로 갈래를 고릅니다. 3일이니 환불 갈래입니다. 20일이었다면 미리 그려 둔 '기간 지남 안내'로 갑니다.
  4. LLM은 정해진 칸 하나만 (답장 쓰기 → 환불 실행) LLM은 답장 문장을 쓰는 칸에서만 쓰입니다. 쓴 뒤에는 정해진 대로 다음 칸(환불 실행)으로 넘어갑니다.
  5. 같은 순서, 같은 결과 (환불 실행 → 환불 요청) 환불 59,000원이 접수되고 답장이 나갑니다. 몇 번을 돌려도 같은 순서라 예측하기 쉽지만, 교환처럼 그려 두지 않은 요청은 담당자에게 넘깁니다.

AI 에이전트 + 도구 반복

  1. 목표 받기 (고객 → 에이전트) "A-1024 환불해 줘." 무엇을 어떤 순서로 할지는 알려 주지 않습니다.
  2. 1회차: 도구 고르기 (에이전트 → 주문 조회) 에이전트(LLM)가 '먼저 언제 받았는지 알아야 한다'고 판단해 주문 조회 도구를 부릅니다.
  3. 결과 읽기 (주문 조회 → 에이전트) '3일 전 받은 운동화, 59,000원.' 결과를 메모리에 적고 다음 행동을 다시 고릅니다.
  4. 2회차: 규정 확인 (에이전트 → 규정 검색) 받은 지 3일이라는 결과를 보고, 환불할 수 있는지 규정 검색 도구로 확인하기로 합니다.
  5. 결과 읽기 (규정 검색 → 에이전트) '받은 날부터 14일 안 환불 가능.' 조건이 맞으니 환불하기로 판단합니다.
  6. 3회차: 환불 실행 (에이전트 → 환불 API) 환불 API를 부릅니다. 돈이 오가는 도구라 흔히 금액 한도나 사람 확인 조건을 걸어 둡니다.
  7. 목표를 이뤘는지 확인 (환불 API → 에이전트) '59,000원 환불 접수.' 실패했다면 다른 도구를 고르거나 다시 시도했을 것입니다.
  8. 멈추고 보고 (에이전트 → 고객) 목표를 끝냈으므로 반복을 멈추고 결과를 알립니다. 세 번의 도구 순서는 사람이 정하지 않았고 에이전트가 회차마다 골랐습니다.

에이전틱 AI + 여러 에이전트

  1. 목표 받기 (팀장 → 지휘 에이전트) "환불 문의가 줄도록 안내문을 고쳐 줘." 한 에이전트가 혼자 하기엔 조사·작성·검토가 섞인 큰 일입니다.
  2. 일 나누기: 조사 (지휘 에이전트 → 조사 에이전트) 지휘 에이전트가 목표를 조사·제작·검토로 나누고, 먼저 조사를 맡깁니다.
  3. 조사 결과 (조사 에이전트 → 지휘 에이전트) 조사 에이전트가 지난 30일 환불 문의에서 자주 나온 질문 5개를 찾아 돌려줍니다.
  4. 제작 맡기기 (지휘 에이전트 → 제작 에이전트) 조사 결과를 함께 넘겨 안내문 초안을 맡깁니다.
  5. 검토 요청 (제작 에이전트 → 검토 에이전트) 제작 에이전트가 쓴 초안을 검토 에이전트에 넘깁니다.
  6. 되돌림 (검토 에이전트 → 제작 에이전트) '7일 안 환불' 문장이 규정(14일)과 달라 고치라고 돌려보냅니다. 에이전트끼리 서로 확인해 사람이 고칠 일을 줄입니다.
  7. 통과 (검토 에이전트 → 지휘 에이전트) 고친 초안이 검토를 통과해 지휘 에이전트에게 모입니다.
  8. 모아서 보고 (지휘 에이전트 → 팀장) 지휘 에이전트가 결과를 모아 보고합니다. 목표 하나를 에이전트 셋이 나눠 끝냈습니다.

예시가 화면에 보이면 손가락 표시가 저절로 시연합니다. 직접 눌러 봐도 됩니다.

답을 만드는 구조

질문을 받아 글로 답합니다. 주문을 바꾸거나 메시지를 보내는 일은 직접 하지 않습니다.

  • LLM

    Large language model

    아주 많은 글로 미리 학습해, 받은 글(프롬프트) 뒤에 올 말을 이어 쓰는 방식으로 답하는 모델입니다. 학습한 때까지의 지식만 압니다.

    "'환불'을 영어로 뭐라고 해?"

    LLM

    "Refund라고 합니다."

    구성도에서 흐름 보기

    질문을 바꿔 보세요. 학습한 지식만으로 답합니다.

    이럴 때요약·번역·글쓰기·일반 지식 질문처럼 바깥 자료 없이 답할 수 있는 일에 씁니다. 우리 회사 규정이나 학습 뒤에 생긴 일은 모르며, 모를 때도 그럴듯한 답을 지어낼 수 있습니다(환각).

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    대규모 언어 모델, 거대 언어 모델, 언어 모델, 파운데이션 모델, 기반 모델, 생성형 AI 모델, foundation model, large language model

    헷갈리는 이웃

    • RAG LLM은 학습한 것만으로 답하고, RAG는 답하기 전에 우리 문서를 찾아 함께 넘깁니다. 안에서 답을 쓰는 모델은 같습니다.
    • AI 에이전트 LLM은 글로 답하고 끝나며, AI 에이전트는 LLM이 고른 도구를 실제로 실행해 일을 처리합니다.
    복사되는 부탁 문장

    아래 붙인 고객 문의에 보낼 답장 초안을 써 줘. 사과 한 문장 → 문의에서 확인한 사실 → 다음 안내 순서로 다섯 문장 이내 존댓말로 써 줘. 환불 기간·금액처럼 우리 쇼핑몰 규정이 필요한 내용은 지어내지 말고 [규정 확인 필요]라고 비워 둬.

  • RAG

    Retrieval-augmented generation

    질문이 오면 먼저 우리 문서에서 관련 문단을 찾아 LLM에게 함께 넘기고, 그 문단을 근거로 답하게 하는 방식입니다.

    "우리 쇼핑몰 환불 기간이 며칠이야?"

    LLM

    "보통 7일 안에 신청하시면 됩니다."

    구성도에서 흐름 보기

    지금은 문서 없이 답합니다. 버튼을 눌러 문서를 찾아 넣어 보세요.

    이럴 때사내 규정·제품 설명서·고객센터 문서처럼 모델이 학습하지 않은 자료로 답해야 할 때 씁니다. 모델을 다시 학습시키지 않고 문서만 고치면 답이 따라 바뀌고, 찾은 문단을 출처로 보여 줄 수 있습니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    검색 증강 생성, 검색 증강, 문서 검색 답변, 사내 문서 챗봇, 지식 기반 챗봇, 리트리벌, retrieval augmented generation, retrieval

    헷갈리는 이웃

    • LLM 같은 질문에 LLM만 쓰면 흔한 답을 추측하고, RAG는 우리 문서에서 찾은 문단으로 답합니다.
    • AI 에이전트 RAG는 찾기 → 답하기 순서가 정해져 있고 한 번 답하면 끝납니다. AI 에이전트는 결과를 보고 다음에 쓸 도구를 스스로 고르며 여러 번 되풀이합니다.
    복사되는 부탁 문장

    우리 쇼핑몰 고객센터 문서(환불·배송·교환 규정 PDF 12개)로 RAG 질의응답을 만들어 줘. 문서를 조항 단위 500자 안팎 문단으로 나눠 저장하고, 질문마다 관련 문단 3개를 찾아 그 안의 내용으로만 답하게 해 줘. 답 끝에는 근거 문단의 문서 이름과 조항을 출처로 붙이고, 찾은 문단에 답이 없으면 지어내지 말고 '문서에서 찾지 못했습니다'라고 답하게 해 줘. 시험용 질문 20개와 기대 답·근거 조항 표도 함께 만들어 줘.

일을 해내는 구조

목표를 받아 도구를 실행하며 일을 끝냅니다. 정해 둔 순서로 하거나, 에이전트가 스스로 고르거나, 여럿이 나눠 합니다.

  • AI 워크플로

    AI workflow

    사람이 미리 정해 둔 단계 순서대로 LLM과 도구를 차례로 실행해 일을 처리하는 흐름입니다. 다음 단계를 AI가 고르지 않습니다.

    1. 요청 접수
    2. 주문 조회
    3. 14일 안인지 확인
    4. LLM이 답장 쓰기
    5. 환불 실행

    결과: 환불 59,000원 접수 · 답장 발송

    구성도에서 흐름 보기

    들어온 요청을 바꿔 보세요. 흐름은 정해 둔 단계로만 갑니다.

    이럴 때환불 접수·문서 분류처럼 늘 같은 순서로 처리하는 일을 믿을 만하게, 같은 비용으로 되풀이할 때 씁니다. 예외 갈래도 사람이 미리 그려 둬야 하며, 정해 두지 않은 요청은 사람에게 넘기게 합니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    워크플로, 에이전틱 워크플로, LLM 워크플로, AI 자동화, 자동화 흐름, 파이프라인, 체인, workflow, pipeline, chain

    헷갈리는 이웃

    • AI 에이전트 AI 워크플로는 순서가 미리 정해져 있어 결과를 예측하기 쉽고, AI 에이전트는 순서를 스스로 정해 예상 밖 요청에도 대응하지만 결과가 매번 같지는 않습니다.
    • RAG RAG도 찾기 → 답하기 두 단계가 정해진 작은 워크플로입니다. 워크플로는 여기에 조회·실행·발송 같은 단계를 더 잇습니다.
    복사되는 부탁 문장

    환불 요청을 처리하는 AI 워크플로를 만들어 줘. 단계는 ① 고객센터에 환불 요청 접수(트리거) ② 주문 조회 ③ 받은 날부터 14일 안인지 규칙으로 확인 ④ LLM이 답장 쓰기 ⑤ 환불 실행 순서로 고정하고, ③에서 14일이 지났으면 ⑤를 건너뛰고 기간 안내 답장만 보내게 해 줘. 환불이 아닌 요청(교환·주소 변경 등)이나 단계가 실패하면 담당자에게 넘기고, 단계마다 입력·출력·걸린 시간을 기록해 줘. 흐름도도 함께 그려 줘.

  • AI 에이전트

    AI agent

    목표를 받아 다음에 할 일을 스스로 고르고(계획), 검색·코드·API 같은 도구를 실행한 뒤 결과를 보고 다시 고르기를 일이 끝날 때까지 되풀이하는 AI입니다.

    맡긴 일: "주문 A-1024 환불해 줘"

    1. 주문 조회3일 전 받은 운동화, 59,000원
    2. 규정 검색받은 날부터 14일 안 환불 가능
    3. 환불 API59,000원 환불 접수
    4. 답장 보내기환불 접수 안내 발송
    구성도에서 흐름 보기

    버튼을 눌러 에이전트가 도구를 하나씩 고르고 실행하게 해 보세요.

    이럴 때답을 말하는 데서 끝나지 않고 조회·수정·전송처럼 실제로 일을 처리해야 할 때 씁니다. 돈이 나가거나 되돌리기 어려운 도구는 실행 전에 사람 확인을 받게 하고, 되풀이 횟수에 상한을 둡니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    에이전트, LLM 에이전트, 도구를 쓰는 AI, 에이전트 루프, 도구 호출, 플래너, tool use, agent loop, agent

    헷갈리는 이웃

    • AI 워크플로 같은 도구를 써도 AI 워크플로는 사람이 정한 순서대로만 가고, AI 에이전트는 결과를 보고 다음 도구를 스스로 고릅니다. 예상 밖 요청에는 에이전트가, 늘 같은 일을 믿을 만하게 처리하는 데는 워크플로가 맞습니다.
    • RAG RAG의 '문서 찾기'는 에이전트가 고를 수 있는 도구 가운데 하나가 됩니다. 에이전트는 찾은 뒤 환불 실행처럼 바깥 시스템을 바꾸는 일까지 합니다.
    • 에이전틱 AI AI 에이전트는 하나가 도구를 번갈아 쓰며 일을 끝내고, 에이전틱 AI는 여러 에이전트에게 일을 나눠 맡기고 결과를 모아 조율합니다.
    복사되는 부탁 문장

    고객 환불 요청을 처리하는 AI 에이전트를 만들어 줘. 쓸 수 있는 도구는 주문 조회(order_lookup), 환불 규정 검색(policy_search), 환불 실행(refund_create), 고객 답장(reply_send) 네 개야. 도구 결과를 보고 다음 도구를 고르게 하되, 환불 실행 전에는 주문일·금액·근거 조항을 담당자에게 보여 주고 승인을 받게 해 줘. 도구 호출은 최대 8번으로 제한하고, 규정에 맞지 않으면 환불하지 말고 이유를 답장하게 해 줘. 단계마다 고른 도구·이유·결과를 기록으로 남겨 줘.

  • 에이전틱 AI

    Agentic AI

    큰 목표를 받은 지휘 에이전트(오케스트레이터)가 일을 나눠 조사·제작·검토 같은 여러 에이전트에게 맡기고, 결과를 모아 목표를 끝낼 때까지 조율하는 방식입니다.

    목표: "환불 문의가 줄도록 안내문을 고쳐 내보내기"

    지휘조사제작검토내보냄
    구성도에서 흐름 보기

    버튼을 눌러 지휘 에이전트가 일을 나누고 모으는 과정을 따라가 보세요.

    이럴 때한 에이전트가 맡기에는 길고 여러 전문 일이 섞인 목표(조사해서 만들고 검토해 내보내기)에 씁니다. 에이전트가 늘수록 비용과 시간이 커지므로 한 에이전트로 되는 일에는 쓰지 않습니다. '에이전틱'은 스스로 일하는 AI 전반을 넓게 부르는 말로도 흔히 쓰여, 요청할 때는 어떤 에이전트가 무엇을 나눠 맡는지까지 적습니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    에이전틱, 멀티 에이전트, 멀티 에이전트 시스템, 다중 에이전트, 에이전트 오케스트레이션, 오케스트레이터, 슈퍼바이저 에이전트, supervisor agent, multi-agent system, agentic

    헷갈리는 이웃

    • AI 에이전트 AI 에이전트는 혼자 도구를 번갈아 쓰고, 에이전틱 AI는 지휘 에이전트가 여러 에이전트에게 일을 나누고 되돌려 보내며 조율합니다.
    • LLM 에이전트마다 안에는 LLM이 들어 있습니다. 같은 LLM에 역할만 다르게 주기도 하고, 일마다 다른 모델을 쓰기도 합니다.
    복사되는 부탁 문장

    환불 문의를 줄이도록 환불 안내 페이지를 고쳐 내보내는 멀티 에이전트 작업을 설계해 줘. 지휘 에이전트(오케스트레이터)가 목표를 나눠 조사 에이전트(지난 30일 환불 문의에서 자주 나온 질문 5개 정리), 제작 에이전트(그 질문에 답하는 안내문 초안), 검토 에이전트(환불 규정과 어긋난 문장 찾기)에게 맡기게 해 줘. 에이전트끼리 넘기는 자료 형식을 정하고, 검토에서 걸린 문장은 제작 에이전트로 되돌려 최대 2번까지 고치게 해 줘. 게시는 사람이 최종 승인한 뒤에만 하고, 에이전트별 걸린 시간과 비용을 기록해 줘.

에이전트를 이루는 부품

에이전트가 기억하고, 자료를 찾고, 일하는 방법을 꺼내 쓰고, 잘하는지 점검받게 하는 부품입니다.

  • 에이전트 메모리

    Agent memory

    지금 대화에서 나온 내용(단기 기억)과 지난 대화에서 남겨 둔 사실(장기 기억)을 저장해 두었다가 다음 답을 쓸 때 LLM에게 다시 넘기는 부품입니다.

    앞서 고객: "A-1024 환불하려고요."

    "그거 환불 언제 들어와요?"

    "어떤 주문을 말씀하시는지 주문 번호를 알려 주세요."

    메모리를 바꿔 보세요. 같은 '그거'를 알아듣는지가 달라집니다.

    이럴 때LLM은 부를 때 넘긴 글만 보므로, 앞서 들은 주문 번호나 고객이 지난번 밝힌 사정을 이어 쓰려면 메모리가 필요합니다. 장기 기억에는 무엇을 얼마 동안 남길지 정하고, 고객이 지워 달라고 하면 지울 수 있게 합니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    메모리, AI 메모리, 단기 기억, 장기 기억, 대화 기억, 대화 맥락, short-term memory, long-term memory, memory

    헷갈리는 이웃

    • RAG RAG는 회사 문서에서 찾아 넣고, 메모리는 이 고객과 나눈 대화에서 남긴 것을 꺼내 넣습니다.
    • 벡터 DB 장기 기억이 많이 쌓이면 흔히 벡터 DB에 넣고, 지금 대화와 뜻이 가까운 기억만 꺼내 옵니다.
    복사되는 부탁 문장

    고객센터 에이전트에 메모리를 붙여 줘. 단기 기억은 이번 대화의 최근 20턴을 그대로 넘기고, 넘치면 앞부분을 다섯 줄로 요약해 줘. 장기 기억은 대화가 끝날 때 주문 번호·처리 결과·고객이 밝힌 선호만 한 줄씩 뽑아 고객 ID별로 90일 저장하고, 카드 번호·주소 같은 개인정보는 남기지 마. 새 대화에서는 관련 기억 3개까지만 꺼내 넣고, 고객이 '기억 지워 줘'라고 하면 그 고객의 장기 기억을 모두 지우게 해 줘.

  • 벡터 DB

    Vector database

    글을 뜻이 담긴 숫자 묶음(임베딩)으로 바꿔 저장해 두고, 질문과 뜻이 가까운 글을 단어가 달라도 찾아 주는 저장소입니다.

    질문: "돈 돌려받으려면 며칠 안에 말해야 해?"

    1. 환불 규정 3조상품을 받은 날부터 14일 안에 환불을 신청할 수 있습니다.-
    2. 교환 규정 2조사이즈 교환은 받은 날부터 7일 안에 한 번 무료입니다.-
    3. 배송 안내 1조주문 다음 날부터 2~3일 안에 도착합니다.-

    찾는 방법을 바꿔 보세요. 질문에 '환불'이라는 단어가 없습니다.

    이럴 때RAG에서 질문과 관련된 문단을 찾거나, 쌓인 장기 기억에서 비슷한 것을 꺼낼 때 씁니다. 주문 번호·날짜처럼 글자가 정확히 맞아야 하는 값은 흔히 일반 데이터베이스 조회나 단어 검색을 함께 씁니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    벡터 데이터베이스, 벡터 저장소, 임베딩, 벡터 검색, 의미 검색, 유사도 검색, FAISS, Qdrant, embedding, semantic search, vector store

    헷갈리는 이웃

    • RAG RAG는 찾아서 답하는 방식 전체이고, 벡터 DB는 그중 '찾기'를 맡는 저장소입니다. RAG가 꼭 벡터 DB를 써야 하는 것은 아닙니다.
    • 에이전트 메모리 메모리는 무엇을 기억할지 정하는 부품이고, 벡터 DB는 그 기억을 뜻으로 찾아 꺼내는 저장소입니다.
    복사되는 부탁 문장

    고객센터 문서 검색용 벡터 DB를 만들어 줘. 규정 문서를 조항 단위로 나눠 임베딩하고, 문서 이름·조항·수정일을 함께 저장해 줘. 질문이 오면 뜻이 가까운 문단 5개를 찾되 유사도 0.5 미만은 버리고, 주문 번호·상품코드가 들어간 질문은 단어 검색 결과와 합쳐 순위를 다시 매겨 줘. 문서를 고치면 그 문서의 조항만 다시 넣게 하고, 시험용 질문 20개로 찾은 문단이 맞는지 확인하는 표도 만들어 줘.

  • 스킬

    Agent Skills

    특정 일을 하는 방법(지침·예시·스크립트)을 폴더 하나로 묶어 두고, 에이전트가 그 일이 필요할 때만 꺼내 읽어 따르게 하는 부품입니다.

    • 환불 답장 쓰기환불 문의에 답할 때
    • 주간 보고서주간 실적을 정리할 때
    • 상품 사진 정리상품 사진을 올릴 때

    요청을 바꿔 보세요. 평소에는 스킬 이름과 설명만 보고, 맞는 스킬만 펼쳐 읽습니다.

    이럴 때환불 답장 쓰는 법, 보고서 양식처럼 되풀이하는 일의 방법을 매번 설명하지 않고 한 번 써 두고 싶을 때 씁니다. 평소에는 이름과 한 줄 설명만 보이고 본문은 필요할 때만 읽어 들여, 스킬이 많아도 대화가 무거워지지 않습니다. 남이 만든 스킬은 안의 지침과 스크립트를 읽어 보고 설치합니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    에이전트 스킬, 클로드 스킬, Claude Skills, AI 스킬, SKILL.md, 작업 설명서, 슬래시 명령, skills, agent skills

    헷갈리는 이웃

    • 에이전트 메모리 메모리는 대화에서 알게 된 사실을 남기고, 스킬은 사람이 미리 써 둔 일하는 방법을 담습니다.
    • AI 워크플로 워크플로는 실행 순서를 코드로 고정하고, 스킬은 에이전트가 읽고 따르는 방법 설명이라 상황에 맞춰 적용합니다.
    복사되는 부탁 문장

    우리 고객센터 환불 답장 방법을 스킬로 만들어 줘. 폴더 이름은 refund-reply, SKILL.md 맨 위 설명에는 '환불 문의에 답장을 쓸 때 사용'이라고 적어 언제 쓰는지 알 수 있게 해 줘. 본문에는 사과 한 문장 → 근거 규정 조항 → 처리 날짜 순서, 금액은 주문 조회 결과만 쓰기, 규정에 없는 약속 금지를 적고, 좋은 답장 예시 2개와 나쁜 예시 1개를 붙여 줘. 본문은 한 화면 안으로 짧게 쓰고, 긴 규정 원문은 따로 파일로 두고 필요할 때만 읽게 해 줘.

  • 평가(Evals)

    Evals

    질문과 기대 답·채점 기준을 모은 시험지로 AI의 답을 자동으로 채점해, 프롬프트·모델·도구를 바꿔도 품질이 떨어지지 않았는지 숫자로 확인하는 일입니다.

    18 / 20 통과

    틀린 문항: 해외 배송 관세 문의, 선물 포장 취소 문의

    채점할 버전을 바꿔 보세요. 같은 시험지 20문항으로 채점합니다.

    이럴 때프롬프트를 고치거나 모델을 바꾸기 전후에 같은 시험지로 돌려 비교할 때 씁니다. 정답 일치·근거 일치·규정 위반 여부처럼 채점 기준을 먼저 정하고, 실제로 틀렸던 질문을 시험지에 계속 더합니다. 몇 개만 눈으로 보고 '좋아졌다'고 판단하지 않습니다.

    다른 이름 · 헷갈리는 이웃
    다르게 부르는 말
    평가, 이밸, 에벌, 평가 세트, LLM 평가, 에이전트 평가, 회귀 시험, evaluation, eval set, LLM evaluation

    헷갈리는 이웃

    • RAG RAG를 만들면 '찾은 문단이 맞는지'와 '답이 그 문단에 있는지'를 따로 평가 항목으로 둡니다.
    • 스킬 스킬이나 프롬프트를 고친 뒤에도 같은 시험지로 돌려 나빠진 곳이 없는지 확인합니다.
    복사되는 부탁 문장

    고객센터 에이전트 평가 세트를 만들어 줘. 실제 문의에서 뽑은 질문 20개(환불 8·교환 6·배송 6)마다 기대 답, 근거 규정 조항, 꼭 들어가야 할 숫자를 적어 줘. 채점은 숫자 일치(자동), 근거 조항 일치(자동), 규정에 없는 약속 여부(LLM 채점, 판단 이유 한 줄)로 하고, 프롬프트를 바꿀 때마다 이전 결과와 나란히 놓아 새로 틀린 문항을 맨 위에 보여 줘. 새로 틀린 문항이 하나라도 있으면 배포하지 않는다는 규칙도 적어 줘.

이럴 때 씁니다
  • 회의·기획서에서 'AI 붙이자'는 말이 나왔을 때, 필요한 것이 답하기인지 문서로 답하기인지 일 처리인지 구조 이름으로 정하고 싶을 때
  • LLM·RAG·워크플로·에이전트·에이전틱이라는 말을 들었을 때 각각 무엇이 더해진 구조인지 구분하고 싶을 때
  • 에이전트 프로젝트에 나오는 메모리·벡터 DB·스킬·평가가 각각 무슨 일을 맡는지 알고 싶을 때
  • AI나 개발자에게 챗봇·에이전트를 만들어 달라고 할 때 자료·도구·사람 확인 조건까지 담아 부탁하고 싶을 때
사용법
  1. 분류(답을 만드는·일을 해내는 구조, 에이전트를 이루는 부품)에서 구조를 고르거나, 사전 첫 화면 검색에 아는 말을 적습니다.
  2. 모든 예시는 같은 쇼핑몰 고객센터 이야기입니다. 화면에 들어오면 손가락 표시가 직접 눌러 보여 주고, 상태 줄에서 그 구조가 무엇을 더했는지 읽습니다. 직접 눌러 봐도 됩니다.
  3. 헷갈리는 이웃에서 다른 구조와의 차이를 보고, 부탁 문장 복사를 눌러 AI나 요청서에 붙여넣습니다.
꼭 알아둘 점
  • 예시는 실제 AI를 부르지 않고 미리 정한 답을 보여 줍니다. 주문 번호·금액·환불 기간은 모두 지어낸 값입니다.
  • 구조들은 앞 구조를 버리지 않고 능력을 더합니다. RAG·워크플로·에이전트·에이전틱 AI 안에서도 답을 쓰는 것은 LLM입니다.
  • 'AI 에이전트'와 '에이전틱 AI'는 회사·글마다 경계를 다르게 쓰기도 합니다. 이 사전은 흔히 쓰는 구분(에이전트 하나가 도구를 되풀이해 씀 / 여러 에이전트를 조율함)을 따릅니다.
자주 묻는 질문
LLM과 RAG는 어떻게 다른가요?
LLM은 학습한 내용만으로 답하고, RAG는 답하기 전에 우리 문서에서 관련 문단을 찾아 LLM에게 함께 넘깁니다. 그래서 RAG는 사내 규정처럼 모델이 모르는 내용도 출처와 함께 답할 수 있습니다.
RAG와 파인튜닝은 어떻게 다른가요?
파인튜닝은 모델을 추가로 학습시켜 말투·형식·전문 분야의 답하는 방식을 바꾸는 일이고, RAG는 모델은 그대로 두고 답할 때마다 문서를 찾아 넣습니다. 자주 바뀌는 사실이나 출처가 필요한 답에는 흔히 RAG가 맞습니다.
AI 워크플로와 AI 에이전트 중 무엇을 써야 하나요?
처리 순서를 미리 그릴 수 있고 늘 같은 결과가 중요하면 워크플로가 맞습니다. 요청마다 필요한 단계가 달라 순서를 미리 정할 수 없을 때 에이전트를 씁니다. 흔히 워크플로로 시작하고, 예외가 많은 단계에만 에이전트를 넣습니다.
RAG 챗봇도 에이전트인가요?
찾기 → 답하기 순서가 정해져 있고 한 번 답하면 끝나면 RAG입니다. 결과를 보고 다음에 쓸 도구를 스스로 고르며 일이 끝날 때까지 되풀이하면 AI 에이전트입니다. 에이전트가 고르는 도구 가운데 하나로 문서 찾기를 쓰기도 합니다.
스킬과 메모리는 어떻게 다른가요?
스킬은 사람이 미리 써 둔 일하는 방법(답장 양식·보고서 순서 등)이고, 메모리는 대화하면서 알게 된 사실(주문 번호·고객 사정)입니다. 스킬은 평소에 이름과 설명만 보이다가 맞는 일이 오면 본문을 읽습니다.
에이전트는 많을수록 좋은가요?
아닙니다. 에이전트가 늘면 주고받는 단계만큼 비용과 시간이 늘고 틀릴 곳도 많아집니다. 에이전트 하나로 끝나는 일은 하나로 하고, 서로 다른 전문 일이 길게 이어질 때 여럿으로 나눕니다.

광고