Agent Tools

에이전트가 외부 세계와 연결되는 3가지 도구

도구가 필요한 이유

• LLM은 학습 데이터의 정적인 스냅샷에 의존 → 실시간 정보 접근 불가
• 텍스트 생성은 가능하지만 실제 행동(검색, 코드 실행, DB 조회)은 불가
• 도구(Tools)는 에이전트가 외부 시스템과 상호작용하는 수단

Extensions

• 에이전트(서버 측)가 직접 외부 API를 호출하는 방식
• 에이전트가 API 명세를 학습하여 어떤 도구를 언제 쓸지 스스로 결정
• 실행 흐름: 에이전트 → API 호출 → 결과 수신 → 추론 반영

특징:

• 에이전트가 실행 주체 (서버 사이드)
• 즉각적인 결과 반영 가능
• 보안/인증 처리가 에이전트 레이어에서 이루어짐

예시: Google Search API, Maps API, 날씨 API 직접 호출

Functions (Function Calling)

• 모델이 호출해야 할 함수 명세(이름, 파라미터)를 생성하고, 실제 실행은 클라이언트(애플리케이션)가 담당
• 모델은 함수를 직접 실행하지 않음 → 실행 제어권이 개발자에게 있음
• 실행 흐름: 모델 → 함수 명세 생성 → 클라이언트 → 함수 실행 → 결과 반환 → 모델

특징:

• 클라이언트 사이드 실행 (개발자가 실행 로직 제어)
• 보안이 중요한 작업(DB 쓰기, 결제)에 적합
• 실행 전 사람 또는 시스템의 승인 단계 삽입 가능

예시: 주문 처리, DB 업데이트, 이메일 발송 함수 호출

Extensions vs Functions 차이

Data Stores

• 에이전트에게 외부 지식 베이스를 제공하는 도구
• 벡터 데이터베이스(Vector DB), 문서 저장소 등을 통해 관련 정보를 검색
• RAG (Retrieval-Augmented Generation) 패턴의 핵심 컴포넌트

지원하는 데이터 형태:

• 웹사이트, PDF, 문서 (비정형 텍스트)
• 구조화 데이터 (SQL DB, Spanner 등)
• 이미지, 동영상, 오디오

RAG 처리 흐름

flowchart LR
    Query([사용자 쿼리]) --> Embed["임베딩 생성\n(Embedding Model)"]
    Embed --> Search["유사도 검색\n(Vector DB)"]
    Search --> Retrieve["관련 문서 청크\n상위 K개 추출"]
    Retrieve --> Context["컨텍스트 구성\n(쿼리 + 문서)"]
    Context --> LLM["LLM 추론\n(답변 생성)"]
    LLM --> Answer([최종 응답])

    style Query fill:#24283b,stroke:#7dcfff,stroke-width:2px,color:#7dcfff
    style Answer fill:#24283b,stroke:#9ece6a,stroke-width:2px,color:#9ece6a
    style Embed fill:#24283b,stroke:#bb9af7,stroke-width:2px,color:#bb9af7
    style Search fill:#24283b,stroke:#7aa2f7,stroke-width:2px,color:#7aa2f7
    style Retrieve fill:#24283b,stroke:#7aa2f7,stroke-width:2px,color:#7aa2f7
    style Context fill:#24283b,stroke:#e0af68,stroke-width:2px,color:#e0af68
    style LLM fill:#24283b,stroke:#bb9af7,stroke-width:3px,color:#bb9af7

자세한 내용: 벡터 데이터베이스

도구 비교 요약

모델 성능 향상 방법

Google Agents 백서에서 Tools 챕터에 포함된 내용 — 도구와 함께 에이전트의 행동 품질을 결정하는 요소로 다뤄진다.

에이전트의 핵심인 LLM 자체의 성능을 높이는 3가지 접근법.

In-context Learning

• 추가 학습 없이 프롬프트에 예시·지시사항을 포함하여 모델 행동을 조정
• 구현 비용: 낮음 / 지속성: 세션 내 한정

방법:

• Zero-shot: 예시 없이 지시사항만 제공
• Few-shot: 입출력 예시 몇 개를 프롬프트에 포함

Retrieval-based In-context Learning

• RAG를 활용하여 동적으로 관련 예시·지식을 프롬프트에 주입
• 정적인 few-shot의 한계를 극복: 쿼리에 맞는 예시를 실시간 검색
• 구현 비용: 중간 / 지속성: 검색 결과에 의존

Fine-tuning

• 도메인 특화 데이터로 모델 가중치를 직접 업데이트
• 구현 비용: 높음 / 지속성: 영구적 (모델에 내재화)
• 반복적으로 필요한 특정 행동 패턴을 학습시킬 때 적합

스스로 묻기

• Extensions와 Functions의 실행 주체 차이를 설명할 수 있는가?
• RAG가 In-context Learning과 어떻게 연결되는가?

참고 자료

• Google, "Agents" (February 2025) — Julia Wiesinger et al.

_Agent | AI Agent | Agent Architecture