Agentic Patterns 프로젝트 소개
Agentic Patterns GitHub 저장소는 Deeplearning.ai에서 정의한 4가지 에이전트의 패턴을 Groq API를 사용해 구현한 내용입니다. Groq API를 이용해 단순하고 순수하게 패턴을 구현했으며, LangChain이나 LangGraph, LlamaIndex와 같은 외부 프레임워크나 라이브러리를 사용하지 않았습니다. 이 프로젝트의 목적은 LLM의 성능을 극대화하고, 툴을 사용하여 외부 데이터를 처리하거나 작업을 계획하고 수행하는 방법을 제시하는 것입니다.
DeepLarning.ai에서 소개한 4가지 에이전트의 구현 패턴들은 다음과 같습니다:
반영 패턴(Reflection Pattern) 
반영 패턴(Reflection Pattern)은 매우 기본적인 구조를 가지고 있지만, 그 단순성에도 불구하고 LLM(Large Language Model)의 응답 성능을 크게 향상시킵니다. 패턴의 핵심은 LLM이 자신의 결과를 반영하여 수정, 추가, 개선 등의 작업을 제안하는 능력을 갖추는 것입니다.
- 노트북에서 단계별 구현 설명을 확인할 수 있습니다.
- ReflectionAgent를 통해 Python 코드 구현을 볼 수 있습니다.
도구 패턴(Tool Pattern) 
LLM이 보유한 정보는 종종 충분하지 않기 때문에 외부 데이터를 활용해 더 정확한 답변을 제공해야 합니다. 도구 패턴은 LLM이 외부 세계에 접근할 수 있는 방법을 제공합니다. 예를 들어, LLM은 위키피디아를 검색하거나, 유튜브 영상을 분석하거나, Wolfram Alpha에서 복잡한 수학 문제를 해결하는 도구를 사용할 수 있습니다. 이러한 도구는 에이전틱 애플리케이션의 비밀 소스이며, 가능성은 무궁무진합니다.
계획 패턴(Planning Pattern) 
계획 패턴(Planning Pattern)은 LLM이 계획을 세워 큰 작업을 더 작은 단계로 나누고, 이를 달성하는 방법을 제시합니다. 예를 들어, 작업을 작은 하위 목표로 분할하여 궁극적인 목표를 놓치지 않고 진행할 수 있게 돕습니다. 가장 대표적인 예로는 ReAct 기법이 있습니다.
이 패턴에 대한 구현은 향후 제공될 예정입니다.
멀티에이전트 패턴(Multiagent Pattern) 🧑🏽🤝🧑🏻
crewAI나 AutoGen 같은 프레임워크를 사용하여 멀티 에이전트 애플리케이션을 구축할 수 있습니다. 이 패턴은 작업을 다양한 역할로 나누어 수행하는 에이전트들로 구성됩니다. 예를 들어, 한 에이전트는 소프트웨어 엔지니어, 다른 에이전트는 프로젝트 매니저 역할을 할 수 있습니다.
이 패턴에 대한 구현은 향후 제공될 예정입니다.
라이선스
이 프로젝트는 MIT License로 공개 및 배포되고 있습니다.
GitHub 저장소
이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다. 
파이토치 한국 사용자 모임
이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일
로 보내드립니다! (기본은 Weekly지만 Daily로 변경도 가능합니다.)
아래
쪽에 좋아요
를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ 