VIDEO NOTE
LLM·워크플로·AI 에이전트의 차이점과 ReAct 구조
Jeff Su · 10분 · 입문 · 26. 09. 28. · AI 초보 탈출 › AI 온보딩 환경 만들기
YouTube 에서 보기 · Jeff Su (새 탭에서 열림)단순 언어 모델(LLM)과 자동화 워크플로, 그리고 AI 에이전트의 차이를 비개발자 눈높이에서 3단계로 명확히 정리한다. 워크플로는 사람이 설계한 고정 경로를 따르지만, AI 에이전트는 LLM이 직접 의사결정자가 되어 목표 달성 방안을 추론하고 도구를 실행한다. 추론(Reason)과 실행(Act)을 거쳐 스스로 결과물을 검토하고 개선하는 반복 루프가 에이전트의 핵심이다.
핵심
- LLM은 방대한 데이터를 학습했으나 개인·사내 데이터에 접근하지 못하며 입력을 기다리는 수동적 도구다.
- AI 워크플로는 사람이 지정한 제어 로직에 따라 외부 도구와 API를 호출하며, RAG도 이러한 워크플로의 일종이다.
- 자동화 단계가 아무리 복잡해도 의사결정을 사람이 직접 내린다면 에이전트가 아니라 단순 워크플로다.
- AI 에이전트는 인간 의사결정자를 LLM으로 대체하여 목표를 달성하는 최선의 방안을 스스로 판단한다.
- ReAct 프레임워크는 추론(Reasoning)과 행동(Act)을 결합해 도구를 쓰고 결과를 평가하며 자율적으로 작업을 반복한다.
RAISE LAB 에서 배우는 사람에게
단순 프롬프트 입력이나 노코드 워크플로를 넘어 LLM이 스스로 판단하고 도구를 선택하는 에이전트 구조의 기본 원리를 잡기에 좋다.
챕터
- 0:00LLM·워크플로·에이전트의 차이 (새 탭에서 열림)
- 1:051단계: 수동적 텍스트 생성기 LLM (새 탭에서 열림)
- 2:182단계: 사람이 경로를 짜는 AI 워크플로 (새 탭에서 열림)
- 3:49워크플로의 한 형태로서의 RAG (새 탭에서 열림)
- 4:13Make를 이용한 SNS 발행 워크플로 예시 (새 탭에서 열림)
- 5:283단계: 의사결정자를 대체한 AI 에이전트 (새 탭에서 열림)
- 6:49ReAct 프레임워크와 자율 피드백 루프 (새 탭에서 열림)
- 7:49앤드류 응의 영상 검색 에이전트 데모 (새 탭에서 열림)
- 9:113단계 비교 요약 (새 탭에서 열림)
이 노트는 RAISE LAB 운영팀이 고른 영상을 AI(Gemini)가 보고 한국어로 정리한 것입니다. 영상의 저작권은 원작자에게 있고, 자막·대본은 싣지 않습니다. Jeff Su 원작자 채널 (새 탭에서 열림)