본 경진대회에 관심을 가져주신 모든 분께 감사드립니다. 참가자들이 AI 에이전트 개발에 대한 이해를 높이고 성공적으로 대회에 임할 수 있도록 주요 예상 질문과 답변을 정리했습니다. 학회 공식 사이트에서 일정 등 상세 내용 확인 및 참가 신청할 수 있습니다. 많은 관심과 참여 부탁드려요!

1. AI 에이전트 기본 개념

Q: 이번 대회에서 정의하는 'AI 에이전트(Agentic AI)'란 무엇인가요?

A: AI 에이전트는 단순히 사용자의 질문에 답하는(예: 챗봇) 것을 넘어, 명확한 목표(Goal)를 달성하기 위해 자율적으로 환경을 인식(Perception)하고, 계획을 수립(Planning)하며, 결정을 내리고(Decision), 도구(Tools)를 사용해 실제 행동(Action)을 수행하는 지능형 시스템을 의미합니다.

예를 들어, "여수에서 1박 2일간 가장 인기 있는 관광 코스를 추천하고, KTX 왕복 티켓과 숙소를 예약해 줘"라는 요청에 대해, 에이전트는 스스로 관광 정보를 검색하고, KTX 예약 API와 숙소 예약 API를 순차적으로 호출하여 모든 예약을 완료한 뒤 사용자에게 최종 결과를 보고할 수 있습니다.

Q: 일반적인 챗봇이나 RAG 시스템과 AI 에이전트의 결정적인 차이는 무엇인가요?

A: RAG(검색 증강 생성)가 LLM의 환각(Hallucination)을 줄이기 위해 외부 지식(예: DB, 문서)을 '참조’하여 답변을 생성하는 데 중점을 둔다면, AI 에이전트는 여기서 한발 더 나아가 목표 달성을 위해 '행동’을 수행합니다.

챗봇/RAG: “여수 날씨 어때?” -> (정보 검색) -> “여수 날씨는 맑습니다.” (정보 전달로 종료)
AI 에이전트: “여수 날씨 보고, 비 오면 우산 주문해 줘.” -> (날씨 검색) -> “비가 올 예정입니다.” -> (우산 검색) -> (결제 API 호출) -> “우산 주문을 완료했습니다.” (행동으로 완료)

'에이전틱 RAG(Agentic RAG)'는 이러한 에이전트의 특성을 RAG에 접목한 것입니다. 단순 검색이 아닌, 어떤 정보를 검색할지 스스로 '계획’하고, 검색 결과가 불충분하면 '다른 검색어’로 다시 시도하며, 여러 정보를 '종합’하여 더 나은 답변이나 행동을 도출하는 고도화된 형태입니다.

2. 개발 및 아키텍처

Q: AI 에이전트 개발 시 고려해야 할 핵심 아키텍처는 무엇인가요?

A: 정해진 답은 없지만, 일반적으로 성공적인 AI 에이전트는 다음과 같은 핵심 구성요소를 포함합니다.

LLM (The Brain): 에이전트의 핵심 두뇌로, 사용자의 의도를 파악하고, 추론하며, 계획을 수립하고, 어떤 도구를 사용할지 결정합니다. (e.g., Kanana, GPT-4, Llama 3)
Planning (계획 수립): 복잡한 목표를 달성 가능한 하위 작업(sub-task)들로 분해하는 능력입니다. (e.g., ReAct, CoT)
Memory (기억): 이전 대화 내용, 행동 이력, 학습된 정보 등을 저장하여 일관성 있는 상호작용을 가능하게 합니다. (Short-term, Long-term Memory)
Tool Use (도구 사용): LLM이 할 수 없는 일(e.g., 실시간 정보 검색, API 호출, 코드 실행, DB 조회)을 수행하는 외부 기능(함수)입니다.

Q: 에이전트 개발 프레임워크(예: LangChain, LlamaIndex, AutoGen) 사용에 제한이 있나요?

A: 전혀 없습니다. LangChain, LlamaIndex, CrewAI, AutoGen 등 널리 알려진 오픈소스 프레임워크를 사용하셔도 되고, 혹은 특정 프레임워크 없이 Python이나 JavaScript 등으로 직접 아키텍처를 구현하셔도 무방합니다. 상용 툴을 사용하는 것도 제한하지 않습니다.

Q: LLM 모델 사용에 제한이 있나요? 로컬 오픈소스 LLM을 써도 되나요?

A: 네, 모든 종류의 LLM 사용이 허용됩니다.

API 기반 모델: ChatGPT, Gemini, Claude 등 상용 API 사용 가능합니다.
오픈소스 모델: Kanana 1.5, Llama 3, Mistral 등 Hugging Face에 공개된 모델을 다운로드하여 로컬 서버에서 직접 호스팅하여 사용하셔도 됩니다.

Q: ‘에이전틱 RAG(Agentic RAG)’ 시스템을 구현해도 되나요?

A: 네, 적극 권장합니다. 현실의 많은 문제는 정확한 정보 검색을 기반으로 행동이 결정됩니다. 단순 RAG를 넘어, 에이전트가 스스로 판단하여 정보를 검색하고 활용하는 '에이전틱 RAG’는 본 대회의 주제와 매우 잘 부합합니다.

Q: 오케스트레이션(Orchestration)은 무엇이며, 에이전트 개발에서 왜 중요한가요?

A: 오케스트레이션은 여러 개의 도구(Tools), API 호출, LLM 추론 단계, RAG 검색 등 복잡한 작업 흐름을 관리하고 조율하는 프로세스를 의미합니다. 복잡한 목표를 가진 에이전트일수록 정교한 오케스트레이션 설계가 중요합니다.

흐름 제어 (Flow Control): ‘A’ 작업이 성공하면 'B’를 실행하고, 실패하면 'C’를 실행하는 식의 조건부 로직을 관리합니다.
상태 관리 (State Management): 에이전트가 여러 단계를 거치는 동안 필요한 정보(예: 사용자 ID, 이전 검색 결과)를 일관되게 유지합니다.
신뢰성 (Reliability): 특정 도구가 실패했을 때 재시도(Retry) 로직을 처리하거나, 사용자에게 피드백을 요청하는 등 예외 상황을 처리합니다.
LangChain의 'LCEL’이나 LlamaIndex의 ‘Query Engine’ 등이 이러한 오케스트레이션을 돕는 대표적인 도구입니다.

Q: 다중 에이전트 시스템(Multi-agent System)이란 무엇이며, 사용해도 되나요?

A: 네, 사용하셔도 됩니다. 다중 에이전트 시스템은 하나의 거대한 에이전트가 모든 일을 처리하는 대신, 특정 역할(Role)을 가진 여러 전문 에이전트들이 협력하여 더 복잡한 문제를 해결하는 방식입니다.

예시: "신제품 출시 마케팅 계획"이라는 목표가 주어지면,
AutoGen, CrewAI 등이 이러한 다중 에이전트 협업을 구현하는 데 특화된 프레임워크입니다.

3. 카카오 기술 활용 (가산점)

Q: ‘Kanana 1.5’ 모델은 어떻게 사용해야 가산점을 받나요?

A: Kanana 1.5(huggingface.co/kakaocorp)는 카카오가 공개한 고성능 한국어 LLM입니다. 이 모델을 여러분의 에이전트 아키텍처에서 핵심 '두뇌(Brain)'로 사용, 즉 추론, 계획 수립, 도구 선택 등의 주요 작업을 Kanana 모델이 수행하도록 구현하면 가산점을 받습니다.

Q: 'playMCP’는 정확히 무엇이며, 어떻게 활용해야 가산점을 받나요?

A: playMCP(playmcp.kakao.com)는 카카오가 제공하는 개방형 MCP(Multi-modal Conversation Platform) 개발 플랫폼입니다. 쉽게 말해, AI 에이전트가 사용할 수 있는 '도구(Tool)'를 표준화된 규격으로 만들고, 등록하고, 관리할 수 있게 해주는 플랫폼입니다.

MCP 등록 (높은 가산점): 여러분이 직접 유용한 API나 기능을 MCP 규격에 맞게 개발하여 playMCP에 등록하고, 여러분의 에이전트가 이 MCP를 호출하여 문제를 해결하는 경우입니다.
MCP 사용 (가산점): playMCP에 이미 등록된 다른 MCP들(예: 카카오톡 메시지 전송, 지도 검색 등)을 여러분의 에이전트가 호출하여 활용하는 경우입니다.

Q: 가산점을 받으려면 Kanana와 playMCP를 둘 다 사용해야 하나요?

A: 아니요, 둘 중 하나만 활용하셔도 가산점 대상이 됩니다. 물론, 두 기술을 모두 유기적으로 활용하여(예: Kanana가 playMCP에 등록된 도구를 호출) 더 완성도 높은 에이전트를 구현한다면 더욱 좋은 평가를 받을 수 있습니다.

4. 평가 및 거버넌스

Q: 에이전트 개발 시 ‘거버넌스’ 관점에서 고려할 점은 무엇인가요?

A: 에이전트는 자율적으로 '행동’하기 때문에 안전과 신뢰성(Trust & Safety)이 매우 중요합니다. 심사 시에도 이 부분을 고려할 수 있습니다.

신뢰성 (Reliability): 에이전트가 의도한 작업을 얼마나 일관되고 정확하게 수행하는가? (예: 잘못된 항공편을 예약하지 않는가?)
안전성 (Safety): 유해하거나 위험한 행동을 하도록 유도했을 때, 이를 거부하고 안전하게 대응하는가?
환각 제어 (Hallucination Mitigation): 존재하지 않는 API를 호출하거나 사실이 아닌 정보를 기반으로 행동하지 않도록 RAG 등을 통해 제어하는가?
데이터 프라이버시: 사용자의 민감 정보를 다룰 때 적절한 보호 장치가 있는가?

Q: 에이전트의 성능 평가는 어떤 기준으로 이루어지나요?

A: 최종 평가는 [1. 문제 정의의 독창성], [2. 기술적 완성도 및 복잡성], [3. 실제 활용 가능성 및 파급력], [4. 카카오 기술 활용도(가산점)] 등을 종합적으로 봅니다. 평가 세부 내용은 본선 기간에 확정해 안내할 예정입니다.

참가자분들은 에이전트의 성능을 보여주기 위해 다음 항목들을 고려하여 데모 및 발표를 준비해 주시기 바랍니다.

작업 성공률 (Task Success Rate): 주어진 목표를 얼마나 성공적으로 완료하는가?
견고성 (Robustness): 예상치 못한 입력이나 API 오류 등이 발생했을 때, 에이전트가 얼마나 잘 대처하고 작업을 복구하는가?
자율성 (Autonomy): 목표 달성까지 사람의 개입이 얼마나 최소화되었는가?
효율성 (Efficiency): 문제를 해결하기 위해 불필요한 행동 없이 얼마나 효율적인 경로를 따랐는가?

5. (참고) AI 에이전트 활용 사례

다음은 AI 에이전트를 활용하여 해결할 수 있는 문제의 예시입니다. 창의적인 아이디어를 탐색하는 데 참고하시기 바랍니다.

분야	활용 사례	주요 기능 (도구)
개인 비서	복합 여행 계획 및 예약	항공/숙소/렌터카 API, 캘린더 연동, 결제 API
개인 비서	지능형 이메일 관리	메일 API (분류, 요약), 연락처 DB, 답장 초안 생성
개인 비서	일간 맞춤형 뉴스 브리핑	뉴스/웹 검색, 사용자 선호도(Memory), 요약
쇼핑	가격 비교 및 자동 구매	웹 스크래핑, 상품 DB 검색, 결제 API
쇼핑	AI 스타일리스트	패션 트렌드 RAG, 사용자 옷장(Memory), 상품 추천
금융	개인 자산관리 봇	주식 시세 API, 포트폴리오 분석, 리스크 관리
금융	금융 상품 추천	고객 데이터 분석, 금융 상품 DB (RAG), 맞춤형 제안
업무 자동화	분기별 실적 보고서 작성	내부 DB 조회, 데이터 분석, 차트 생성, 문서 작성
업무 자동화	지능형 고객 지원(CS)	내부 매뉴얼 (RAG), 티켓 생성 API, 고객 이력 조회
업무 자동화	채용 프로세스 자동화	이력서 스크리닝(RAG), 캘린더 연동(면접 조율)
개발	코드 리뷰 및 디버깅	Git 연동, 코드 실행 환경, 정적 분석 도구
개발	API 테스트 자동화	API 엔드포인트 호출, 응답 검증, 버그 리포팅
마케팅	소셜 미디어 운영	최신 트렌드 검색, 이미지/텍스트 생성, 포스팅 예약
마케팅	광고 캠페인 최적화	광고 성과 데이터 분석, 예산 자동 조정 API
교육	개인 맞춤형 AI 튜터	학생 수준 진단(Memory), 맞춤형 문제 생성, 지식 RAG
교육	AI 학사 조교	학사 규정 및 공지사항 RAG, 캘린더 조회(학사 일정)
헬스케어	증상 기반 초기 문진	의료 정보 RAG, 병원 예약 API
헬스케어	맞춤형 식단/운동 코치	사용자 건강 데이터(Memory), 식품 DB, 운동 영상 검색
스마트홈	지능형 홈 매니저	IoT 기기 제어 API, 사용자 생활 패턴 학습(Memory)
엔터테인먼트	동적 게임 NPC	플레이어 상호작용(Memory), 동적 스토리 생성
물류	실시간 배송 경로 최적화	지도 API, 실시간 교통정보 API, 배송 DB
제조	지능형 공급망 관리	재고 확인 API, 수요 예측 모델, 발주 자동화 API
법률	법률 문서 초안 작성	판례 및 법령 RAG, 계약서 템플릿, 문서 비교
연구	논문 리서치 보조	논문 검색 API, 논문 요약 및 비교 분석
콘텐츠	유튜브 영상 스크립트 작성	주제 검색(트렌드), 스크립트 생성, 관련 이미지/영상 검색

(FAQ) 카카오 x 한국정보과학회 AI 에이전트 경진대회