프롬프트에서 자율 에코시스템으로: 5일 Google x Kaggle AI Agents 인텐시브에서의 나의 학습 여정
Source: Dev.to
지난 5일 동안 저는 Google × Kaggle AI Agents Intensive Course를 수강했습니다. 이 여정은 “프롬프트를 더 잘 쓰는 방법”을 배우는 것에서 시작해 AI 에이전트가 어떻게 생각하고, 행동하고, 기억을 저장하며, 협업하고, 스스로를 평가하는지에 대한 완전한 이해로 빠르게 확장되었습니다.
Google AI Agents Writing Challenge
Day 1 – From Prompt to Action & Agent Architecture
Prompt as an Instruction Chain
프롬프트는 단순한 요청이 아니라 명령 체인을 시작하는 점화 장치입니다:
prompt → goal → decision → action예를 들어 개인 비서에게 “생일 파티를 계획해줘”라고 요청하면, 에이전트는 단일 답변이 아니라 (장소 제안, 예산, 초대 명단, 일정)과 같은 다단계 워크플로를 생성해야 합니다.
Agent Architecture Overview
프롬프트가 불꽃이라면, 아키텍처는 엔진입니다. AI 에이전트는 챗봇이 아니라 상호작용하는 구성 요소들의 시스템이며, 본질적으로 작은 지능형 조직이라고 볼 수 있습니다.
Core Components of Modern Agent Architecture
- Planner (“뇌”) – 모호한 언어를 구조화된 실행 가능한 계획으로 변환합니다.
- Tools (“손과 발”) – 에이전트가 검색, 코드 실행, API 호출, 파일 조작, 데이터 분석 등을 할 수 있게 합니다.
- Memory (“장기 지식”) – 사용자 선호, 이전 단계, 사실, 컨텍스트 등을 저장합니다.
- Evaluator (“품질 검사관”) – 정확성, 안전성, 환각, 올바른 도구 사용 여부를 점검하여 에이전트를 자각하고 스스로 교정하게 합니다.
Types of Agent Architectures
- Reactive Agents – 계획이나 장기 기억이 없는 단순 응답자; 빠른 규칙 기반 답변에 적합합니다.
- Deliberative Agents – 생각 → 계획 → 실행; 도구와 자체 교정을 사용하며 지능형 비서에 가장 가깝습니다.
- Hybrid Agents – 빠른 반응, 깊은 계획, 기억, 도구 사용을 결합; 고급 프로덕션 시스템에서 흔히 사용됩니다.
The Agent Loop
아키텍처는 지속적인 사이클을 통해 작동합니다:
Input → Plan → Use Tools → Observe → Update Memory → Evaluate → Repeat이 루프 덕분에 에이전트는 작업이 완료될 때까지 전략을 동적으로 조정할 수 있습니다.
Day 2 – Agent Tools & Best Practices
Tools Turn Agents into Doers
예시로는 검색 API, 코드 실행, 파일 작업, 데이터 추출 등이 있습니다. Day 1이 “뇌”를 만들었다면, Day 2는 비서에게 노트북, 전화기, 그리고 인터넷을 제공한 셈입니다.
Best Practices
- 필요할 때만 도구를 제공합니다.
- 입력/출력 형식을 엄격히 정의합니다.
- 도구를 독립적으로 테스트합니다.
- 오류를 일으킬 수 있는 모든 것을 샌드박스에 격리합니다.
도구는 기능이 아니라 책임입니다.
Day 3 – Sessions & Memory
Sessions
세션은 에이전트가 대화의 흐름을 유지하고, 작업을 이어가며, 컨텍스트를 보존하게 해 줍니다—즉 “우리가 떠났던 지점부터 다시 시작”하는 것입니다.
Memory
메모리는 에이전트가 선호도, 스타일, 이전 결정, 워크플로 히스토리를 저장하도록 합니다.
비유하자면, 당신의 부상, 목표, 루틴을 기억하는 개인 트레이너와 같아, 에이전트가 당신과 함께 성장할 수 있게 합니다.
Day 4 – Observability & Evaluation
Observability
에이전트는 로그, 메트릭, 오류, 내부 추론, 도구 사용 현황을 노출해야 합니다. 이는 프로덕션 소프트웨어 모니터링과 유사하며 다음 질문에 답하는 데 도움이 됩니다:
- 왜 에이전트가 그렇게 행동했나요?
- 어디에서 실수가 발생했나요?
- 어떤 단계가 실패를 일으켰나요?
Evaluation
에이전트는 정확성, 안전성, 신뢰성, 지연 시간, 비용을 기준으로 평가됩니다. 이를 통해 측정 가능하고, 튜닝 가능하며, 개선 가능한 시스템이 됩니다.
Day 5 – Agent‑to‑Agent Communication
에이전트는 위임, 교차 검증, 협업, 협상, 공동 계획을 통해 작업을 수행할 수 있습니다.
예시: 한 에이전트가 호텔을 찾고, 다른 에이전트가 리뷰를 확인하고, 세 번째가 교통편을 예약하고, 네 번째가 예산을 최적화—이렇게 함께 완벽한 여행 계획을 제공합니다. 미래는 단일 슈퍼 에이전트가 아니라 전문화된 에이전트들의 생태계에 달려 있습니다.
My Biggest Takeaways
- 프롬프트는 단순한 메시지가 아니라 아키텍처의 기반입니다.
- 도구는 에이전트를 행동가로 만듭니다.
- 메모리는 개인화와 연속성을 만들어 줍니다.
- 가시성은 신뢰성을 가져옵니다.
- 평가를 통해 지속적인 개선이 가능합니다.
- 다중 에이전트 시스템은 확장성과 팀워크를 열어줍니다.
이 과정을 통해 저는 AI 시스템 아키텍트처럼 사고하게 되었으며, 단순 사용자에서 벗어났습니다.
Final Reflection
저는 AI 에이전트가 어떻게 작동하는지 배우고자 이 과정을 시작했습니다. 이제는 실제 팀워크를 반영한 AI 에이전트 생태계를 구축하고 싶어합니다. 프롬프트 → 아키텍처 → 도구 → 메모리 → 평가 → 에이전트‑간 오케스트레이션이라는 흐름은 제 AI에 대한 시각을 완전히 바꾸어 놓았습니다.
에이전트는 이제 단순 채팅 인터페이스가 아니라 스스로 개선되는 협업자이며, 워크플로를 확장하고 복잡성을 자동화하며 인간 능력을 증폭시킬 수 있습니다.
Google, Kaggle, 그리고 Dev 커뮤니티에 이 성장하고 배우며 만들 수 있는 기회를 주신 것에 감사드립니다.