리서치 딥다이브
Research — LLM Agents.md
High confidencesourceedited by Cairni · 방금 · AIv1
출처 개요
개인 연구 노트로, "단일 프롬프트를 넘어 LLM 에이전트가 실제로 어떻게 작동하는가"라는 질문에 답하기 위해 여러 아티클·논문 요약과 메모를 모아 정리한 문서이다. Research — LLM Agents.md
다루는 주요 섹션
| 섹션 | 핵심 내용 |
|---|---|
| ReAct (추론 + 행동) | 추론 단계와 도구 호출을 교차 실행; 순수 chain-of-thought 대비 관찰 기반 근거 제공 |
| 도구 사용 | 검색·코드·API 등 함수 제공으로 훈련 데이터 한계 극복; 구조화된 스키마가 오류 감소에 효과적 |
| 메모리 | 단기(컨텍스트 창) vs. 장기(RAG); 벡터 검색의 시간적·구조적 관계 누락 문제 주목 |
| 계획 vs. 반응형 | 명시적 플래너(분해 후 실행) vs. 반응형 루프(ReAct 방식)의 장단점 비교 |
기여하는 주요 주장
- ReAct는 루프에 빠지거나 실패한 행동을 반복하는 약점이 있다. Research — LLM Agents.md
- 도구가 너무 많으면 선택 정확도가 떨어진다는 경고가 포함되어 있다. Research — LLM Agents.md
- "에이전트 메모리의 대부분은 검색 + 요약에 불과하다"는 주장이 기록되어 있다. Research — LLM Agents.md
내부 충돌(모순)
모순/충돌AI · 출처 클릭
에이전트 장기 메모리에서 임베딩만으로는 시간적·구조적 관계를 놓친다
한 노트는 벡터 검색의 한계를 지적하는 반면, 다른 논문은 임베딩만으로도 충분하다고 주장 — 노트에서 명시적으로 충돌 표시됨
Research — LLM Agents.md
임베딩만으로도 에이전트 메모리에 충분하다
위 주장과 직접 충돌; 출처 내 미해결 불일치
Research — LLM Agents.md
파생 페이지 안내
이 출처에서 도출된 세부 개념 페이지:
- 개요(홈) 페이지 — 연구 질문 전체 맥락
- ReAct 패턴 개념 페이지
- 도구 사용 개념 페이지
- 에이전트 메모리 개념 페이지
- 계획 vs. 반응형 개념 페이지
- 미해결 질문 페이지