에이전트형 인공지능(AI): 거대 언어 모델 에이전트의 아키텍처, 분류 체계 및 평가

Agentic Artificial Intelligence (AI): Architectures, Taxonomies, and Evaluation of Large Language Model Agents

인공지능은 단순히 텍스트만 생성하는 모델에서 시스템이 인지, 추론, 계획 및 행동할 수 있는 자율적 개체로 동작하는 에이전트형 AI(Agentic AI)로 진화하고 있다. 거대 언어 모델(LLM)은 더 이상 수동적인 지식 엔진으로만 사용되지 않고, 기억, 도구 사용, 환경에서의 피드백을 결합하여 확장된 목표를 추구하는 인지 제어자(cognitive controller)로서 역할을 하고 있다. 이러한 변화는 이미 소프트웨어 공학, 과학적 발견, 웹 탐색 분야의 복잡한 워크플로우 자동화를 지원하고 있지만, 단순한 단일 루프 에이전트부터 계층적 다중 에이전트 시스템에 이르기까지 다양한 설계가 등장함에 따라 이 기술 분야를 전체적으로 파악하기가 어려워지고 있다. 본 논문에서는 관련 아키텍처를 조사하고, 에이전트를 인지(Perception), 두뇌(Brain), 계획(Planning), 행동(Action), 도구 사용(Tool Use), 협업(Collaboration)으로 세분화하는 통합 분류 체계를 제안한다. 우리는 이러한 관점을 통해 선형적 추론 절차에서 네이티브 추론 시점(inference-time) 모델로의 변화와, 고정된 API 호출에서 모델 컨텍스트 프로토콜(MCP) 및 네이티브 컴퓨터 사용(Native Computer Use)과 같은 개방형 표준으로의 전환을 설명한다. 또한 디지털 운영 체제, 체화된 로봇 공학(embodied robotics), 기타 특수 도메인을 포함하여 에이전트가 작동하는 환경을 분류하고 현재의 평가 관행을 검토한다. 마지막으로 행동 단계에서의 환각(hallucination), 무한 루프, 프롬프트 인젝션과 같은 해결되지 않은 과제들을 강조하고, 보다 견고하고 신뢰할 수 있는 자율 시스템을 위한 향후 연구 방향을 제시한다.

Artificial Intelligence is moving from models that only generate text to Agentic AI, where systems behave as autonomous entities that can perceive, reason, plan, and act. Large Language Models (LLMs) are no longer used only as passive knowledge engines but as cognitive controllers that combine memory, tool use, and feedback from their environment to pursue extended goals. This shift already supports the automation of complex workflows in software engineering, scientific discovery, and web navigation, yet the variety of emerging designs, from simple single loop agents to hierarchical multi agent systems, makes the landscape hard to navigate. In this paper, we investigate architectures and propose a unified taxonomy that breaks agents into Perception, Brain, Planning, Action, Tool Use, and Collaboration. We use this lens to describe the move from linear reasoning procedures to native inference time reasoning models, and the transition from fixed API calls to open standards like the Model Context Protocol (MCP) and Native Computer Use. We also group the environments in which these agents operate, including digital operating systems, embodied robotics, and other specialized domains, and we review current evaluation practices. Finally, we highlight open challenges, such as hallucination in action, infinite loops, and prompt injection, and outline future research directions toward more robust and reliable autonomous systems.