Langchain으로 AI Agent 만들기 (2) : Tool 연결하기

목차

 

 

1. Tool이란?

• 에이전트(LLM)가 사용할 수 있도록 노출된 하나의 기능 단위(도구)
• 예: 검색, 계산기, DB 질의, 파일 요약기 등 
• 구성요소
  • name: 도구 이름(LLM이 호출할 때 사용)
  • description: 언제/왜 쓰는지 설명(LLM이 선택을 판단하는 힌트)
  • args_schema: 입력 형식(pydantic 모델 → JSON 스키마로 강제)
  • invoke(): 실제 동작하는 함수

 

Toolkit이란?

• 여러 개의 tool들을 논리적으로 묶어 놓은 세트
• 예: SQLDatabaseToolkit(SQL 질의 관련 도구 묶음), VertorStoreToolkit(임베딩 검색, 문서 조회 도구 묶음)
• toolkit.get_tools()로 실제 tool 리스트를 꺼내서 에이전트에게 넘겨줄 수 있음

 

 

Tool 정의하기 (계산기)

from langchain_core.tools import tool
from pydantic import BaseModel, Field

class CalcInput(BaseModel):
    expr: str = Field(..., description="계산할 수식, 예: '2*(3+4)'")

@tool(args_schema=CalcInput)
def calc(expr: str) -> str:
    """간단한 계산기"""
    return str(eval(expr))

from langchain.agents import Tool

# toolkit처럼 묶어서 제공
my_toolkit = [calc]  # 실제로는 여러 tool 넣을 수 있음

 

 

 

2. AgentExecutor란?

• "LLM(에이전트의 두뇌) + 도구(tool들) + 실행 루프"를 묶어서 실제 실행하는 컨트롤러
• 내부 동작
  • 유저 입력 받기
  • 어떤 도구를 쓸지 판단
  • 도구 호출 → 결과 관찰
  • 필요하면 다시 판단, 반복
  • 최종 답변 생성
• invoke() / run() 메서드로 실행

 

흐름 정리

1️⃣ User 질문

2️⃣ AgentExecutor (컨트롤러)

3️⃣ Agent (LLM 두뇌가 판단/계획. "지금 이 질문은 검색/계산/DB 중 무엇이 필요할까?")

4️⃣ (필요시) Tool/Toolkit 실행

5️⃣ 결과 수집 → Agent 판단 반복

6️⃣ 최종 답변

 

 

계산기 예제 실행 (Gemini API 연결)

# 필요한 라이브러리 설치
# pip install -q langchain langchain-google-genai pydantic

import os, math
from pydantic import BaseModel, Field

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor

# --- 1) Tool 정의 ---
class CalcInput(BaseModel):
    expr: str = Field(..., description="계산식, 예: '3+4*2'")

@tool(args_schema=CalcInput)
def calc(expr: str) -> str:
    """간단 계산기(안전 모드: math만 허용)"""
    allowed = {"__builtins__": {}}
    safe_math = {k: getattr(math, k) for k in dir(math) if not k.startswith("_")}
    return str(eval(expr, allowed, {"math": safe_math}))

tools = [calc]

# --- 2) LLM 준비 (Gemini) ---
# 환경변수 GOOGLE_API_KEY 필요
llm = ChatGoogleGenerativeAI(model="gemini-1.5-flash", temperature=0.0)

# --- 3) Prompt (tools/agent_scratchpad 포함) ---
base_prompt = ChatPromptTemplate.from_messages([
    ("system",
     "너는 친절한 AI 도우미야. 필요하면 도구를 활용해 답해.\n"
     "사용 가능한 도구:\n{tools}\n"
     "도구는 꼭 필요한 경우에만 호출하고, 결과를 근거로 최종 답을 정리해.\n"
     "귀여운 말투로 대답해줘."),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# {tools} 변수에 실제 도구 설명을 주입
def render_tools(ts):
    return "\n".join(f"- {t.name}: {t.description}" for t in ts)

prompt = base_prompt.partial(tools=render_tools(tools))

# --- 4) Agent & Executor ---
agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=3)

# --- 5) 실행 ---
result = executor.invoke({"input": "3+4*2 계산해줘"})
print(result["output"])  # 예: "결과는 11입니다"

출력:


> Entering new AgentExecutor chain...

Invoking: `calc` with `{'expr': '3+4*2'}`
responded: 안녕하세요! 💖

3 + 4 * 2를 계산해 드릴게요! ✨



113+4*2는 11이래!  계산기가 그렇게 말해줬어 🥰


> Finished chain.
3+4*2는 11이래!  계산기가 그렇게 말해줬어 🥰

 

 

 

 

3.1 Tool 호출 전략 : ReAct 스타일

• 생각(Reason) → 도구 사용(Action) → 관찰(Observation)을 반복
• 도구 사용 예시를 프롬프트에 few-shot으로 넣음
• 장점: 에이전트의 계획이 투명함(로그로 Thought, Action, Observation 추적), 복합 멀티스텝에 강함
• 단점: 토큰/시간 비용이 많이 소모되며, 도구 남용 위험

의사결정 흐름

1️⃣ 사용자 입력 해석 / 의도 파악

2️⃣ 도구 후보 매칭

• 도구의 name/description/examples를 기반으로 '가능한 도구 집합' 추리기
• 선행 조건(필수 인자 보유 여부 등) 확인

3️⃣ 계획 초안(멀티스텝) 수립

• "검색 → 필터링 → 계산 → 최종 작성" 과 같이 행동 순서를 계획

4️⃣ 행동 실행 루프

• 현재 단계에서 가장 기대효용이 큰 도구 1개를 선택, 호출
• Observation(도구 응답) 기록
• 다음 행동(다른 도구, 종료, 재시도) 결정
• 최대 스텝/토큰/시간 한도 초과 시 루프 종료

 

예시(검색+계산 도구)

# 필요 라이브러리 설치(DuckDuckGo)
# pip install duckduckgo-search langchain_community

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_community.tools import DuckDuckGoSearchResults
from langchain_core.tools import tool
from langchain.agents import create_react_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 1) 도구 정의
search = DuckDuckGoSearchResults(
    name="web-search",
    description="사실 확인/최근 동향 검색에 사용. 쿼리는 한국어/영어 모두 허용.",
    num_results=5,
)

@tool
def calc(expr: str) -> str:
    """수식 문자열을 계산. 예: '2*(3+4)/7'"""
    import math
    return str(eval(expr, {"__builtins__": {}}, {"math": math}))

# toolkit 정의
tools = [search, calc]

# 2) LLM
llm = ChatGoogleGenerativeAI(model="gemini-1.5-flash", temperature=0.0)


# 3) ✅ ReAct용 프롬프트 (필수 변수 포함: tools, tool_names, agent_scratchpad)
react_template = ChatPromptTemplate.from_messages([
    ("system",
     "너는 신뢰 가능한 에이전트다. 필요한 경우에만 도구를 사용하고, 최종 답변은 근거를 간결히 정리한다."),
    ("human",
     "질문: {input}\n\n"
     "사용 가능한 도구들:\n{tools}\n\n"
     "도구를 사용할 땐 아래 형식을 따르라:\n"
     "Thought: 다음에 무엇을 할지 사고한다\n"
     "Action: 사용하려는 도구 이름 중 하나 [{tool_names}]\n"
     "Action Input: 도구에 전달할 입력\n"
     "Observation: 도구의 결과\n"
     "... (필요하면 반복)\n"
     "Final Answer: 최종 답변\n"),
    # 에이전트의 중간 추론/도구 사용 로그가 여기에 주입됨
    ("assistant", "{agent_scratchpad}"),
])

# 4) 에이전트 & 실행기
agent = create_react_agent(llm, tools, react_template)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=4)

# 사용 예시
result = executor.invoke({"input": "어제 발표된 한국의 AI 관련 주요 뉴스 2개 요약하고, '3+4*2' 계산도 해줘"})
print("\n=== 최종 ===\n", result["output"])

출력:

> Entering new AgentExecutor chain...
Thought: 어제 발표된 한국의 AI 관련 주요 뉴스 2개를 찾아야 하고, 수식도 계산해야 한다.  먼저 뉴스 검색을 하고, 그 다음 수식을 계산하겠다.

Action: web-search
Action Input: "어제 한국 AI 뉴스"
snippet: June 28, 2025 - [편집자 주] 한 주간 주요 인공지능( AI ) 동향을 THE AI가 정리해 드립니다. [ AI 주간브리핑]을 보시며 주요 AI 이슈를 만나보세요. 본문 내 제목을 클릭하면 자세한 기사 내용을 보실 수 있습니다. 한국 AI가 드디어 기지개를 켜는 ..., title: THE AI [AI 주간브리핑] 한국 AI, 반격 시작, link: https://www.newstheai.com/news/articleView.html?idxno=8210, snippet: April 7, 2025 - 문화체육관광부는 한국언론진흥재단과 함께 지난달 24일 국내 최대 뉴스 분석시스템인 ' 빅카인즈(www.bigkinds.or.kr) '를 인공지능 기반 뉴스 서비스로 전면 개편했다고 7일 전했다., title: Korea 매일 1만여 건 뉴스, '빅카인즈 AI'에 맡기면 요약·분석 무료 - 정책뉴스 | 뉴스 | 대한민국 정책브리핑, link: https://www.korea.kr/news/policyNewsView.do?newsId=148941416, snippet: 1 week ago - 챗GPT, 딥시크 등 전 세계적으로 인공지능( AI ) 열풍이 불고 있습니다., title: SBS 인공지능(AI) 열풍 - 이슈 : SBS 뉴스 기사 목록, link: https://news.sbs.co.kr/news/newsHotIssueList.do?tagId=10000059074, snippet: May 7, 2025 - 인공지능 기술의 발전 속도가 가속화되는 지금, 신뢰할 수 있는 AI 정보원이 필수적입니다. 이 글에서는 AI타임스, 인공지능신문부터 MIT Technology Review, DeepMind Blog까지 국내외 주요 AI 정보 허브를 소개합니다., title: Superb-ai 2025 AI 최신 트렌드를 한눈에 - 국내외 필수 AI 정보 허브 총정리, link: https://blog-ko.superb-ai.com/essential-ai-information-hubs-guide-2025/, snippet: October 6, 2024 - 다른 AI 검색과 달리 최신 뉴스 검색도 가능합니다., title: JoongAng Ilbo [알림] 새로운 'AI 뉴스검색'...중앙일보, 60년 기사가 답해드립니다 | 중앙일보, link: https://www.joongang.co.kr/article/25282409검색 결과는 특정 날짜에 발표된 뉴스를 명확히 제시하지 않고,  AI 관련 뉴스를 폭넓게 보여줍니다.  구체적인 어제의 뉴스를 찾기 어렵습니다.  따라서 최근의 주요 뉴스 2개를 요약하는 것으로 대체하겠습니다.  그리고 수식 계산을 진행합니다.


Action: calc
Action Input: '3+4*2'
3+4*2Final Answer: 어제 발표된 한국의 AI 관련 뉴스를 특정할 수 없으나, 최근 주요 뉴스로는  '빅카인즈 AI 기반 뉴스 서비스 전면 개편' (한국언론진흥재단)과  '국내 AI 기술 발전 및 경쟁력 강화' 관련 뉴스 (구체적인 소식은 검색 결과에서 명확히 확인되지 않음)를 예로 들 수 있습니다.  '3+4*2'의 계산 결과는 11입니다.


> Finished chain.

=== 최종 ===
 어제 발표된 한국의 AI 관련 뉴스를 특정할 수 없으나, 최근 주요 뉴스로는  '빅카인즈 AI 기반 뉴스 서비스 전면 개편' (한국언론진흥재단)과  '국내 AI 기술 발전 및 경쟁력 강화' 관련 뉴스 (구체적인 소식은 검색 결과에서 명확히 확인되지 않음)를 예로 들 수 있습니다.  '3+4*2'의 계산 결과는 11입니다.

Point

• create_react_agent: "생각 → 도구 → 관찰" 루프를 자동화
• max_iterations=4로 루프 폭주 방지
• 도구 설명을 짧고 정확하게(LLM이 무엇을 언제 써야 할 지 배움)

 

 

 

3.2 Tool 호출 전략 : OpenAI Tool-Calling 스타일

• LLM이 JSON 스키마로 정의된 도구를 "호출" 형태로 선택(파라미터까지 자동 생성)
• 장점: 안전하고 구조화된 호출에 강함, 저비용과 낮은 지연, 유지보수 용이
• 단점: 계획 과정이 불투명(내부에서 판단), 복잡한 멀티스텝 시 세밀한 제어가 어려울 수 있음

의사결정 흐름

1️⃣ 사용자 입력 + Tools 메타데이터 받기

• 각 도구의 name/ description/json schema 를 모델이 함께 읽음

2️⃣ "도구 필요 여부" 판단

• 질문을 그대로 답할 수 있는지를 먼저 평가
• 필요하면 함수 호출을 자동 생성(arguments까지 JSON으로 구성)

3️⃣ 도구 호출 → 결과 반영

• 해당 도구 실행 → 결과를 Tool 메시지로 모델에 재주입
• 모델은 추가 도구 호출 또는 최종 답변 중 선택

4️⃣ 제어 옵션

• tool_choice: "auto"(기본), "none"(도구 금지), 특정 도구 강제
• 재귀 루프 방지(권장): 호출 횟수/깊이 제한은 애플리케이션 레벨에서 관리

 

예시(검색+계산 도구)

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 예시 도구
from langchain_community.tools import DuckDuckGoSearchResults
from langchain_core.tools import tool

search = DuckDuckGoSearchResults(
    name="web-search",
    description="사실 확인/최근 동향 검색에 사용. 쿼리는 한국어/영어 모두 허용.",
    num_results=5,
)

@tool
def calc(expr: str) -> str:
    """수식 문자열을 계산. 예: '2*(3+4)/7'"""
    import math
    return str(eval(expr, {"__builtins__": {}}, {"math": math}))

tools = [search, calc]

# LLM
llm = ChatGoogleGenerativeAI(model="gemini-1.5-flash", temperature=0.0)

# ✅ 프롬프트에 agent_scratchpad 포함!
prompt = ChatPromptTemplate.from_messages([
    ("system", "너는 도구 호출을 JSON으로 정확히 사용한다. 필요 없으면 호출하지 말고 바로 답한다."),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),  # ← 필수
])

agent = create_openai_tools_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=3)

# 실행 예시
result = executor.invoke({"input": "요즘 인기 있는 AI 라이브러리 3개와 간단 설명. 필요하면 검색 사용."})
print("\n=== 최종 ===\n", result["output"])

출력:

> Entering new AgentExecutor chain...

Invoking: `web-search` with `{'query': '요즘 인기 있는 AI 라이브러리'}`


snippet: 2025年6月16日 — Thunderbit 은 노코드 AI 웹 스크래퍼로, 비즈니스 사용자가 프로그래밍 없이 웹 데이터를 수집할 수 있게 해줍니다. 경쟁사 가격, 리드, 상품 데이터 등 다양한 정보를 AI ..., title: 2025년 최고의 파이썬 웹 스크래핑 라이브러리 10선 & AI 대안, link: https://thunderbit.com/ko/blog/top-python-web-scraping-libraries, snippet: 2025年4月25日 — 트랜스포머 라이브러리 (Transformers Library): AI 개발 필수템. 이것이야말로 허깅페이스를 대표하는 가장 유명한 오픈소스 라이브러리입니다. 개발자들이 모델 허브에 ..., title: AI 시대 개발자들의 놀이터 '허깅페이스'를 알아보자 - 요즘IT, link: https://yozm.wishket.com/magazine/detail/3094/, snippet: 2025年3月1日 — 빌드 도구의 혁신: Vite, Bun 등이 개발 속도와 성능 개선에 기여; UI 라이브러리 의 새로운 패러다임: shadcn/ui 같은 유연한 접근방식 인기 ; 자동화 및 AI 도구 도입 증가 ..., title: 2025 자바스크립트 트렌드 1탄: 프레임워크 & 빌드 시스템, link: https://www.codetree.ai/blog/2025-웹-개발-기술-트렌드-프레임워크-빌드-시스템/, snippet: Apr 7, 2021 · How to Install or Uninstall Microsoft Paint (mspaint) in Windows 10 Microsoft Paint (formerly Paintbrush) is a simple raster graphics editor that has been included with all versions of …, title: Install or Uninstall Microsoft Paint (mspaint) in Windows 10, link: https://www.tenforums.com/tutorials/140419-install-uninstall-microsoft-paint-mspaint-windows-10-a.html, snippet: Jan 22, 2022 · MS Paint transparency problems. good day, i haven't ever used this website, so i apologize for any mistakes. i've been having this problem for quite a long time, as well as my …, title: MS Paint transparency problems. - Windows 10 Forums, link: https://www.tenforums.com/software-apps/190391-ms-paint-transparency-problems.html검색 결과에 따르면 요즘 인기 있는 AI 라이브러리에 대한 명확한 정보는 없지만,  Hugging Face의 Transformers 라이브러리가 자주 언급됩니다.  다른 두 개의 라이브러리에 대한 정보는 검색 결과에서 찾을 수 없었습니다.  더 구체적인 정보를 원하시면 검색어를 더 구체적으로 입력해주세요.


> Finished chain.

=== 최종 ===
 검색 결과에 따르면 요즘 인기 있는 AI 라이브러리에 대한 명확한 정보는 없지만,  Hugging Face의 Transformers 라이브러리가 자주 언급됩니다.  다른 두 개의 라이브러리에 대한 정보는 검색 결과에서 찾을 수 없었습니다.  더 구체적인 정보를 원하시면 검색어를 더 구체적으로 입력해주세요.

Point

• create_openai_tools_agent를 위해 프롬프트 변수로 최소 {input}, {agent_scratchpad} 필요
• 언제 유리한가?
  • 정형 파라미터가 필요한 API, DB 호출
  • 안정성, 일관성이 중요한 워크플로우(도구 호출이 JSON 스키마로 강제되므로 실패 적음)

 

 

 

4. Tool 선택, 사용 시 유리한 패턴

• 도구 설명에 "트리거 조건" 명시
  • Good: "날짜가 '최근', '올해' 등이면 이 도구 사용"
  • Bad: "검색 도구."
• 샘플 호출 예시 제공(few-shot)
  • "오늘의 환율은?" 보다는"web-search로 'KRW USD today rate' 검색"
• 관찰값을 요약해 저장
  • "링크 5개 전문 붙이기" 보다는 "핵심 20줄 + 출처 12개"
• 계산, 포맷 도구는 분리
  • 검색 결과를 표로 만들 때: make_table(data, columns=[...]) 같은 전용 도구 사용
• 요류 핸들링, 재시도
  • 429/5xx는 백오프 재시도, 그 외는 "플랜B 도구"로 폴백

 

그 외 유의사항

• 에이전트가 도구를 남용한다면?
  • 도구 설명에 명확한 트리거 넣기
  • max_iterations 줄이기
  • 도구 호출 비용/지연을 프롬프트에 명시
• 잘못된 파라미터로 실패한다면?
  • Tool-Calling 스타일로 전환하기
  • pydantic 스키마 + 예시 파라미터(few-shot)로 보정
• 긴 검색 결과를 그대로 복붙한다면?
  • "관찰값은 5줄 이하 요약만 남겨라"를 시스템 프롬프트로 강제

 

 

 

5. 검색 도구(Tavily, Wikipedia) 연결된 AI Agent 만들기

• 목적: 사용자 질문(예: "요즘 인기있는 AI 기술 알려줘") → 에이전트가 판단 → 검색 도구 호출 → 결과를 요약, 정리해 답변
• 도구 선택, 호출, 근거 요약까지 한 번에 정리

(1) Tavily

# 필요 라이브러리 설치(Tavily)
# !pip install -U langchain langchain-tavily

from langchain_tavily import TavilySearch

tool = TavilySearch(max_results=5)  # topic='news', search_depth='advanced' 등 옵션 가능
res = tool.invoke({"query": "요즘 인기 있는 AI 기술 트렌드 2025 한국 글로벌"})

for i, r in enumerate(res["results"], 1):
    print(f"{i}. {r.get('title')}\n   {r.get('url')}\n   {r.get('content')}\n")

출력:

1. 2025년 한국 AI 개발 트렌드 국내 인공지능 기술 최신 동향과 미래 전망
   https://m.blog.naver.com/tekkam/223787672034?recommendCode=2&recommendTrackingCode=2
   네이버의 '하이퍼클로바X', 카카오의 '코지(KoGPT)', LG AI연구원의 '익시온(EXAONE)' 등 주요 IT 기업들이 각자의 초거대 AI 모델을 선보이며 치열한 경쟁을 펼치고 있습니다. 국내에서는 정부 주도의 디지털 트윈 국가 프로젝트와 함께, 민간 기업들의 메타버스 플랫폼 개발이 가속화되면서 이를 지원하는 AI 기술 개발도 함께 성장하고 있습니다. 국내 AI 기술은 한국어와 한국 문화에 특화된 모델 개발, 제조업과 ICT 인프라를 활용한 산업 AI, 그리고 콘텐츠 강국으로서의 강점을 살린 생성형 AI 응용 분야에서 글로벌 경쟁력을 갖추고 있으며, 이를 더욱 발전시키기 위한 노력이 계속되고 있습니다. 대규모 언어 모델의 한국어 특화, AI 반도체 국산화, 산업별 AI 솔루션 개발, AI 윤리와 교육 체계 구축 등 다양한 분야에서의 균형 잡힌 발전은 한국 AI 생태계의 큰 강점입니다. #국내AI개발 #한국형LLM #AI반도체 #인공지능윤리 #산업AI #생성형AI #AI인재양성 #디지털트윈 #메타버스 #하이퍼클로바 #코지 #익시온 #KAI #한국인공지능 #AI스타트업 #AI정책 #AI규제 #인공지능기술 #AItrends #KoreanAI

2. Tech Trends 2025 | Deloitte Korea
   https://www.deloitte.com/kr/ko/Industries/tmt/analysis/2025-tech-trends.html
   링크가 새 탭에서 열립니다. 새 창에서 열기 #### 최호계 파트너 #### 박형곤 파트너 딜로이트의 2025년 테크 트렌드는 인공지능(AI)을 중심으로 미래 기술의 방향성을 제시하며, AI가 현재는 물론 미래 사회의 기반 기술로 자리 잡을 것임을 강조한다.AI는 단순히 특정 기술에 국한되지 않고, 전 산업과 일상에 걸쳐 작동하는 보이지 않는 힘으로, 전기처럼 자연스럽게 우리의 삶과 비즈니스에 스며들어 혁신을 이끌어갈 것이다. 다행히 대부분의 기업들이 기대 이상의 투자 수익률(ROI)을 달성하고 있다고 보고됐지만, 추가적인 도입과 확장을 위해서는 아직 많은 과제가 남아 있는 것으로 조사됐습니다.본 리포트의 설문조사에 따르면, 응답한 기업들의 대다수가 생성형 AI를 통해 기대 이상의 ROI를 달성하고 있었으며, 부서별 성과는 상이했지만 대다수의 비즈니스 리더들은 향후 AI 예산을 늘릴 것으로 전망했습니다. 자세한 내용은 아래 링크를 통해 확인하실 수 있습니다

3. “CES 2025” 10대 키워드로 보는 기술 트렌드 - 요즘IT
   https://yozm.wishket.com/magazine/detail/2935/
   대표적으로 AI, 로보틱스, 모빌리티, 스마트홈, XR(메타버스), 디지털 헬스케어, 푸드테크, ESG(지속가능성), 스페이스 테크 등이 그 주역들입니다. CES 2025의 최대 승자로 엔비디아 젠슨 황이 꼽힐 만큼 AI 인프라의 중요성이 부각되었으며, SK하이닉스는 HBM3E 16단 제품의 실물을 최초로 공개하면서 이 분야에 있어 선두 주자임을 재확인시켰습니다. 이는 로보틱스 기술이 실생활에서 실질적으로 활용될 수 있는 수준으로 진화하고 있음을 보여주는 중요한 지표라 할 수 있습니다. AI 이후의 차세대 핵심 기술로 주목받고 있는 양자컴퓨터 분야에서는 구글, 아마존, 마이크로소프트 등 글로벌 빅테크 기업들이 혁신적인 양자 기술을 선보이며, 이 분야의 급속한 발전을 확인할 수 있었습니다. AI는 독자적인 기술 영역을 넘어 로보틱스, 모빌리티, 스마트홈, 디지털 헬스케어 등 거의 모든 분야에서 혁신을 이끄는 기반 기술로 자리매김했습니다. 이는 모빌리티 분야에서 화려한 콘셉트카 대신 실용적인 소프트웨어 기술이 주목받은 점이나, XR 기술이 산업 현장의 실질적인 문제 해결에 초점을 맞춘 점 등에서 확인할 수 있었습니다.

4. 2025년 AI 트렌드
   https://cloud.google.com/resources/content/intl/ko-kr/ai-trends-customer-experiences
   AI 기반 고객 경험은 2025년에 비즈니스를 변화시킬 주요 AI 트렌드 중 하나입니다. 이 트렌드가 다양한 업종에 미칠 영향에 대해 Google Cloud가 예측한 내용을 확인

5. 2025년 꼭 알아야 할 AI 마케팅 트렌드 3가지
   https://aiheroes.ai/community/245
   2025년 꼭 알아야 할 AI 마케팅 트렌드 3가지 2025년 꼭 알아야 할 AI 마케팅 트렌드 3가지 2025 AI 마케팅 트렌드의 핵심은 바로 **‘초개인화 마케팅’**입니다. AI 기반의 예측 분석은 고객이 니즈를 표현하기도 전에 이를 충족할 수 있도록 커뮤니케이션과 오퍼를 조정할 수 있고, 고객 행동과 선호도에 따라 콘텐츠를 다이나믹하게 제공할 수 있습니다. 최근 AI 기반 영상 제작 도구를 사용하여 개인화되고 타겟팅 된 비디오 콘텐츠를 대규모로 제작할 수 있게 되었고, 쇼핑과 연계한 영상 및 라이브 스트리밍과 같은 새로운 형식으로까지 확장한 숏폼 콘텐츠는 많은 마케터들에게 새로운 가능성을 열어주고 있습니다. (출처: 페르소 AI) (출처: AI Fire) 2025 AI 마케팅 트렌드에는 이 외에도 여럿 있겠지만, 이번 글에서는 **AI를 통한 숏폼 콘텐츠의 정교화, 초개인화 마케팅의 확장, 그리고 포지션리스 플레이어의 부상**이라는 3가지 트렌드를 소개해 드렸습니다. AI 블로그/트렌드 카테고리의 다른 글

 

 

(2) Wikipedia

# 필요 라이브러리 설치(Wikipedia)
# !pip install wikipedia

from langchain_community.utilities import WikipediaAPIWrapper
from langchain_community.tools import WikipediaQueryRun

wiki_api = WikipediaAPIWrapper(lang="ko", top_k_results=3)
wiki = WikipediaQueryRun(api_wrapper=wiki_api)

text = wiki.invoke({"query": "AI 에이전트"})  # 질의어(한국어 가능)
print(text[:800])  # 길면 앞부분 미리보기

출력:

Page: 지능형 에이전트
Summary: 인공지능에서 지능형 에이전트(Intelligent agent)는 환경을 지각하고, 목표를 달성하기 위해 자율적으로 행동하며, 기계 학습을 통해 또는 지식을 습득하여 성능을 향상시킬 수 있는 실체이다. 주요 AI 교과서들은 인공지능을 "지능형 에이전트의 연구 및 설계"로 정의하며, 목표 지향적 행동이 지능의 핵심임을 강조한다.
지능형 에이전트의 전문화된 하위 집합인 에이전틱 AI (또한 AI 에이전트 또는 단순히 에이전트라고도 함)는 목표를 적극적으로 추구하고, 의사결정을 내리며, 장기간에 걸쳐 행동을 취함으로써 이 개념을 확장하여 새로운 형태의 디지털 에이전시를 구현한다.
지능형 에이전트는 단순한 것부터 고도로 복잡한 것까지 다양하다. 기본적인 온도조절기 또는 제어 시스템은 지능형 에이전트로 간주되며, 인간이나 기업, 국가, 생물 군계와 같이 동일한 기준을 충족하는 다른 시스템도 마찬가지이다.
지능형 에이전트는 목표를 포함하는 목적 함수를 기반으로 작동한다. 이들은 완료 시 이 함수의 기대값을 최대화하는 계획을 생성하고 실행하도록 설계된다. 예를 들어, 강화 학습 에이전트는 보상 함수를 가지고 있어 프로그래머가 원하는 행동을 형성할 수 있다. 유사하게, 진화 알고리즘의 행동은 적합도 함수에 의해 안내된다.
인공지능의 지능형 에이전트는 경제학의 에이전트와 밀접하게 관련되어 있으며, 지능형 에이전트 패러다임의 여러 버전이 인지 과학, 윤리학, 실천 이성 철학뿐만 아니라 많은 학제간 사회 인지 모델링 및 컴퓨터 사회 시뮬레이션에서 연구된다.
지능형 에이전트는 종종 컴퓨터