# \#multi-step-reasoning
**URL:** https://discuss.pytorch.kr/tag/multi-step-reasoning/4096.md
[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)
---
## [Cogency: 3줄의 코드로 멀티스텝 AI 에이전트를 만들 수 있는 프레임워크 (feat. PRARR)](https://discuss.pytorch.kr/t/cogency-3-ai-feat-prarr/7274)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [7월 17, 2025, 9:30오전 UTC](https://discuss.pytorch.kr/t/cogency-3-ai-feat-prarr/7274 "2025-07-17T09:30:56Z")
Cogency 소개 AI 기술이 발전하면서 다양한 작업을 자동화하는 AI 에이전트 시스템들이 등장하고 있습니다. 특히 자연어 처리 모델이 점점 고도화되면서, 사람처럼 질문에 답하거나 복잡한 정보를 조합하는 능력이 강화되고 있습니다. 그러나 이런 AI 에이전트를 구축하려면 여전히 많은 코드와 설정, 복잡한 흐름 제어가 필요하며 이는 개발자들에게 진입장벽이 되곤 합니다. 이러한 배경에서 등장한 것이 바로 Cogency입니다. Cogency는 “3줄로 작동하는 AI 에이전트”라는 슬로건처럼, 최소한의 코드로 멀티스텝 추론을 수행하는 지능형 에이전트를 만들 수 있게 도와주는 프레임워크입니다. Python 환경에서 설치 및 실행이 매우 간단하며, 다양한 LLM 제공자(OpenAI, Anthropic, Google 등)를 자동으로 감지하고, 툴 선택과 실행, 결과 필터링까지 자동으로 처리합니다. 무엇보다도 추론 과정이 실시간으로 스트리밍되며, 사람이 보기에 이해하기 쉬운 형태로 추론(reasoning) 과정을 보여줍니다. 개발자 입장에서는 복잡한 LLM 설정이나 프롬프트 구성 없이도, 필요한 기능을 툴로 구성하고 에이전트를 호출하면 끝입니다. 내부적으로는 Plan → Reason → Act → Reflect → Respond(PRARR) 구조를 따라 동작하며, 매우 직관적인 로그로 모든 단계를 확인할 수 있습니다. 따라서 AI 추론 과정을 투명하게 검토하고 디버깅할 수 있으며, 다양한 상황에 맞춰 손쉽게 확장할 수도 있습니다. Cogency는 기존의 LLM 프레임워크와 확연히 다른 UX를 제공합니다. LangChain이나 LlamaIndex 같은 도구들은 강력하지만 설정이 복잡하고, 툴 연결이나 추론 단계 커스터마이징에 많은 시간과 노력이 필요합니다. 반면 Cogency는 3줄의 코드로 동작하며, 다양한 API 키를 .env 파일에서 자동 감지해 설정 과정조차 생략할 수 있습니다. 특히 스트리밍 추론과 실행 로그가 내장되어 있어 LangChain보다 사용자 경…
---
## [Qwen팀, 다단계 추론(Multi-step Reasoning)에 최적화된 모델 QwQ-32B 미리보기 공개](https://discuss.pytorch.kr/t/qwen-multi-step-reasoning-qwq-32b/5614)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [11월 29, 2024, 11:12오전 UTC](https://discuss.pytorch.kr/t/qwen-multi-step-reasoning-qwq-32b/5614 "2024-11-29T11:12:57Z")
Qwen의 QWQ-32B-Preview 모델 소개 Qwen팀에서는 새로운 대규모 언어 모델(LLM), QwQ-32B의 미리보기(QwQ-32B-preview)를 공개했습니다. QwQ는 Qwen with Questions의 약자로, QwQ-32B-preview 모델은 사용자 질의에 답을 하기 전, 자신의 가정에 의문을 제기하고 다양한 사고를 통해 추론하는 방식으로 더 나은 품질의 답을 제공합니다. 모델명에서 알 수 있듯 32.5B의 파라매터를 갖는 이 모델은 32K Context-Length를 지원합니다. 또한, 모델의 개발에는 대규모 데이터 세트와 고급 학습 기술이 적용되어 멀티태스크 학습과 높은 컨텍스트 길이를 지원합니다. 이를 통해 OpenAI의 o1-preview를 비롯한 다른 모델들과 견줄만한 성능을 가지고 있다고 합니다. Qwen팀에서 공개한, 4가지 주요 벤치마크(GPQA, AIME, MATH-500, LiveCodeBench)에서 QwQ-32B-preview 모델과 다른 주요한 LLM과의 성능 비교 결과는 다음과 같습니다: QwQ-32B-preview 모델의 주요 특징 대규모 파라미터: 320억 개의 파라미터를 통해 방대한 학습 데이터를 처리하며, 복잡한 패턴을 학습합니다. 다중 작업 학습 지원: 텍스트 생성, 번역, 요약, 코드 작성 등 다양한 작업에 최적화. 효율성: 기존 모델보다 더 낮은 계산 자원으로도 높은 성능 달성 가능. 확장성: 다양한 도메인 및 언어에 적응 가능. 사용 방법 QwQ-32B-preview 모델은 Huggingface와 Modelscope 등에 공개되어 있으며, 4.37.0 이상의 transformers가 설치되어 있다면 다음과 같이 사용 가능합니다(4.37.0 미만의 transformers가 설치되어 있다면 KeyError: 'qwen2'같은 오류가 발생합니다): from transformers import AutoModelForCausalLM, AutoTokenizer mod…