11.13 - n8n /// AI 에이전트 시스템 심층분석

## #001.  - AI 에이전트  시스템 심층분석

# AI에이전트-The Doer, LLM 기반 추론엔진,  다단계 작업실행, 도구사용, 복잡한 작업실행

# 전통적인 - 에이전트-스크립트 기반, RPA / 반복작업 자동화

# 에이전트형 AI- LLM을 핵심엔진, 자율적인 지능적 능력, 전략수립, 예상 및적응(the Thinker) 

 ###002. P-R-A-C 모델 / 추론및 계획 -행동, 도구호출 -기억인식 (장단기기억)/// AI 에이전트 해부학

https://heeya-stupidbutstudying.tistory.com/entry/ML-%EB%AA%A8%EB%8D%B8-%ED%8F%89%EA%B0%80%EC%A7%80%ED%91%9C-%EC%98%A4%EC%B0%A8%ED%96%89%EB%A0%AC-PRC-ROC-AUC

# 

# 

자주 쓰는 노드들 🛠️

트리거 노드

• Webhook: 다른 앱에서 데이터 받을 때
• Schedule: 정해진 시간에 실행
• Email Trigger: 이메일 올 때

인기 앱 노드

• Gmail: 이메일 보내기/받기
• Slack: 메시지 보내기
• Google Sheets: 표 읽기/쓰기
• Notion: 노션 데이터 다루기
• HTTP Request: 웹사이트 데이터 가져오기

유틸리티 노드

• IF: 조건 따라 다르게 실행
• Set: 데이터 가공하기
• Code: 자바스크립트 코드 실행

# 

"P-R-A-C 모델"이라는 이름의 표준화된 모델은 검색 결과에서 명확하게 확인되지 않습니다. 다만 문맥에 따라 다음과 같은 관련 개념들을 고려해 볼 수 있습니다.

• PRACTICE 코칭 모델: 코칭 분야에서 사용되는 방법론으로, GROW 모델과 유사하나 이슈 파악(Problem identification)을 먼저 진행하는 점이 다릅니다.
• KAP(Knowledge-Attitude-Practice) 모델: 건강 행태 설명 등에 사용되는 모델로, 지식(Knowledge)이 태도(Attitude) 변화를 거쳐 실천(Practice)으로 이어진다고 설명합니다.
• 작업치료의 실행 모델(Model of Practice, MOP): 작업치료 분야에서 평가와 중재 시 임상적 추론과 함께 사용되는 실행 모델이 있습니다.
• Practical 모델: 특정 분야(예: 딥페이크 탐지, 소프트웨어 유지보수 측정)에서 "실용적인(Practical)" 모델을 제안하는 논문이나 연구가 존재합니다. 

사용자가 찾으시는 모델이 어떤 특정 분야(교육, 코칭, 의료, AI 등)에서 사용되는 것인지 명시해 주시면 더 정확한 정보를 찾아드릴 수 있습니다.

##AI 에이전트 분류- 

AI 분류 모델은 데이터를 미리 정의된 그룹(클래스)으로 나누는 인공지능 모델입니다. 학습된 모델이 새로운 데이터가 어느 클래스에 속하는지 예측하는 데 사용되며, 주로 지도 학습의 한 형태로, 레이블이 지정된 데이터를 통해 학습됩니다. 

AI 분류 모델의 원리- https://delphinus.tistory.com/91

• 학습: 레이블이 지정된(예: '고양이'라는 레이블이 붙은 고양이 사진) 데이터를 학습하여 데이터의 특징과 클래스 간의 관계를 학습합니다.
• 예측: 학습된 모델은 새로운 데이터가 들어왔을 때, 학습한 특징을 바탕으로 가장 적절한 클래스(범주)를 할당합니다.
• 결정 문제: '예/아니오'와 같이 명확하게 구분되는 문제(결정 문제)를 해결하는 데 활용됩니다. 

주요 분류 모델

• 지도 학습: 정답(레이블)이 있는 데이터를 사용하여 모델을 학습시킵니다.
  • 이미지 분류: 이미지를 카테고리별로 분류하는 모델입니다.
  • 텍스트 분류: 스팸 메일 분류, 감정 분석 등에 사용됩니다.
• 비지도 학습: 레이블이 없는 데이터에서 패턴을 찾아 데이터를 그룹화합니다.
• 딥러닝 모델: 인간의 뇌에서 영감을 받은 신경망을 사용하여 복잡한 패턴을 학습합니다.
  • 컨벌루션 신경망(CNN): 주로 이미지 처리에 강점을 보입니다.
  • 순환 신경망(RNN): 시계열 데이터와 같이 순서가 중요한 데이터 처리에 적합합니다.
  • 트랜스포머: 자연어 처리 분야에서 뛰어난 성능을 보입니다. 

활용 예시

• 이미지 인식: 사진 속 객체를 자동으로 인식하고 분류 (예: 꽃 이름 맞히기).
• 스팸 필터: 이메일이 스팸인지 아닌지 분류.
• 의료 진단: 질병이 있는지 없는지 진단하고 분류.
• 금융 서비스: 대출 신청서의 위험도를 평가하여 분류.

-  RAG -검색증강 생성- 외부 참조(EXTERNAL REFERENCE)- 정적인 , 주기적 업데이터

https://dwin.tistory.com/172

-  LTM - 내부 지능 성장 - 진화하는 지능형 메모리- 동적인, 지속적 진화

'LTM - 내부 지능 성장'은 인공지능(AI) 분야에서 장기 기억(Long-Term Memory, LTM)을 활용하여 AI 모델이 스스로 지식을 축적하고 자율적으로 성장하는 기술 또는 개념을 의미합니다. 

이 개념은 주로 다음과 같은 맥락에서 사용됩니다.

• AI 자가 진화: AI 모델이 LTM을 통해 과거의 경험과 지식을 반영구적으로 저장하고, 이를 바탕으로 새로운 지식이 필요할 때 스스로 결정하여 학습하는 과정을 말합니다.
• 인간 피드백 기반 성장: 사용자의 피드백이나 다양한 목표 요구사항을 받아, AI가 스스로 지식의 필요성을 판단하고 지능을 성장시키는 원천 기술로 활용됩니다.
• 지식 축적 및 활용: 인간의 기억 체계에서 LTM이 무한한 정보를 영구적으로 저장하는 것처럼, AI 시스템에서도 여러 대화와 작업에 걸쳐 지속적으로 정보를 축적하여 복잡한 문제 해결 및 환경 적응 능력을 향상시킵니다.
• AI 에이전트의 핵심: 메모리(특히 장기 메모리)는 최신 AI 에이전트 구조에서 중요한 구성 요소로, 이를 통해 에이전트가 더 지능적이고 상황에 맞는 결정을 내릴 수 있습니다. 

결론적으로, 'LTM - 내부 지능 성장'은 AI가 단순히 주어진 데이터로 학습하는 것을 넘어, 기억(LTM)을 기반으로 스스로 학습하고 진화하는 능력을 의미한다고 볼 수 있습니

---->     전략적 함의 ? 고차원적인접근, 추론, 전략, 범용 AI로의 진화 기반 

##003. 다중 에이전트,   MAS-복원성과 확장성 -내결합성, 긴급협력, 

다중 에이전트 시스템(MAS)은 여러 지능형 에이전트가 서로 협력, 경쟁, 조정하여 복잡한 문제를 해결하는 분산 컴퓨팅 프레임워크입니다. 각 에이전트는 특정 역할을 수행하며, 각자의 전문성을 발휘해 공동의 목표를 달성하고 학습하는 방식입니다. 이는 단일 AI 솔루션보다 뛰어난 확장성, 장애 내성, 문제 해결 능력을 제공하는 것이 특징입니다. 

다중 에이전트 시스템(MAS)의 특징

• 분산 협업: 다수의 자율적인 AI 에이전트가 하나의 공유된 환경 안에서 서로 상호작용하며 작동합니다.
• 작업 분담: 복잡한 문제를 해결하기 위해 각 에이전트가 개별적인 전문성을 바탕으로 작업과 통신을 분배합니다.
• 학습 및 조정: 에이전트들은 공동의 목표를 달성하기 위해 서로 학습하고 조정하는 과정을 거칩니다.
• 높은 확장성 및 장애 내성: 단일 시스템에 비해 유연하고 적응력이 뛰어나며, 한 에이전트가 고장 나도 다른 에이전트가 역할을 대신할 수 있어 회복력이 높습니다.
• 표준화된 통신 프로토콜: 에이전트 간의 효율적인 소통을 위해 MCP(Model Context Protocol)와 A2A(Agent-to-Agent Protocol)과 같은 표준화된 통신 프로토콜을 사용합니다. 

MAS의 활용 및 장점

• 효율적인 문제 해결: 하나의 에이전트로는 해결하기 어려운 복잡한 문제를 다수의 에이전트가 협력하여 해결할 수 있습니다.
• 자동화: 에이전트 프로세스 자동화를 통해 작업 효율성을 크게 높일 수 있습니다.
• 유연성: 다양한 작업과 상황에 맞게 유연하게 적응하고 대처할 수 있습니다

-