AI 에이전트 개념: 에이전트가 '도구'를 사용한다는 것의 의미

티스토리 뷰

실제 경험과 인사이트를 AI와 함께 정리한 글

AI 에이전트 개념: 에이전트가 '도구'를 사용한다는 것의 의미

pak2251 2026. 1. 9. 10:39

작성일: 2026년 1월 9일
카테고리: AI, Agent, LLM
키워드: AI 에이전트, LLM, 도구 사용, ReAct, 자율성
시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (3부/총 20부)
대상 독자: 온톨로지에 입문하는 시니어 개발자

핵심 질문

"에이전트가 '도구'를 사용한다는 것의 의미는?"

LLM 기반 챗봇은 텍스트를 입력받아 텍스트를 출력한다. 그 안에서 모든 "생각"이 일어난다. 하지만 실제 업무를 수행하려면 외부 세계와 상호작용해야 한다. 데이터베이스를 조회하고, API를 호출하고, 파일을 생성해야 한다. 에이전트는 LLM에게 도구(Tool)라는 인터페이스를 통해 이 능력을 부여한다. 이 글에서는 에이전트의 아키텍처적 의미와 도구 사용 패턴을 설명한다.

요약

AI 에이전트는 단순히 질문에 답하는 챗봇이 아니라, 스스로 판단하고 도구를 사용해 목표를 달성하는 자율적 시스템이다. 챗봇이 "재무제표를 분석해줘"라는 요청에 일반적인 조언만 한다면, 에이전트는 실제로 데이터베이스에서 재무제표를 조회하고, 계산하고, 이상 징후를 탐지한 후 구체적인 분석 결과를 제공한다. 이 글에서는 에이전트의 핵심 개념인 도구(Tool) 사용과 ReAct 패턴을 다룬다.

이전 내용 복습

1부와 2부에서 배운 핵심:

온톨로지: 세무 지식을 구조화하는 체계 (TBox = 규칙, ABox = 데이터)
지식그래프: 트리플 기반의 그래프 데이터 구조
트리플: 주어-술어-목적어 형태의 지식 표현

이제 이 구조화된 지식을 활용하는 주체가 필요하다. 그것이 AI 에이전트다.

챗봇과 에이전트의 차이

아키텍처적 관점

시니어 개발자의 관점에서 두 시스템의 차이를 비교한다.

챗봇 아키텍처

User Input → LLM → Text Output

에이전트 아키텍처

User Input → LLM → [Plan] → Tool Call → [Result] → LLM → [Reflect] → ...
                     ↑__________________________________________________|

챗봇은 단일 패스(single-pass)로 동작한다. 입력을 받아 출력을 내면 끝이다.
에이전트는 루프(loop)로 동작한다. 목표를 달성할 때까지 계획-실행-반성을 반복한다.

구체적 사례 비교

챗봇: 수동적인 응답기

일반적인 LLM 챗봇에게 세무 분석을 요청하면:

사용자: (주)ABC의 2025년 재무 상태를 분석해줘

챗봇: 재무 상태를 분석하려면 다음 지표들을 확인해야 합니다:
- 유동비율: 유동자산 / 유동부채
- 부채비율: 총부채 / 자기자본
- 영업이익률: 영업이익 / 매출

해당 기업의 재무제표 데이터를 제공해주시면
더 구체적인 분석을 도와드리겠습니다.

챗봇은 일반적인 지식만 제공한다. 실제 데이터에 접근하지 못하기 때문이다.

에이전트: 능동적인 실행자

동일한 요청을 AI 에이전트에게 하면:

사용자: (주)ABC의 2025년 재무 상태를 분석해줘

에이전트 (내부 처리):
1. [생각] 재무 상태 분석을 위해 해당 기업의 재무제표 데이터가 필요하다
2. [도구 호출] query_financial_data(company="ABC", year=2025)
3. [결과] {매출: 50억, 영업이익: 8억, 총자산: 75억, 총부채: 30억, 자본: 45억}
4. [생각] 주요 재무비율을 계산해야 한다
5. [도구 호출] calculate_ratios(data=...)
6. [결과] {영업이익률: 16%, 부채비율: 66.7%, 유동비율: 150%}
7. [생각] 업종 평균과 비교해야 한다
8. [도구 호출] get_industry_benchmark(industry="제조업")
9. [결과] {평균 영업이익률: 8%, 평균 부채비율: 100%}
10. [생각] 분석 결과를 정리하자

에이전트 (최종 응답):
(주)ABC의 2025년 재무 분석 결과입니다:

**수익성**: 영업이익률 16%로 업종 평균(8%) 대비 2배 높음. 우수한 수익 구조
**안정성**: 부채비율 66.7%로 업종 평균(100%) 대비 양호. 재무 건전성 확보
**유동성**: 유동비율 150%로 단기 지급 능력 양호

종합 평가: 수익성과 안정성 모두 업종 상위권.
다만 3년 연속 부채 증가 추세(25억→28억→30억)에 대한 모니터링 권장.

에이전트는 실제로 데이터를 조회하고, 계산하고, 비교한다.

핵심 차이점

구분	챗봇	에이전트
데이터 접근	불가능	도구를 통해 가능
계산 수행	제한적 (내장 지식만)	외부 도구로 정확한 계산
자율성	질문에만 반응	스스로 필요한 작업 결정
멀티스텝	단일 응답	여러 단계 자동 수행
외부 시스템 연동	불가능	API, DB, 파일 등 연동

에이전트의 핵심: 도구(Tool)

도구란 무엇인가?

도구(Tool)는 에이전트가 외부 세계와 상호작용하는 인터페이스다.

기술적으로 도구는 함수(Function)다. 정의된 시그니처(입력/출력)를 가지고, LLM이 언제 어떤 인자로 호출할지 결정한다.

@tool
def query_financial_data(company_id: str, year: int) -> dict:
    """특정 기업의 재무제표 데이터를 조회한다"""
    ...

LLM에게 이 함수의 시그니처와 설명을 제공하면, LLM은 적절한 시점에 이 함수를 호출하기로 "결정"하고, 필요한 인자를 생성한다.

도구 호출의 흐름

sequenceDiagram
    participant User as 사용자
    participant Agent as AI 에이전트
    participant LLM as LLM
    participant Tool as 도구 (함수)
    participant DB as 지식그래프

    User->>Agent: "ABC사 재무 분석해줘"
    Agent->>LLM: 프롬프트 + 도구 정의
    LLM->>Agent: tool_call: query_financial_data("ABC", 2025)
    Agent->>Tool: 함수 실행
    Tool->>DB: SPARQL 쿼리
    DB->>Tool: 결과 데이터
    Tool->>Agent: {매출: 50억, ...}
    Agent->>LLM: 도구 실행 결과 전달
    LLM->>Agent: 분석 결과 텍스트
    Agent->>User: 최종 응답

세무 분석 에이전트의 도구들

세무 컨설팅 시스템에서 필요한 도구들:

데이터 조회 도구

@tool
def query_financial_data(company_id: str, year: int) -> dict:
    """특정 기업의 재무제표 데이터를 지식그래프에서 조회한다.

    Args:
        company_id: 기업 식별자 (예: "C001")
        year: 회계연도 (예: 2025)

    Returns:
        재무제표 데이터 딕셔너리
    """
    sparql_query = f"""
    SELECT ?revenue ?operating_income ?total_assets ?total_liabilities ?equity
    WHERE {{
        ?company a :Company ;
                 :companyId "{company_id}" .
        ?fs a :FinancialStatement ;
            :belongsTo ?company ;
            :fiscalYear {year} ;
            :revenue ?revenue ;
            :operatingIncome ?operating_income ;
            :totalAssets ?total_assets ;
            :totalLiabilities ?total_liabilities ;
            :equity ?equity .
    }}
    """
    return knowledge_graph.query(sparql_query)


@tool
def get_shareholder_info(company_id: str) -> list:
    """주주 정보를 조회한다"""
    ...

계산 도구

@tool
def calculate_financial_ratios(financials: dict) -> dict:
    """재무비율을 계산한다"""
    return {
        "영업이익률": financials["영업이익"] / financials["매출"] * 100,
        "부채비율": financials["총부채"] / financials["자본"] * 100,
        "유동비율": financials["유동자산"] / financials["유동부채"] * 100,
    }

분석 도구

@tool
def detect_anomalies(financials: dict, rules: list) -> list:
    """SHACL 규칙 기반으로 이상 징후를 탐지한다"""
    ...

@tool
def compare_with_benchmark(ratios: dict, industry: str) -> dict:
    """업종 평균과 비교한다"""
    ...

출력 도구

@tool
def generate_report(analysis: dict, template: str) -> str:
    """분석 결과를 리포트로 생성한다"""
    ...

도구 설계 원칙

시니어 개발자로서 도구를 설계할 때 고려해야 할 원칙:

단일 책임: 각 도구는 하나의 명확한 작업만 수행
명확한 시그니처: 입력/출력 타입을 명확히 정의
풍부한 Docstring: LLM이 언제 사용할지 판단하는 근거
에러 핸들링: 실패 시 의미 있는 에러 메시지 반환
멱등성: 같은 입력에 같은 출력 (가능한 경우)

ReAct 패턴: 추론하고 행동하기

ReAct란?

ReAct(Reasoning + Acting)는 에이전트가 생각(Reasoning)과 행동(Acting)을 번갈아 수행하는 패턴이다.

Observation → Thought → Action → Observation → Thought → Action → ...

이는 사람이 문제를 해결하는 방식과 유사하다. "이게 뭐지? → 이렇게 해볼까 → 결과가 이렇네 → 그럼 다음엔..."

세무 분석 예시

요청: "(주)ABC의 재무 건전성에 문제가 있는지 확인해줘"

ReAct 흐름:

[Observation] 사용자가 (주)ABC의 재무 건전성 확인을 요청함

[Thought] 재무 건전성을 판단하려면 먼저 최근 재무제표 데이터가 필요하다.
         부채비율, 유동비율 등 안정성 지표를 확인해야 한다.

[Action] query_financial_data(company_id="ABC", year=2025)

[Observation] 결과: {매출: 50억, 영업이익: 8억, 총자산: 75억, 총부채: 30억,
             유동자산: 12억, 유동부채: 8억}

[Thought] 데이터를 받았다. 이제 재무비율을 계산해야 한다.

[Action] calculate_financial_ratios(financials=위_데이터)

[Observation] 결과: {부채비율: 66.7%, 유동비율: 150%, 자기자본비율: 60%}

[Thought] 부채비율 66.7%는 일반적으로 양호한 수준이다.
         하지만 업종 특성을 고려해야 한다. 업종 평균과 비교하자.

[Action] compare_with_benchmark(ratios=위_결과, industry="제조업")

[Observation] 결과: {업종평균_부채비율: 100%, 업종평균_유동비율: 120%}

[Thought] 부채비율은 업종 평균보다 낮고, 유동비율은 평균보다 높다.
         추가로 최근 3년 추세를 확인해서 악화 경향이 있는지 보자.

[Action] query_financial_data(company_id="ABC", year=2023)
[Action] query_financial_data(company_id="ABC", year=2024)

[Observation] 2023: {부채: 25억}, 2024: {부채: 28억}, 2025: {부채: 30억}

[Thought] 부채가 매년 증가하고 있다. 증가율을 계산하자.
         25→28 (12%), 28→30 (7.1%). 증가세가 둔화되고 있다.
         현재 수준은 양호하지만, 지속적인 모니터링이 필요하다.

[Final Answer]
(주)ABC의 재무 건전성 분석 결과:

**현재 상태: 양호**
- 부채비율 66.7% (업종 평균 100% 대비 양호)
- 유동비율 150% (업종 평균 120% 대비 양호)
- 자기자본비율 60% (자본 구조 안정적)

**주의 사항**
- 부채가 3년 연속 증가 중 (25억→28억→30억)
- 다만 증가율은 둔화 추세 (12%→7.1%)

**권고**
- 현재 재무 건전성에 문제 없음
- 부채 증가 추세 모니터링 권장
- 다음 분기 부채비율 70% 초과 시 심층 분석 필요

ReAct의 장점

투명성: 에이전트의 사고 과정이 명시적으로 드러남
수정 가능: 잘못된 판단을 중간에 교정 가능
신뢰성: 근거 기반 결론 도출
디버깅 용이: 문제 발생 시 어느 단계에서 잘못됐는지 파악 가능

에이전트 아키텍처

단일 에이전트 구조

flowchart TB
    subgraph Agent["AI 에이전트"]
        subgraph LLM["LLM (두뇌)"]
            Judge["상황 판단"]
            Decide["다음 행동 결정"]
            Interpret["결과 해석"]
        end

        Router["도구 선택기 (Tool Router)"]

        Query["조회 도구"]
        Calc["계산 도구"]
        Analyze["분석 도구"]
        Output["출력 도구"]

        LLM --> Router
        Router --> Query
        Router --> Calc
        Router --> Analyze
        Router --> Output
    end

    subgraph External["외부 시스템 / 데이터"]
        KG["지식그래프 (RDF)"]
        ERP["회계 ERP 데이터 (JSON)"]
        Benchmark["업종 벤치마크 DB"]
        FileSystem["파일 시스템"]
    end

    Query --> External
    Calc --> External
    Analyze --> External
    Output --> External

    style Agent stroke:#2563eb,stroke-width:2px
    style LLM stroke:#16a34a,stroke-width:2px
    style Router stroke:#ea580c,stroke-width:2px
    style External stroke:#4b5563,stroke-width:2px

멀티 에이전트 구조 (19부에서 상세히)

복잡한 작업은 여러 전문 에이전트가 협업한다:

flowchart TB
    Orchestrator["오케스트레이터 (작업 분배 및 조율)"]

    DataAgent["데이터 수집 에이전트"]
    AnalysisAgent["분석 에이전트"]
    ReportAgent["리포트 작성 에이전트"]

    Orchestrator --> DataAgent
    Orchestrator --> AnalysisAgent
    Orchestrator --> ReportAgent

    style Orchestrator stroke:#dc2626,stroke-width:3px
    style DataAgent stroke:#2563eb,stroke-width:2px
    style AnalysisAgent stroke:#16a34a,stroke-width:2px
    style ReportAgent stroke:#ea580c,stroke-width:2px

이 구조는 마이크로서비스 아키텍처와 유사하다. 각 에이전트는:

단일 책임: 하나의 전문 영역만 담당
독립 배포: 개별적으로 업데이트 가능
인터페이스 정의: 명확한 입출력 스펙

세무 분석 에이전트의 역할 정의

에이전트가 수행할 작업 목록

데이터 수집: 회계 ERP 데이터를 지식그래프에서 조회
재무 분석: 재무비율 계산, 추세 분석
이상 탐지: SHACL 규칙 기반 위반 사항 탐지
벤치마크 비교: 업종 평균과 비교 분석
인사이트 도출: 분석 결과를 경영 시사점으로 변환
리포트 생성: 월간 컨설팅 리포트 작성

에이전트에게 부여할 도구

도구 이름	기능	입력	출력
`query_kg`	지식그래프 SPARQL 쿼리	쿼리문	결과 데이터
`calc_ratios`	재무비율 계산	재무 데이터	비율 딕셔너리
`detect_violations`	SHACL 규칙 위반 탐지	데이터, 규칙셋	위반 목록
`get_benchmark`	업종 벤치마크 조회	업종 코드	평균 지표
`analyze_trend`	시계열 추세 분석	연도별 데이터	추세 분석 결과
`generate_insight`	인사이트 생성	분석 결과	경영 시사점
`create_report`	리포트 생성	분석 전체 결과	PDF/마크다운

에이전트 프롬프트 설계 (미리보기)

SYSTEM_PROMPT = """
당신은 기업 재무 분석 전문 AI 컨설턴트입니다.

## 역할
- 기업의 재무제표를 분석하여 경영 인사이트를 제공
- 이상 징후를 조기에 탐지하여 경고
- 업종 대비 포지션을 객관적으로 평가

## 사용 가능한 도구
- query_kg: 지식그래프에서 데이터 조회
- calc_ratios: 재무비율 계산
- detect_violations: SHACL 규칙 기반 이상 탐지
- get_benchmark: 업종 평균 지표 조회
- analyze_trend: 시계열 추세 분석

## 분석 원칙
1. 수치에 근거한 객관적 분석
2. 업종 특성을 고려한 상대 평가
3. 단기/중기/장기 관점의 균형
4. 실행 가능한 권고안 제시

## 응답 형식
- 결론을 먼저 제시
- 근거 데이터를 명시
- 권고 사항을 구체적으로 제안
"""

실습: 에이전트적 사고방식 연습

연습 1: 도구 분해

다음 작업을 수행하려면 어떤 도구들이 필요한지 나열해보자.

작업: "지난 3년간 매출이 감소한 기업들의 공통점을 분석하라"

필요한 도구:

query_kg: 모든 기업의 3년간 매출 데이터 조회
filter_declining: 매출 감소 기업 필터링 (또는 LLM이 직접 판단)
query_kg: 해당 기업들의 업종, 규모, 지역 등 속성 조회
analyze_pattern: 공통 패턴 분석 (또는 LLM이 직접 분석)

연습 2: ReAct 흐름 설계

작업: "이번 달 세금 납부 기한을 놓칠 위험이 있는 기업을 찾아라"

ReAct 흐름:

[Thought] 세금 납부 기한을 놓칠 위험이 있는 기업을 찾으려면:
         1. 이번 달 납부 예정인 세금 내역 조회
         2. 각 기업의 현금 보유량 확인
         3. 납부 금액 대비 현금 부족 기업 필터링

[Action] query_kg(이번_달_세금_납부_예정_기업)

[Observation] 결과: [{기업A, 부가세 1억}, {기업B, 법인세 5천만}, ...]

[Thought] 각 기업의 현금 보유량을 확인해야 한다

[Action] query_kg(각_기업_현금_및_현금성자산)

[Observation] 결과: [{기업A, 현금 8천만}, {기업B, 현금 2억}, ...]

[Thought] 기업A는 현금 8천만인데 부가세 1억을 내야 한다.
         2천만 원 부족. 위험 기업으로 분류.
         기업B는 현금 2억으로 법인세 5천만 납부 충분.

[Final Answer]
세금 납부 기한 위험 기업: 기업A
- 납부 예정: 부가세 1억 원
- 현금 보유: 8천만 원
- 부족분: 2천만 원
- 권고: 즉시 자금 조달 방안 마련 필요

핵심 정리

개념	설명	세무 시스템 적용
AI 에이전트	도구를 사용해 자율적으로 작업 수행	재무 분석, 리포트 생성 자동화
도구(Tool)	외부 시스템과 상호작용하는 인터페이스	지식그래프 조회, 계산, 파일 생성
ReAct	추론과 행동을 번갈아 수행하는 패턴	단계별 분석 과정 투명화
프롬프트	에이전트의 역할과 규칙 정의	세무 분석 전문가로서의 페르소나

챗봇 vs 에이전트 핵심 차이

챗봇: "이렇게 하면 됩니다" (조언만 제공)
에이전트: "확인해보니 이렇습니다" (실제로 수행)

다음 단계 미리보기

4부: 세무 AI 시스템 아키텍처 설계 - 전체 시스템을 어떻게 구성하는가?

지금까지 온톨로지, 지식그래프, AI 에이전트 개념을 배웠다. 4부에서는 이 모든 것을 통합하는 전체 시스템 아키텍처를 설계한다:

데이터 흐름: 회계 ERP JSON → RDF → 지식그래프
지식 계층: TBox(스키마) + SHACL(규칙) + ABox(데이터)
에이전트 계층: 수집 → 분석 → 리포트 에이전트
출력 계층: 월간 컨설팅 리포트 (PDF)

RDF 기초: 세계를 트리플로 표현하기 (0)	2026.01.09
세무 AI 시스템 아키텍처 설계: 전체 시스템을 어떻게 구성하는가 (0)	2026.01.09
지식그래프 입문: RDB vs Graph DB, 언제 무엇을 쓰는가 (0)	2026.01.09
온톨로지란 무엇인가: 데이터에 '의미'를 부여하는 기술 (0)	2026.01.09
온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (0)	2026.01.09

imprun engineering

티스토리 뷰