피드로 돌아가기
InfoQAI/ML
원문 읽기
LLM 의존성을 탈피한 General-purpose Computing Abstraction 기반 Agent 설계
Presentation: From Hype to Strong Foundations: What the Rise, Fall and Resurgence of Agents Can Teach Us About Outlasting the Cycle
AI 요약
Context
최신 AI Agent 개발이 LLM 중심의 Context Engineering에 매몰되어 기초 설계 원칙을 망각한 상태임. 이로 인해 시스템의 확장성과 안정성이 결여된 취약한 Foundation 위에서 반복적인 시행착오가 발생하고 있음.
Technical Solution
- Agent를 단순한 LLM 래퍼가 아닌 일반 목적의 컴퓨팅 추상화 계층으로 정의하여 LLM 의존성 분리
- Modular 및 Extensible 구조 설계를 통한 기능 단위의 독립적 확장성 확보
- Process Science 방법론을 도입하여 에이전트의 실행 경로를 정형화하고 예측 가능성 제고
- Agent가 활동하는 환경 자체를 최적화하는 Terraforming 전략을 통한 상호작용 효율 극대화
- Temporal과 같은 Durable Execution 프레임워크를 활용한 상태 유지 및 장애 복구 능력 확보
- BPMN의 Ad hoc subprocess 개념을 도입하여 런타임 시의 유연한 프로세스 결정 구조 구현
실천 포인트
1. Agent 로직에서 LLM 호출부를 분리하고 추상화된 인터페이스를 정의했는가
2. 복잡한 워크플로우 관리를 위해 Camunda나 Temporal 같은 성숙한 Workflow Engine 도입을 검토했는가
3. 런타임에 결정되는 유연한 프로세스를 처리하기 위한 선언적 프리미티브(Declarative Primitive)를 설계했는가
4. Agent가 접근하는 API와 데이터 환경이 Agent-friendly하게 최적화(Terraforming) 되었는가