[AI Agent] AI Agent와 ToolCalling1

1. AI Agent 개요

 • AI Agent

 : LLM을 추론&의사결정 중심으로 사용해 '계획 수립 → 실행 → 관찰 → 판단' 반복하며 자율적으로 목표 달성하는 시스템

 

 • Workflow vs Agent

  - Workflow : 미리 정해진 절차대로 실행(반복적·정형화된 작업에 적합)

  - Agent : 상황에 따라 스스로 판단해 도구·행동 선택(중간 결과에 따라 흐름 달라지는 문제에 적합)

 

 • 주요 특징

 ➀ 자율성 : LLM 추론 스스로 판단(규칙 기반 X)

 ➁ 목표 지향성 : "이 행동이 목표 달성에 도움이 되는가" 기준 판단

 ➂ 도구 활용 : 외부 API·도구로 실제 작업 수행

 ➃ 인간 개입 최소화 : 사람은 초기 목표 제시&최종 승인 정도만 개입

 

2. 싱글 에이전트 vs 멀티 에이전트

 • 싱글 에이전트  : 하나의 컨텍스트 안에서 인식-추론-행동-관찰 모두 처리

  - 장점 : 단순, 저지연, 저비용, 추적 용이

  - 한계 : 컨텍스트 한계, 병렬 처리 불가

 • 멀티 에이전트 : 오케스트레이터(슈퍼바이저)가 작업 분해해 워커 에이전트들에게 위임, 결과 종합

  - 구성 패턴 : 슈퍼바이저-워커, 순차 파이프라인, 수평적 협업

  - 비용 / 위험 : 조율 비율 발생, 토큰 소비 급증

Anthropic 리서치 사례 : 리드(Opus) + 서브(Sonnet) 멀티 에이전트가 단일 Opus 대비 약 90% 이상 높은 성능
→ 주로 토큰 사용량 및 병렬 컨텍스트 분산 덕분

 

3. ReAct 패턴

 : Reasoning + Acting 결합한 프롬프팅 패턴

 • 동작 : 질문 입력 → 사고(Thought) → 행동(Action, 도구 호출) → 관찰(Observation) → 반복 또는 종료

 • 장점 : 투명성(디버깅 용이), 정확성(환각 감소), 유연성, 해석 가능성

 

4. Tool과 Toll Calling

 • Tool이 필요한 이유 - LLM의 한계

LLM 한계	분류	Tool 대응	예시
Knowledge Cutoff	Read	최신 정보 조회	Web Search, News API
실시간 데이터 미접근	Read	현재 데이터 조회	DB Query, Weather API
개인·조직 데이터 미접근	Read	파일·문서 접근	File Reader
연산 부정확 / 코드 실행 불가	Execute	계산·코드 실행 위임	Calculator, Python REPL
시스템 연동 불가	Execute	외부 액션	REST API, 메시지 전송

 

 • Tool Calling 3단계

 ➀ Tool Binding(model.bind_tools([...]) → ➁ LLM 필요 시 tool_calls 반환 ➂ tool 실행 후 결과(ToolMessage)를 다시 LLM에 전달

 

5. LangChain Built-in Tools

 • TavilySearch(langchain-tavily) : 키워드/출처 기반, 인용에 강함(월 1000회 무료)

 • ExaSearchResults / ExaFindSimilarResults(langchain-exa) : 임베딩 기반 의미 검색(neural / keyword / auto), livecrawl 옵션 제공. 자연어 설명만으로 관련 페이지 탐색에 강함

 

6. LLM Tool Calling 흐름

➀ Tool Binding

model = ChatOpenAI(model="gpt-5.4-mini")
tool_model = model.bind_tools(tools=[exa_search])

 • 응답의 content와 tool_calls 중 하나만 값 존재(tool 호출 필요 시 content는 빈 문자열, tool_calls에 정보)

 

➁ Tool 호출

search_result1 = exa_search.invoke(result3.tool_calls[0]) # 단건
search_result = exa_search.batch(result3.tool_calls)      # 복수(batch)

 • 반환 타입 : ToolMessage

 

➂ Tool 결과를 다시 LLM에 전달

 • 프롬프트 순서 : system/human → tool_calls 담긴 AIMessage → ToolMessage

 • MessagesPlaceholder(variable_name="tool_messages", optional=True)로 프롬프트에 삽입

@chain
def web_agent(query: str) -> tuple[str, list]:
    messages = []
    ai_message = tool_model_chain.invoke(query)
    while ai_message.tool_calls:
        for tool_call in ai_message.tool_calls:
            if tool_call["name"] == tavily_search_name:
                messages.append(tavily_search.invoke(tool_call))
            elif tool_call["name"] == exa_search_name:
                messages.append(exa_search.invoke(tool_call))
        messages = [ai_message] + messages
        ai_message = tool_model_chain.invoke({"query": query, "tool_messages": messages})
    messages.append(ai_message)
    return ai_message.content, messages

- 이 패턴이 곧 ReAct 루프(Thought → Action → Observation 반복) 코드 구현