내가 만든 AI 에이전트 (7/7) — 에이전트 간 콘텐츠 관계: 데이터가 흐르는 경로

-

사람이 중계하지 않아도 에이전트끼리 일을 넘기는 구조

핵심 요약

  • 에이전트 간 콘텐츠 흐름은 3가지 경로로 모델링된다: 생활 정보→글, 투자 분석→글, 인프라 이벤트→글
  • 역방향 흐름도 설계 가능하다 — 리서치 결과가 의사결정 에이전트의 참고 데이터로 순환한다
  • 온톨로지 스키마에 [content] 관계 태그를 명시하면, 에이전트가 소재 출처를 구조적으로 파악한다

배경

멀티 에이전트 시스템을 운영하면 자연스럽게 생기는 설계 문제가 있습니다. "에이전트 A의 출력을 에이전트 B가 소비해야 하는데, 그 연결을 어떻게 구현하는가?"

각 에이전트가 독립적으로 작동하는 것은 기본 전제입니다. 문제는 에이전트 간 데이터 전달입니다. 이 연결을 사람이 매번 수동으로 중계하면 시스템이 확장되지 않습니다. 에이전트 수가 늘수록 관리해야 할 연결 수는 기하급수적으로 증가하기 때문입니다.

콘텐츠 영역에서 이 문제가 가장 뚜렷하게 드러납니다. 블로그 소재는 어디서 오는가? 투자 분석 인사이트, 삶의 의사결정 기록, 서버 운영 중 발생한 이벤트 — 모두 다른 에이전트 도메인에서 생성됩니다. 이 데이터가 글 작성 에이전트까지 흐르는 경로를 설계하지 않으면, 소재 발굴 단계부터 사람이 직접 개입해야 합니다.

본문

1. 콘텐츠 관계 모델링: 세 가지 주요 흐름

에이전트 간 콘텐츠 흐름은 발신 에이전트, 수신 에이전트, 전달되는 데이터 유형으로 모델링합니다.

흐름 1: 나의 삶 정리 → 글 작성 디렉터 [content]

라이프 기록 에이전트가 생성하는 데이터 중 일반화 가능한 인사이트가 콘텐츠 소재로 전달되는 경로입니다.

나의 삶 정리 에이전트는 의사결정 과정, 가치 충돌, 확증편향 차단 결과를 구조화된 데이터로 기록합니다. 이 기록 중 "다른 맥락에서도 적용 가능한 패턴"으로 분류된 항목이 글 작성 디렉터로 전달됩니다.

데이터 예시: - insight_type: value_conflict — 선언 가치와 실행 가치 간의 불일치 패턴 → 개인 온톨로지 시리즈 소재 - insight_type: bias_block — 확증편향 차단 메커니즘 실제 작동 기록 → AI 활용 실전기 소재 - insight_type: decision_support — 에이전트 반론이 의사결정에 영향을 미친 사례 → 도구로서의 AI 소재

흐름 2: 주식 정보 관리 디렉터 → 글 작성 디렉터 [content]

퀀트 분석 에이전트가 생성하는 인사이트가 콘텐츠 소재로 전달되는 경로입니다.

주식 디렉터는 시그널 분석, 포트폴리오 스코어링, 시장 트렌드 분석을 수행합니다. 콘텐츠로 전달되는 것은 종목 추천 데이터가 아니라 분석 방법론과 시스템 설계 경험입니다.

전달 데이터 구조:

{
  "type": "content_source",
  "category": "methodology",  // 종목 추천 아님
  "topic": "signal_analysis_pattern",
  "context": "시행착오 포함 설계 경험"
}

이 구분이 중요합니다. 시스템이 어떤 데이터를 콘텐츠 소재로 분류할지 명시적으로 정의하지 않으면, 발행해서는 안 되는 데이터가 파이프라인에 유입될 수 있습니다.

흐름 3: 홈 서버 관리자 → 글 작성 디렉터 [content]

인프라 운영 이벤트가 콘텐츠 소재로 전달되는 경로입니다.

홈 서버 관리자는 에이전트 허브이자 인프라 모니터링을 담당하는 에이전트입니다. 서버 다운, 네트워크 이슈, 모니터링 알림 같은 이벤트가 발생하면 해당 대응 과정이 자동으로 콘텐츠 후보로 태깅됩니다.

이벤트 → 콘텐츠 변환 패턴: - 서버 장애 → 원인 분석 + 복구 과정 + 자동화 개선 → 인프라 운영 실전기 - 온톨로지 구조화 과정 → 설계 결정 기록 → 시스템 설계 시리즈

2. 역방향 흐름 — 리서치 데이터가 의사결정으로 순환한다

콘텐츠 관계 모델은 단방향이 아닙니다.

글 작성 디렉터 → 나의 삶 정리 [data]

글 작성 과정에서 수집된 리서치 데이터가 의사결정 에이전트의 참고 자료로 역류합니다.

예: AI 에이전트 트렌드 리서치 중 수집한 "멀티 에이전트 시스템의 확장성 한계" 데이터는 블로그 소재이기도 하지만, 동시에 에이전트 시스템 설계 결정에 영향을 주는 도메인 지식이기도 합니다. 이 데이터를 나의 삶 정리 에이전트에 역전달하면, 다음 의사결정 사이클에서 활용됩니다.

순환 구조:

경험 기록 → 콘텐츠 소재 → 리서치 → 도메인 지식 → 더 나은 의사결정 → 새 경험 기록

이 순환이 작동하면 두 에이전트가 서로를 강화합니다. 한쪽 에이전트의 출력이 다른 쪽 에이전트의 입력 품질을 높이는 구조입니다.

3. 메시지 허브를 통한 실제 전달 메커니즘

콘텐츠 관계를 온톨로지에 정의했다면, 실제 전달은 메시지 허브가 담당합니다.

콘텐츠 소재 전달 시퀀스:

1. 소스 에이전트 — 공유 가치 있는 인사이트 발생 감지
2. 메시지 허브 → 글 작성 디렉터: task_request {type: "content_source", payload: {...}}
3. 글 작성 디렉터 → 메시지 허브: ACK {status: "received", queue_position: N}
4. 글 작성 디렉터 내부: research → compile → verify → draft → publish 파이프라인 실행

핵심은 2단계입니다. 사람이 "이 분석 결과를 블로그 소재로 써야지"라고 기억하고 수동으로 전달하는 것이 아니라, 에이전트가 온톨로지의 [content] 관계를 참조해 직접 전달합니다.

자동화 범위는 명확히 구분됩니다: - 자동화 O: 소재 전달, 리서치, 초안 작성 - 자동화 X: 발행 결정, 톤/관점 판단 — 최종 컨펌은 사람이 합니다

4. 온톨로지 스키마에서 [content] 관계를 명시하는 이유

에이전트 간 관계를 정의하는 온톨로지에는 관계 유형 태그가 있습니다.

태그 의미
[infra] 인프라 의존성 — 한쪽이 다른 쪽의 실행 환경을 제공
[tech] 기술 의존성 — 코드/패턴/스택 공유
[data] 데이터 흐름 — 구조화된 데이터 전달
[content] 콘텐츠 소재 흐름 — 출력이 다른 에이전트의 콘텐츠 소재가 됨

[content] 태그를 별도로 정의하는 이유는 두 가지입니다.

에이전트 관점: 글 작성 디렉터는 자기에게 [content]로 연결된 에이전트 목록을 조회해 소재 출처를 파악합니다. 새 에이전트가 추가되거나 기존 에이전트가 변경될 때, [content] 관계에 영향이 있는지 즉시 판단할 수 있습니다.

시스템 관점: [content] 관계를 명시하지 않으면 암묵적 의존성이 됩니다. 코드에 주석 없는 전역 변수와 같습니다 — 작동은 하지만, 어디서 값이 오는지 추적할 수 없습니다. 에이전트 수가 늘수록 이 암묵적 관계가 시스템 복잡도의 주요 원인이 됩니다.

온톨로지 정의 예시:

나의 삶 정리 → 글 작성 디렉터 [content]
  // 삶의 결정/경험 인사이트 → 블로그/트위터 소재

글 작성 디렉터 → 나의 삶 정리 [data]
  // 리서치 결과 → 의사결정 참고 데이터

시행착오

초기에는 소재 전달을 수동으로 처리했습니다. 분석 결과가 나오면 직접 복사해서 글 작성 작업에 붙여넣기. 에이전트가 소수일 때는 작동합니다. 에이전트 수가 늘어나면 사람이 병목이 됩니다. 관계의 수가 에이전트 수의 제곱에 비례해 증가하기 때문입니다.

자동화 범위를 잘못 설정한 구간이 있었습니다. 소재 전달뿐 아니라 글 작성과 발행까지 자동화를 시도했습니다. 결과는 콘텐츠 품질 저하였습니다. 소재 전달은 자동화 가능하지만, 콘텐츠의 관점과 톤은 사람의 판단이 필요합니다. 자동화 경계를 데이터 전달 단계에 설정하는 것이 정답이었습니다.

관계 유형 태그를 분류하지 않았던 초기에는 혼선이 있었습니다. 어떤 에이전트가 콘텐츠 소재를 제공하는 관계인지, 기술 의존성인지, 인프라 관계인지 구분이 안 됐습니다. [content], [tech], [data], [infra] 태그를 분류하고 온톨로지에 명시한 뒤에야 관계의 성격이 추적 가능해졌습니다.

마무리

멀티 에이전트 시스템에서 어려운 것은 개별 에이전트 구현이 아닙니다. 에이전트 간에 데이터를 올바른 경로로 흘리는 것입니다.

콘텐츠 관계 모델링의 핵심은 두 가지입니다. 첫째, 관계 유형을 온톨로지에 명시적으로 태깅한다([content], [data], [tech], [infra]). 둘째, 실제 전달은 메시지 허브가 담당하도록 한다.

이 구조가 갖춰지면 에이전트 간 데이터 흐름이 추적 가능해지고, 새 에이전트 추가나 기존 에이전트 변경이 콘텐츠 파이프라인에 미치는 영향을 사전에 파악할 수 있습니다. 사람은 최종 판단에만 집중하고, 소재 발굴과 전달은 시스템이 처리합니다.

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »