에이전트가 모든 문의를 환불로 보낼 때 — 요청 유형을 제어하는 여섯 가지 구조
들어가며 쇼핑몰 고객 문의를 처리하는 대규모 언어 모델(LLM, Large Language Model) 기반 에이전트를 만들었다고 해 봅시다. 처음 만든 기능이 환불 처리였기 때문에 프롬프트도 환불 중심으로 쓰여 있습니다. 주문을 조회하고, 환불 가능 여부를 확인하고, 환불을 접수하는 흐름입니다. 그런데 이 에이전트가 이상하게 … 더 보기
AI에이전트
LangGraph와 Gemini로 만든 회의록 자동화 에이전트: 도구 호출(Tool Calling) 신뢰성 확보 사례
1. 기술 개요 데이터 분석 사업을 여러 건 동시에 진행하다 보면 회의록 작성이 큰 부담이 됩니다. 올해 진행 중인 경기도 분석 사업만 해도 분석 과제가 23건이고, 과제마다 방향성 회의, 진행 상황 보고 회의, 결과 보고 회의를 한 번씩만 해도 69번의 … 더 보기
하네스 엔지니어링: 모델을 바꾸지 않고 에이전트를 개선하는 방법
1. 들어가며 같은 모델을 쓰는데 결과가 다릅니다. 대규모 언어 모델(LLM, Large Language Model) 에이전트를 만들어본 조직이라면 한 번쯤 겪는 상황입니다. 데모에서는 잘 돌던 에이전트가 실제 업무에 붙이면 엉뚱한 도구를 호출하고 몇 턴이 지나면 처음 지시를 잊고 스무 단계짜리 작업의 열두 … 더 보기
AI 에이전트, 거창한 인프라 대신 노션(Notion)과 DAG로 시작하는 법
LLM 에이전트 도구 호출 다이어그램 인트로 사내 챗봇은 단순한 질문에 답할 뿐, 스스로 판단하여 보고서를 쓰거나 신청서를 검토하는 ‘자율형 에이전트’의 역할을 대신할 수 없다. 많은 조직이 에이전트를 도입하고자 거대한 데이터 인프라 구축부터 시작하지만, 가시적인 성과 없이 예산과 인내심만 소진하기 일쑤이다. … 더 보기
Agentic AI: “스스로 일하는 AI”의 시대
들어가며 “ChatGPT에게 보고서 초안을 작성해달라고 했더니 정말 잘 써주더라.” 2023년 이후 우리가 흔히 하는 이야기입니다. 생성형 AI는 사용자가 요청하면 뛰어난 결과물을 만들어냅니다. 하지만 여기엔 전제 조건이 있습니다. 바로 먼저 요청해야 한다는 것입니다. 우리는 Siri에게 “내일 날씨 어때?”라고 물어보고, Alexa에게 “거실 … 더 보기