또 다른 새로운 용어의 파도는 AI 커뮤니티에서 흔들리고 있습니다.이 모든 경향을 모니터링하는 것은 어려울 수 있습니다 (특히 그들 중 많은 경우, 솔직히 말하자면, 단지 buzzwords입니다! ) 특히 가장 최근의 경향은 주변을 둘러보세요, 그리고 당신은 모두가 이야기하는 것을 볼 것입니다. 점점 더 많은 회사들이 그들을 구축하고, 계획하고, 또는 적어도 그것을 원합니다. agentic approach to AI 에이전트는 그러나 그들은 진정한 미래?또는 더 많은 히프를 통해 웨이드? 🤔 글을 읽으면서 알아보세요! 에이전트 AI 및 에이전트 RAG ‘전통적인’ AI에서 새로운 에이전트 접근 방식으로 AI는 급속한 속도로 진화하고 있으며, 그것을 말하는 것이 이상한 것처럼 보이지만, 우리는 이제 일부 접근법을 "전통적인 AI"라고 할 수 있습니다! 우리는 지난 몇 달 동안 보았던 모든 LLM 통합에 대해 이야기하고 있습니다 (마치 Paint조차도 AI 기능을 가지고 있습니다!). 이제 새로운 기술이나 멋진 기능 / 연습이 나올 때 보통 발생하는 것처럼, 모두가 보드에 뛰고 싶어합니다. 응용 프로그램은 갑자기 "Reels"또는 일부 스핀 오프가 있습니까? 모든 시간이 지남에 따라 기술 자체는 진화하며 사용자와 시장은 어떤 응용 프로그램이 진정으로 탐구하고 의미가 있는지 결정합니다. 그래서, 지난 몇 주 동안, 우리는 훨씬 더 역동적 인 무언가에 이전 AI 접근 방식을 넘어 갔다는 것은 놀라운 일이 아닙니다. Agentic AI and Agentic RAG "전통적인 AI"와 이전 LLM 통합을 훌륭하지만 약간 수동적 인 조수처럼 생각하십시오. 당신은 그것에 질문을 할 것이고, 그것은 당신에게 대답을 줄 것입니다. 예를 들어, 당신은 채팅 봇에게 "어떤 날씨가 있습니까?"라고 묻습니다. 그럼, 왜 변화를 원했습니까?우리는 AI가 할 수 있기를 원했습니다. 더, 뿐만 아니라 더 보기! 도 말하기 우리는 계획하고, 다중 단계 작업을 수행하고, 응용 프로그램과 상호 작용하고, 스스로 수정하고, 도구에 연결할 수있는 시스템이 필요합니다 ( ), 그리고 훨씬 더. 새로운 프로토콜을 통해! This is where agentic AI and agentic RAG workflows step in! 단순히 대답하는 대신, 에이전트 AI 시스템은 적극적인 문제 해결 슈퍼 히어로처럼 행동합니다. 그러나 이것이 AI의 미래입니까, 아니면 단순히 히프입니까? 디코딩 에이전트 AI : Hype 란 무엇입니까? 에이전트 AI의 세계에 더 깊이 들어갈 시간 . 에이전트 AI 정의 그렇다면, 정확히 무엇이 에이전트 AI?당신의 현재 AI 보좌관을 상상해보십시오, 그러나 과부하 . 이 ability to think, plan, and act autonomously to achieve complex goals 더 이상 질문에 대답하는 것이 아니라 주어진 인스턴스를 기반으로 적극적으로 문제를 해결합니다!  + 그 핵심에서, 에이전트 AI는 LLM을 사용하여 " ️ ♂️ 에이전트는 이들 넓고 복잡한 작업을 작고 관리 가능한 단계로 나누어 각 단계마다 다양한 도구를 사용합니다 ( ) 마이크로 작업을 완료 – 그 모든 독립적으로! 에이전트는 종종 MCP 통합을 통해 모든 개별 단계가 완료되고 좋은 결과가 달성되면 에이전트는 최종 결과를 제공하기 위해 이러한 결과를 통합합니다.이것은 일반 LLM과 마찬가지로 콘텐츠를 생성 할 수 있습니다 (그러나 다단계 프로세스 때문에 훨씬 더 정확한 결과가 있음) - 심지어 쇼핑 리스트를 제공하여 온라인으로 식료품을 구입하는 것과 같은 실제 작업을 수행 할 수도 있습니다. 그것을 달성하는 방법 그것은 넓은 용어이며, 좋은 이유로 그것을 삶에 가져올 수있는 수많은 방법이 있습니다! 에이전트 AI 대부분의 시나리오에서, AI 에이전트는 고립적으로 작동하지 않습니다.그 대신, 그것은 다수의 오케스트라를 구성합니다. (조차도 원격으로, 같은 프로토콜 덕분에 각 하위 에이전트는 일반적으로 하나 이상의 LLM을 지원하고 특정 목표를 달성하기 위해 전문 도구를 갖추고 있습니다. sub-agents 구글 A2A 그래서 본질적으로, Agentic AI means orchestrating LLMs and the tools they can connect to into a goal-driven workflow 이 흥미 진진한 새로운 국경에서 몇 가지 가능한 아키텍처가 등장합니다 : 
 
 
 
 
 일련의 에이전트: 한 에이전트가 작업을 완료한 다음, 그 출력을 체인에 있는 다음 에이전트에게 순조롭게 전달한다. 루프 에이전트: 특정 조건이 충족될 때까지, 또는 지정된 수의 반복을 위해, 하위 에이전트를 반복적으로 실행하는 에이전트를 상상해보십시오. 동시 에이전트: 독립적으로 수행할 수 있는 작업의 경우, 서브 에이전트는 프로세스를 가속화하기 위해 동시에 실행됩니다! 그리고 더... 핵심 아이디어는 고도로 전문화 된 에이전트 (특정 작업을 해결하는 데 뛰어난)가 함께 작업하는 다단계 작업 흐름을 구축하는 것입니다.This combination leads to highly sophisticated, autonomous AI systems capable of tackling incredibly diverse challenges. 현실 세계의 예를 들어 이해하기가 훨씬 쉬워집니다: See ️ 어떻게 3 개의 하위 에이전트를 사용하여 기자 AI 에이전트를 만들 수 있습니까? 전통 AI vs 에이전트 AI 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Feature 
 Traditional AI 
 Agentic AI 
 
 
 
 
 Implementations 
 Usually, integration with a single LLM 
 A set of AI-orchestrated agents, each integrated with its own LLMs and specialized tools 
 
 
 
 
 Core function 
 Generating content by answering queries 
 Proactive problem-solving focused on achieving complex goals 
 
 
 
 
 Autonomy 
 Reactive; waits for explicit instruction 
 Autonomous; plans, executes, and self-corrects 
 
 
 
 
 Task handling 
 Single-step tasks or simple sequences 
 Complex, multi-step workflows where problems are broken down. 
 
 
 
 
 Tool usage 
 Possible plugin integration 
 Extensive integration with external tools, APIs, and more via AI protocols like MCP 
 
 
 
 
 Interaction 
 Primarily text-in, text-out 
 Interacts with applications, real-world systems, and other agents 
 
 
 
 
 Example 
 "Give me the best places I should see in my 3-day trip to Miami" 
 An AI vacation planner looking for fresh and new places to visit on your trip, while simultaneously booking flights, hotels, and buying tickets for the selected experiences for you 
 
 
 
 
 Best analogy 
 A knowledgeable assistant 
 A highly skilled project manager or a team of specialized experts 
 
 
 
 
 In emojis 
 🧠 
 🧠 + 🦾 Implementations 일반적으로, 단일 LLM 통합 각각 자신의 LLM 및 전문 도구와 통합 된 AI 오케스트레이트 에이전트 세트 Core function 질문에 응답함으로써 콘텐츠 생성 복잡한 목표를 달성하는 데 초점을 맞춘 적극적인 문제 해결 Autonomy 반응성; 명시적인 지시를 기다립니다. Autonomous; Plans, Executes, and Self-Correct : 자율적; 계획, 실행 및 자율적 Task handling 단일 단계 작업 또는 간단한 시퀀스 문제를 분해하는 복잡하고 여러 단계의 작업 흐름. Tool usage 가능한 플러그인 통합 MCP와 같은 AI 프로토콜을 통해 외부 도구, API 및 기타 통합 Interaction 기본적으로 text-in, text-out 응용 프로그램, 실제 시스템 및 기타 에이전트와의 상호 작용 Example "마이애미에 3 일간의 여행에서 볼 수있는 최고의 장소를 나에게 주십시오." 여행 중에 방문할 수있는 신선하고 새로운 장소를 찾고있는 AI 휴가 계획기, 동시에 항공편, 호텔을 예약하고 선택한 경험을위한 티켓을 구입합니다. Best analogy 지식 있는 조수 고도로 숙련 된 프로젝트 매니저 또는 전문가 팀 In emojis + Unpacking Agentic RAG : 당신이 알아야 할 것들 에이전트 RAG, 탐색 증폭 세대의 새로운 경계를 탐구하는 시간입니다. 그것은 무엇인가 그래서, 당신은 들은 그것은 LLM이 응답을 생성하기 전에 정확하고 신선하고 매우 관련된 정보를 찾을 수있는 슈퍼 파워 도서관 카드를 제공하는 것과 같습니다. RAG(Retrieval-Augmented Generation) 라인업 그것은 LLM의 토양을위한 훌륭한,하지만 잡기가있다 : you had to find and pass that content to the AI yourself 글쎄, 에이전트 RAG는 그 개념을 채택하고 심각한 자율성을 주입합니다! 여기서 핵심 아이디어는 즉, 컨텍스트 데이터 복구를 전략적으로 계획할 수 있는 에이전트 기반 시스템을 갖게 됩니다. apply agentic AI principles directly to the RAG workflow 이 에이전트는 단순히 수동적으로 검색하는 것이 아닙니다.그 대신, 그것은 여러 개의 타겟팅 검색을 수행 , 똑똑하게 찾는 정보의 품질을 평가하고, 심지어 발견한 것에 따라 흐름에 대한 쿼리를 정교하게합니다. 이 선동적 인 프로세스는 에이전트 RAG 시스템이 자체적으로 고품질의 콘텐츠를 찾고 이해하고 선택할 수 있음을 의미합니다.The meticulously curated information is then fed downstream to other agents in the workflow, enabling them to produce far more accurate and nuanced results. 그것을 어떻게 구현하는가 에이전트 RAG를 구현하는 것은 LLM과 올바른 도구가 장착 된 전문 "복구 에이전트"를 설계하고 데이터베이스, 웹 API 및 회사의 지식 기반과 같은 다양한 소스에서 데이터를 상호 작용하고 추출하는 것입니다. 이 똑똑한 에이전트는 무거운 리프팅을 처리 할 것입니다 : 
 
 
 
 
 검색 쿼리를 최적화된 검색 쿼리로 변환합니다. 그것이 액세스 할 수있는 모든 소스에서 그 검색을 적용하십시오 (잠재적으로 심지어 병렬로! ). 복구 된 콘텐츠의 관련성을 평가합니다.Evaluate the relevance of the retrieved content. 복구된, 높은 품질의 정보를 요약하십시오. 마지막으로, (또는 다른 전문적인 에이전트) 그 데이터를 사용하여 최종 출력을 제조합니다. the meticulously curated information is then passed to a "generation agent" ️ : 단계 1-3는 추출된 콘텐츠가 정확하거나 충분하지 않다고 간주되는 경우 AI 조정자가 여러 번 반복할 수 있습니다. Note 전통적인 RAG vs Agentic RAG 
 
 
 
 
 
 
 
 
 
 
 
 Feature 
 Traditional RAG 
 Agentic RAG 
 
 
 
 
 How context retrieval works 
 The LLM's answers are grounded in a pre-defined knowledge base that it can access 
 A dedicated retrieval agent strategically plans, executes, and refines multi-step searches across diverse sources 
 
 
 
 
 Autonomy 
 Reactive retrieval 
 Proactive and autonomous retrieval 
 
 
 
 
 Complexity 
 Simpler to set up for basic Q&A tasks. 
 More complex to design and implement due to the orchestration of multiple agents and specialized tools 
 
 
 
 
 Example 
 "What is the future of AI given the content in these research papers: <RESEARCH_PAPERS>?" 
 An agent workflow tasked with: "Summarize the latest trends in AI from recent academic papers." 
 
 
 
 
 In emojis 
 📚 ➡️ 💬 
 🧠 🗺️ 🔍 ➡️ 📝 ➡️ ✨ How context retrieval works LLM의 대답은 그것이 액세스 할 수있는 미리 정의 된 지식 기반에 기반합니다. 전용 탐색 에이전트는 다양한 소스를 통한 다단계 검색을 전략적으로 계획, 실행 및 정밀화합니다. Autonomy 재활용 retrieval Proactive 및 Autonomous Retrieval Complexity 기본적인 Q&A 작업을 쉽게 수행할 수 있습니다. 다중 에이전트와 전문 도구의 조정으로 인해 설계 및 구현하기가 더 복잡합니다. Example "이 연구 논문의 내용을 감안할 때 AI의 미래는 무엇입니까: <RESEARCH_PAPERS>?" 에이전트 워크플로우는 "최신 학술 논문에서 AI의 최신 동향을 요약하십시오." In emojis ️ ️️️️ Agentic AI 및 Agentic RAG 워크플로우를 구축하는 데 필요한 것 지금까지이 문서의 이야기는 에이전트 AI와 에이전트 RAG가 항상 "전통적인" AI와 RAG보다 우수하다고 생각하게 할 수 있습니다. AI와 RAG에 대한 이러한 "강력한"재해석은 확실히 더 나은 정확성과 더 복잡한 자동화를 제공 할 수 있지만, 여러 전문 에이전트가 서로 이야기하는 전체 AI 작업 흐름을 구축하는 것이 항상 가장 좋은 접근법은 아닙니다. 기억하십시오, AI는 단순화하고 자동화하기 위해 태어났습니다. Over-engineering it can definitely be counterproductive. 에이전트 AI와 에이전트 RAG가 진정으로 빛날 때 이러한 시나리오에서 전체 에이전트 기반 작업 흐름을 구축하는 데 투자 된 시간과 노력이 완벽하게 합리적입니다. need to repeat elaborate actions or demand highly accurate results multiple times 이제 에이전트 작업 흐름이 올바른 길이라고 결정하더라도, 그것을 구현하는 것은 완전히 다른 도전입니다.당신은 에이전트를 지원하는 도구와 솔루션의 전체 아키텍처가 필요합니다. 
 
 
 
 
 
 
 
 : Fresh, curated, AI-optimized datasets specifically designed for RAG workflows. 📦 Data packets 
 
  Servers packed with tools for data conversion, data retrieval, browser interaction, and much more. ⚙️ MCP servers: 
 
 : AI-integrable APIs that LLMs can use to retrieve fresh and accurate content from search engines—for RAG pipelines. 🔎 SERP APIs 
 
 : AI-ready browsers that agents can connect to for visiting and interacting with webpages while bypassing IP bans, CAPTCHAs, and other roadblocks. 🆓 Agent browsers 
 
  (yes, the ecosystem is constantly growing 📈 ). And many other tools! 즉, 에이전트 AI 및 RAG 워크플로스를 아무런 노력이 없이 실행하려면 액세스할 필요가 있습니다.In other words, to truly implement Agentic AI and RAG workflows with no effort, you would need access to Bright Data가 제공하는 것과 마찬가지로 AI 이니셔티브의 전체 수명주기를 지원합니다! 포괄적인 AI and BI infrastructure AI 및 BI 인프라 https://www.youtube.com/watch?v=BfBofOssDkM&embedable=true 최종 생각 이제 에이전트 AI와 에이전트 RAG가 무엇을 의미하는지, 어떻게 구현하는지, 그리고 그들이 "전통적인"동료들과 어떻게 싸우는지 이해하십시오. 우리가 언급했듯이, 이러한 강력한 에이전트 워크플로스를 실현하려면 시작부터 끝까지 AI 에이전트와 워크플로스를 지원할 수있는 AI 인프라가 필요합니다. Bright Data의 사명은 간단하다: 누구나, 어디서나 AI를 이용할 수 있도록 하기 위해 다음 번까지 - 호기심을 유지하고, 용기를 내고 AI의 미래를 계속 건설하십시오!

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

This writer has a vested interest be it monetary, business, or otherwise, with 1 or more of the products or companies mentioned within.

에이전트 AI와 에이전트 RAG : Hyped Buzzwords 또는 Game-Changer?

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps