지식 기반 에이전트란 무엇인가요?
지식 기반 에이전트는 지식 베이스와 추론 엔진을 사용해 추론하고 행동하는 AI 시스템입니다. 지식 베이스는 도메인 정보를 저장하며, 추론 엔진은 알려진 사실에 규칙을 적용해 결론을 도출합니다. 기본적인 순환 구조는 인식 → 지식 베이스 → 추론 → 행동입니다. 예를 들어, 기술 지원 에이전트는 프린터 문제를 문제 해결 규칙과 매칭해 해결책을 제시하고, 해당 권장 사항의 근거를 설명할 수 있습니다.
지식 기반 에이전트는 어떻게 작동하나요?
인공지능의 지식 기반 에이전트는 대체로 반복되는 추론 순환 구조를 따릅니다. 환경으로부터 정보를 받아들이고, 이를 구조화된 사실로 변환합니다. 그런 다음 지식 베이스를 조회한 후 응답이나 행동을 선택합니다.
인식 단계
인식 단계에서는 환경으로부터 정보를 수집합니다. 출처는 사용자 메시지, 센서 값, 거래 기록, 시스템 이벤트 등이 될 수 있습니다.
원시 입력은 항상 논리적 추론에 적합한 형태는 아닙니다. 에이전트는 먼저 입력을 정규화해야 할 수도 있습니다. 이 과정에서 중요한 개체를 식별하고, 조건을 감지하며, 결과를 구조화된 인식 정보로 변환할 수 있습니다.
예를 들어:
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printing이러한 변환을 통해 추론 엔진은 규칙 매칭을 위한 일관된 형식을 얻게 됩니다.
TELL–ASK–PERFORM 순환 구조
전형적인 지식 기반 에이전트는 세 가지 핵심 연산을 사용합니다:
| 연산 | 목적 | 예시 |
|---|---|---|
| TELL | 지식 베이스에 새로운 정보를 추가합니다 | 주문이 지연되었음을 기록 |
| 질의(ASK) | 지식 베이스에 결론을 질의 | 주문이 지원 대상인지 확인 |
| 실행(PERFORM) | 선택된 작업을 수행 | 배송 추적 업데이트 전송 |
추론 단계와 행동 단계
추론 엔진은 사용 가능한 사실과 일치하는 규칙을 확인합니다. 그런 다음 하나 이상의 결론을 도출합니다. 플래너나 액션 선택기는 이 결론을 활용해 다음 단계를 선택할 수 있습니다.
신뢰할 수 있는 에이전트는 확정된 결론과 가능성 있는 설명을 구분해야 합니다. 지식 베이스에 충분한 정보가 없을 때는 명확화를 요청하거나 사람에게 사례를 넘겨야 합니다.
지식 기반 에이전트의 주요 구성 요소는 무엇인가요?
지식 기반 에이전트의 아키텍처는 여러 계층으로 구성됩니다. 각 계층은 별도의 역할을 담당하며, 이러한 분리 구조 덕분에 시스템을 테스트하고 유지 관리하기가 더 쉬워집니다.
지식 베이스
지식 베이스는 에이전트가 추론에 사용하는 사실과 규칙을 저장합니다. 예를 들어 고객이 활성 구독 상태이며, 활성 구독자는 특정 지원 채널을 이용할 수 있다는 정보를 기록할 수 있습니다.
지식 베이스는 도메인에 따라 데이터베이스, 지식 그래프, 룰 엔진 등을 사용할 수 있습니다. 정보가 누락되거나 잘못되면 결론과 행동이 신뢰할 수 없게 되므로 지식 베이스의 품질은 매우 중요합니다.
지식 표현
지식 표현은 시스템 내부에서 정보를 표현하는 방식을 정의합니다. 명제 논리는 단순한 참/거짓 문장을 다루며, 1차 논리는 변수와 관계를 이용해 더 복잡한 지식을 표현합니다.
그 외 방법으로는 전문가 시스템에서 검토하기 쉬운 IF-THEN 형태의 생성 규칙이 있습니다. 온톨로지는 도메인 개념과 그 관계를 정의하며, 지식 그래프는 그 관계를 이용해 엔티티를 서로 연결합니다.
추론 엔진
추론 엔진은 지식 베이스의 정보에 규칙을 적용합니다. 전방향 연쇄(forward chaining)는 알려진 사실에서 시작해 일치하는 규칙을 적용하며 결론에 도달할 때까지 반복합니다.
후방향 연쇄(backward chaining)는 목표에서 시작해 그 목표를 뒷받침하는 사실을 탐색합니다. 더 발전된 시스템은 변수가 포함된 논리 문장을 처리하기 위해 결의(resolution)나 단일화(unification) 같은 기법을 사용할 수 있습니다.
설명과 믿음 수정
설명 모듈은 결론의 근거가 된 사실과 규칙을 파악합니다. 이 추론 과정 기록은 에이전트가 특정 답변이나 행동을 선택한 이유를 사용자가 이해하는 데 도움이 됩니다.
믿음 수정은 지식 베이스 내의 변경과 충돌을 관리합니다. 우선순위 정책을 사용해 어떤 정보를 계속 유지할지 결정하며, 이는 규제가 있는 업무 흐름에서 특히 중요합니다.
지식 기반 에이전트는 어디에 사용되나요?
지식 기반 에이전트는 시스템이 명시적인 도메인 지식을 따라야 할 때 유용합니다. 특히 행동 이후 추론 과정을 검토해야 하는 경우에 큰 가치를 발휘합니다.
의료 의사 결정 지원
의료 의사 결정 지원 시스템은 증상을 임상 규칙과 비교할 수 있습니다. 가능한 질환을 파악하거나 다음에 수집해야 할 정보를 추천할 수 있습니다.
이러한 시스템은 의료 전문가를 대체하는 것이 아니라 지원하는 역할을 해야 합니다. 특히 환자 진료에 영향을 미치는 경우, 그 결과는 적절한 검토를 거쳐야 합니다.
고객 지원 자동화
지원 에이전트는 고객에게 응답하기 전에 제품 지식 베이스를 검색할 수 있습니다. 또한 비즈니스 규칙을 사용해 해당 문제가 환불, 에스컬레이션, 문제 해결 절차 중 어디에 해당하는지 판단할 수 있습니다.
이 과정은 응답의 일관성을 유지하는 데 도움이 됩니다. 또한 지원팀이 특정 조치가 왜 선택되었는지 기록으로 남길 수 있게 해줍니다.
컴플라이언스 및 의사결정 지원
컴플라이언스 시스템은 거래를 내부 정책과 대조해 확인할 수 있습니다. 또한 추가 승인이 필요한 사례를 표시할 수 있습니다.
지식 기반 시스템은 정책을 명시적인 규칙으로 표현할 수 있기 때문에 이러한 경우에 유용합니다. 정책이 변경되면 해당 규칙을 검토하여 업데이트할 수 있습니다.
교육 및 장비 진단
지능형 튜터링 시스템은 학생의 이전 답변을 활용해 학습 격차를 파악할 수 있습니다. 그런 다음 적절한 설명이나 연습 문제를 선택할 수 있습니다.
장비 진단 시스템은 센서 측정값과 유지보수 규칙을 결합할 수 있습니다. 특정 조건이 충족되면 점검을 권장하거나 수리 요청을 생성할 수 있습니다.
장점과 한계는 무엇인가요?
장점
지식 기반 에이전트는 다음과 같은 실용적인 장점을 제공합니다:
설명 가능성: 시스템은 결론을 그것을 도출한 사실 및 규칙과 연결할 수 있습니다.
일관성: 동일한 규칙을 유사한 사례에 동일한 방식으로 적용할 수 있습니다.
도메인 전문성: 팀은 특정 산업에 특화된 지식을 규칙으로 인코딩할 수 있습니다.
유지보수 용이성: 대부분의 경우 전체 모델을 재학습하지 않고도 규칙을 업데이트할 수 있습니다.
감사 가능성: 의사결정 기록을 통해 어떤 정보가 특정 조치에 영향을 미쳤는지 확인할 수 있습니다.
목표 지향적 추론: 에이전트는 관련 없는 응답을 생성하는 대신 정의된 목표를 향해 추론할 수 있습니다.
이러한 장점들로 인해 지식 기반 에이전트는 구조화된 워크플로에 적합합니다. 의사결정이 명시적인 규칙에 의존하는 경우 모델의 숨겨진 동작에 대한 의존도가 낮아집니다.
한계
지식 기반 에이전트가 정확성과 효율성을 유지하려면 지속적인 관리가 필요합니다. 지식 베이스를 구축하는 데는 시간과 도메인 전문성이 필요하며, 오래된 정보나 상충하는 규칙은 신뢰할 수 없는 결정으로 이어질 수 있습니다. 따라서 버전 관리, 정기적인 검토, 명확한 규칙 우선순위 설정이 반드시 필요합니다.
전통적인 규칙 기반 시스템은 모호하거나 잡음이 많거나 도메인 밖의 입력을 처리하는 데 어려움을 겪을 수도 있습니다. 지식 베이스가 커질수록 추론 비용이 증가할 수 있으므로, 성능을 유지하기 위해서는 신중한 인덱싱과 규칙 구성이 필요합니다.
간단한 지식 기반 에이전트를 만드는 방법
다음 예시는 IT 지원 시나리오를 사용합니다. 규칙 기반 프로토타입을 프로덕션 시스템으로 취급하지 않고 기본 구조를 보여줍니다.
1단계: 지식 베이스 정의
좁은 범위의 도메인에 대한 사실과 규칙으로 시작하세요:
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]작은 지식 베이스는 검토하기가 더 쉽습니다. 사실은 일관된 이름을 사용해야 추론 엔진이 이를 안정적으로 매칭할 수 있습니다.
2단계: 입력을 구조화된 사실로 변환
인식 계층은 사용자 입력을 사실로 변환합니다. 실제 시스템에서는 이 단계에 자연어 처리를 사용할 수 있습니다.
간단한 프로토타입은 미리 정의된 입력으로 시작할 수 있습니다:
percepts = {
"printer_has_power",
"printer_not_printing",
}이렇게 하면 예시가 언어 파싱보다는 추론에 집중할 수 있습니다.
3단계: 추론 규칙 적용
추론 엔진은 규칙에 필요한 모든 조건이 충족되는지 확인합니다:
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusions이 함수는 현재의 지각 정보로 뒷받침되는 결론만 반환합니다. 필요한 사실이 없을 때 결론을 임의로 만들어내지 않습니다.
4단계: 행동 선택
행동 계층은 결론을 응답으로 매핑합니다:
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."실제 운영 환경의 에이전트라면 외부 도구를 호출하기 전에 권한과 안전성 검사를 적용할 것입니다.
5단계: 결과 설명
유용한 에이전트는 왜 그 행동을 선택했는지 보여줘야 합니다:
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)시스템은 일치한 규칙을 기록할 수도 있습니다. 이렇게 하면 개발자나 지원 담당자가 확인할 수 있는 기본적인 추론 기록이 생성됩니다.
이 예시는 최소한의 지식 기반 에이전트를 보여줍니다. 실제 구현에서는 입력 검증, 규칙 우선순위, 지식 버전 관리, 오류 처리, 그리고 사람에게 에스컬레이션하는 절차가 추가로 필요할 것입니다.
지식을 완성된 결과물로 바꿔주는 Kimi Agent
전통적인 지식 기반 에이전트는 명시적인 사실과 규칙에 의존합니다. Kimi Agent는 지식 집약적 작업에 더 폭넓고 현대적인 방식으로 접근합니다. 원하는 결과물을 제시하면, 필요한 단계를 내장된 도구로 수행하기 전에 작업을 계획할 수 있습니다. 별도의 오케스트레이션 계층을 구축하지 않고도 주제를 조사하거나, 원본 자료를 처리하거나, 편집 가능한 결과물을 만드는 데 사용할 수 있습니다.
보유한 지식 자료를 작업에 반영하기
유용한 에이전트는 올바른 맥락에 접근할 수 있어야 합니다. Kimi에서는 파일당 최대 100MB, 최대 50개까지 파일을 업로드할 수 있습니다. PDF와 일반적인 오피스 문서를 지원합니다. 작업에 더 많은 맥락이 필요할 때는 이미지, TXT 파일, 또는 동영상도 추가할 수 있습니다.
이를 통해 기존 자료가 워크플로의 일부가 됩니다. 예를 들어 Kimi Agent에게 여러 보고서를 분석하고 중요한 발견을 도출한 뒤, 그 결과를 구조화된 문서로 만들어 달라고 요청할 수 있습니다. 파일은 작업에 특화된 지식을 제공하고, 프롬프트는 의도한 결과를 정의합니다.
연구 결과를 편집 가능한 결과물로 전환하기
Kimi Agent는 여러 제품 영역에서 작동할 수 있으므로, 결과물이 채팅 응답에서 끝나지 않습니다:
Kimi 심층 연구를 통해 출처가 포함된 연구 보고서를 작성하세요.
짧은 요청만으로 실제로 동작하는 여러 페이지로 구성된 웹사이트를 만들어보세요.
원본 자료로부터 편집 가능한 PPT 프레젠테이션을 생성하세요.
Kimi는 문서와 스프레드시트 작업도 처리할 수 있습니다. 이를 통해 정보 수집부터 실제로 사용 가능한 결과물까지, 하나의 작업 안에서 별도의 도구 간에 콘텐츠를 옮길 필요 없이 이어갈 수 있습니다.
Kimi Agent Swarm으로 큰 목표를 확장하기
일부 작업은 단일한 순차적 워크플로만으로는 처리하기 어려울 만큼 큽니다. Kimi Agent Swarm은 하나의 목표를 300개 이상의 하위 에이전트에 나눠 맡기고, 최대 4,500개의 병렬 도구 호출을 지원할 수 있습니다.
이 병렬 구조는 대규모 검색과 장문 작성을 위해 설계되었습니다. 하나씩 처리하면 훨씬 오래 걸릴 배치 작업도 지원할 수 있습니다. 하위 에이전트들은 목표의 각기 다른 부분을 맡아 처리하지만, 전체 워크플로는 요청한 결과와 일관되게 연결됩니다.
결론
AI의 지식 기반 에이전트는 구조화된 지식을 사용해 상황을 추론하고 행동을 선택합니다. 명시적인 규칙 덕분에 결정 과정을 설명하고 검토하기가 더 쉽습니다. 주된 어려움은 지식 유지 관리, 규칙 간 충돌, 그리고 불완전한 입력에서 비롯됩니다. 최신 시스템은 지식 기반 추론을 머신러닝, RAG, 생성형 AI와 결합할 수 있습니다. Kimi는 지식 집약적 워크플로를 위한 유용한 기준점을 제공하며, 전통적인 지식 기반 에이전트는 명확한 도메인 규칙을 따라야 하는 결정에서 여전히 가치가 있습니다.