[Agentic AI] 에이젠틱 AI 란 무엇인가?

Agentic AI 란?

"에이전트들이 협업하며, 자율적으로 해동 계획을 수립하고, 목표를 달성하는 시스템 전체 또는 프레임워크이다". 보통 AI Agent 라는 부르는 것은 "특정 목표를 수행하는 개별 인공지능 객체"를 의미한다. 

 

Agentic AI 에서 중요한 것은 3가지 이다. 

- 자율적 자기주도적 사고

- 멀티에이전트 협업 능력

- 목표 달성 중심 시스템(프레임워크)

 

AI Engineering 롤을 두개로 나눈다면 AI Solution Engineer와 AI Data Engineer로 나눠 보았을 때, AI Solution Engineer가 Agentic AI 시스템을 구축하는 것이고, AI Data Engineer가 전통적인 ML 및 비즈니스 핵심 알고리즘을 구현하는 부분이라 본다. 

 

그렇다면 AI Solution Engineering의 파트를 구체화 한다면 다음의 7 Layers로 나누어 볼 수 있겠다. 

https://www.linkedin.com/posts/digitalprocessarchitect_the-7-layers-you-need-to-build-an-ai-agent-activity-7343997796842139650-43GX/

 

1. Experience Layer

Where humans interact with the agent - through chatbots, dashboards, or voice assistants. 

It’s the UI layer of agent interaction.

 

2. Discovery Layer

This is how the agent finds and injects relevant knowledge 

- using RAG, vector databases, and memory recall techniques.

 

3. Agent Composition Layer

Defines the internal structure of your agent. 

Combines modular sub-agents into complex, goal-driven workflows.

 

4. Reasoning & Planning Layer

The thinking brain of the agent. It plans actions, reflects, sets priorities, 

and uses strategies like CoT or ReAct.

 

5. Tool & API Layer

Connects reasoning to real-world execution. 

It handles file systems, APIs, shell commands, and function calls.

 

6. Memory & Feedback Layer

Where the agent learns and adapts. 

Stores past interactions, builds self-awareness, and uses memory to improve.

 

7. Infrastructure Layer

The backend engine scales agents, manages models, deploys pipelines, 

and secures the whole system.

 

인프라스트럭처의 LLMOps 에서 부터 A2A 또는 LangGraph와 같은 Framework을 활용하여 Multi Agent를 구현하고, UI를 제공하는 모든 부분을 Agentic AI Framework 또는 System 이라 말할 수 있다. 이부분을 AI Solution Engineer가 해야할 영역으로 본다. 

 

Agentic AI Solution 은 "자기 주도적이면 자율적으로 멀티 에이전트가 협업하여 목표를 달성하는" 것을 목적으로 한다. 여기서 해당 솔루션을 비즈니스에 적용하기 위하여 최근 이야기 되고 있는 Context Engineering 관점의 접근도 필요하다. 

 

Context Engineering 이란?

“Context Engineering”은 특히 대규모 언어 모델(LLM) 시대에 들어서면서 주목받는 개념으로, AI가 정확하게 이해하고 응답할 수 있도록 입력(프롬프트)의 맥락을 설계·조정하는 기술 또는 실천적 전략을 의미한다. 즉 AI Solution Engineer는 Agentic AI System 구축시 (AI Data Engineer가) Context Engineering을 유연하게 적용할 수 있는 시스템을 지향해야 한다. 

 

Context Engineering = Prompting + Memory + Retrieval + Role Control + History 관리의 종합 아키텍처 설계 기술

프롬프트의 시대는 저물고 있습니다.
이제는 더욱 중요한 '컨텍스트'를 설계해야 할 때입니다.

해외 AI 업계에서는 최근 '컨텍스트 엔지니어링'이라는 개념이 주목받고 있습니다. 
단순히 질문(프롬프트)을 잘 던지는 것만으로는 부족하다는 뜻입니다. 
중요한 건, AI가 제대로 이해하고 일할 수 있도록 '맥락'을 설계하는 일입니다.

AI는 신입사원과 같습니다. 업무 지시만으로는 부족합니다. 
조직의 문화, 일하는 방식, 기대 기준 등을 함께 알려줘야 제대로 일합니다.

'맥락'은 단순한 배경정보가 아닙니다. 
우리가 평소 사용하는 리포트 포맷, 문서 스타일, 브랜드의 말투 등이 곧 조직의 언어이자 컨텍스트이죠. 
결국 AI에게 일을 시키려면, 우리가 어떻게 일하는지를 먼저 정의해야 합니다.

AI를 잘 쓴다는 건, 우리 조직의 이상적인 일처리 기준을 정의하고, 그것을 AI에게 정확히 전달하는 것입니다.
이제는 ‘프롬프트’가 아닌 ‘컨텍스트’를 설계하는 시대입니다. 
LLM을 도구 이상으로 활용하려면, 그 배경에 숨어 있는 이 섬세한 맥락 설계의 기술과 감각을 이해하여 사용한다.

 

GPT

 

 

출처

- 7 Layers of Agentic AI : https://www.linkedin.com/posts/digitalprocessarchitect_the-7-layers-you-need-to-build-an-ai-agent-activity-7343997796842139650-43GX/

The 7 Layers You Need To Build An AI Agent From Scratch | Vaibhav Aggarwal

- context engineering: https://simonwillison.net/2025/Jun/27/context-engineering/

Context engineering