AI 에이전트의 이해와 미들웨어 및 워크플로 기반 Agentic GraphRAG

Summary

Fast Campus 라이브 세미나에서 공원나연이 진행한 Agentic GraphRAG의 완전 해설. AI 에이전트의 기초 개념(목표지향성, 반응성, 자율성)부터 미들웨어 패턴, 워크플로우 구성, GraphRAG 통합까지 한 세션에 담은 실무 기반 강좌. 그래프 DB와 LLM의 시너지를 활용한 자율 추론 시스템 구축의 완전판.

Key Claims

Agentic AI는 미래의 기본 — 단순 챗봇을 넘어 자율 추론 능력 필수
Agentic Loop — Perception → Reasoning → Action → Learning의 순환 구조
미들웨어 패턴 — 에이전트의 각 단계에 사용자 정의 로직 삽입 가능
워크플로우 기반 — 상태 기반 멀티 에이전트 시스템으로 복잡한 작업 자동화
GraphRAG는 강력함 — 벡터 검색 + 관계 추론으로 정확도 극대화

4-Part Structure

Part 1: AI 에이전트 기초

Agentic의 4대 특성:

Goal-Oriented (목표지향) — 주어진 목표 달성을 위해 자율 행동
Reactive (반응성) — 환경 변화에 즉시 대응
State-Preserving (상태저장) — 과거 상호작용 기억
Autonomous (자율성) — 인간 개입 최소화

vs 기존 챗봇:

챗봇: 입력 → 응답 (일회성)
에이전트: 입력 → 계획 → 실행 → 관찰 → 판단 → 반복

Part 2: Agentic Loop (에이전트 루프)

PRAL 사이클 (Perception → Reasoning → Action → Learning):

1️⃣ Perception (인지)
   - 환경/입력 상태 파악
   - 필요 정보 수집

2️⃣ Reasoning (추론)
   - 현재 상태 분석
   - 다음 행동 결정
   - "어떤 도구를 사용할까?"

3️⃣ Action (행동)
   - 도구 실행
   - API 호출
   - 데이터 처리

4️⃣ Learning (학습)
   - 결과 분석
   - 다음 단계 반영
   - 메모리 업데이트
   (반복)

Part 3: 미들웨어 & 워크플로우

Middleware의 역할:

에이전트 실행 흐름:
  Action 이전 → [Pre-Middleware] → Action → [Post-Middleware] → 다음 단계

Pre-Middleware (실행 전):
  ✓ 입력 검증
  ✓ 권한 확인
  ✓ 캐시 조회
  ✓ 로깅

Post-Middleware (실행 후):
  ✓ 결과 후처리
  ✓ 알림 전송
  ✓ 메트릭 기록
  ✓ 캐시 저장

WorkFlow 구성:

# 상태 기반 워크플로우
states = {
    "input": Input State,
    "planning": Planning State,
    "execution": Execution State,
    "monitoring": Monitoring State,
    "output": Output State
}
 
transitions = {
    "input" → "planning",
    "planning" → "execution",
    "execution" → "monitoring",
    "monitoring" → ("execution" if error else "output")
}

Part 4: GraphRAG 통합

Graph + RAG의 시너지:

Vector RAG:
  쿼리 → 임베딩 → 유사도 검색 → Top-K 문서 → LLM 응답

GraphRAG:
  쿼리 → 그래프 노드 매핑
       → 다중 홉 탐색
       → 관계 추론
       → 컨텍스트 수집
       → LLM 응답

장점:

벡터 유사도만으로는 놓치는 관계 정보 포함
다중 홉으로 깊이 있는 추론 가능
더 정확하고 신뢰할 수 있는 답변

실전 아키텍처

┌─────────────────────────────────────┐
│      User Input / Query             │
└────────────┬────────────────────────┘
             │
             ▼
┌─────────────────────────────────────┐
│  Agentic Loop Manager               │
│  (Perception, Reasoning, Action)    │
└────────────┬────────────────────────┘
             │
      ┌──────┼──────┐
      │             │
      ▼             ▼
  ┌────────┐   ┌──────────┐
  │ Tools  │   │GraphRAG  │
  │ (도구) │   │(검색)    │
  └────┬───┘   └──────┬───┘
       │              │
       └──────┬───────┘
              │
              ▼
     ┌────────────────┐
     │  LLM Response  │
     │  Generation    │
     └────────┬───────┘
              │
              ▼
         ┌─────────┐
         │ Output  │
         └─────────┘

실무 적용 시나리오

Scenario 1: 고객 분석 에이전트

사용자: "2024년 VIP 고객 분석"
→ Perception: 고객 DB에서 VIP 필터링
→ Reasoning: 그래프에서 구매 패턴 분석
→ Action: 통계 도구로 리포트 생성
→ Learning: 메모리에 분석 결과 저장
→ Output: 종합 분석 보고서

Scenario 2: 추천 시스템 에이전트

사용자: "내 취향에 맞는 상품 추천"
→ Perception: 사용자 구매/조회 이력 수집
→ Reasoning: 그래프에서 유사 사용자/상품 찾기
→ Action: 추천 알고리즘 실행
→ Learning: 사용자 반응 기반 모델 개선
→ Output: 상위 10개 추천 상품

한계 & 개선 방향

현재 한계:

매우 복잡한 로직은 LLM도 어려움
도메인 특화 지식 필요
계산 비용 증가 (API 호출 ↑)

개선 방향:

Fine-tuning으로 도메인 특화
캐싱으로 반복 계산 제거
멀티 모달 데이터 지원

JYP Garden

탐색기