Deep Agent

Deep Agent는 FlowHunt의 가장 강력한 에이전트 유형으로, 단일 프롬프트-응답 사이클을 훨씬 뛰어넘는 작업을 위해 만들어졌습니다. 표준 AI 에이전트가 질문에 답하거나 개별 작업을 수행하는 반면, Deep Agent는 목표를 추구합니다 — 이를 분해하고, 단계를 실행하고, 결과를 평가하고, 목표가 완료될 때까지 접근 방식을 조정합니다.

Deep Agent가 일반 AI Agent와 다른 점

표준 AI 에이전트는 LLM으로 입력을 처리하고, 선택적으로 도구를 호출하고, 응답을 반환합니다. 단일 단계 또는 더 간단한 다단계 작업, 대화, 문서 요약 또는 작업 트리거에 탁월합니다.

Deep Agent는 능동적이고 반복적입니다. 높은 수준의 목표가 주어지면:

• 목표를 분해하여 조치를 취하기 전에 구체적인 하위 작업의 시퀀스로 변환합니다
• 접근 방식을 계획하여 어떤 도구를 사용할지, 어떤 순서로 사용할지 결정합니다
• 단계를 반복적으로 실행하여 도구를 호출하고, 결과를 처리하고, 발견한 내용을 기반으로 다음에 무엇을 할지 결정합니다
• 각 단계 후 자체 평가 — 결과가 부족하면 재시도, 정제 또는 전략 변경
• 모든 하위 작업이 완료된 후에만 최종 출력을 종합합니다

핵심 실질적 차이: 일반 에이전트는 최대 여러 단계를 취할 수 있지만, Deep Agent는 수십 개의 단계를 취할 수 있으며, 언제 멈춰야 할지 알고 있습니다.

Deep Agent를 사용하는 경우

Deep Agents는 다음과 같은 경우에 올바른 선택입니다:

• 작업이 여러 소스에서 정보를 수집하고 종합해야 하는 경우
• 워크플로우가 조건부 논리를 포함하거나, 다시 말해 다음 단계가 이전 단계의 결과에 따라 달라지는 경우
• 에이전트가 자신의 중간 결과를 확인하거나 교차 검증해야 하는 경우
• 목표가 너무 복잡하거나 개방적이어서 단일 프롬프트에서 완전히 지정할 수 없는 경우
• 에이전트가 더 긴 시간 동안 자율적으로 작동하기를 원하는 경우

기억하세요: 간단하고 잘 정의된 작업의 경우, 표준 AI Agent가 더 빠르고 비용 효율적입니다. 복잡성이 추가 추론 깊이를 정당화할 때만 Deep Agent를 사용하세요.

Deep Agent 설정

LLM

에이전트가 사용할 대형 언어 모델을 선택합니다. 6개의 주요 제공자 전반에 걸쳐 모델을 선택할 수 있습니다. 기본 모델은 항상 OpenAI의 최신 중급 모델이며, 대부분의 작업에 충분해야 합니다.

Deep Agents는 강력한 추론 능력을 갖춘 더 고급 모델에서 가장 많은 이점을 얻습니다 (예: 최신 GPT, 최신 Claude Sonnet 또는 Opus 모델, Gemini Pro 모델). 왜냐하면 이들은 많은 단계에 걸쳐 계획할 수 있고, 모호성을 처리할 수 있으며, 인간의 지도 없이 각 단계에서 건전한 결정을 내릴 수 있기 때문입니다.

도구

도구는 Deep Agent에 세상에서 행동할 수 있는 능력을 부여합니다. 900개 이상의 사용 가능한 도구 (API, 데이터베이스, 통신 플랫폼, 검색 엔진, 코드 실행 환경을 포함)와 MCP 서버를 사용하여 에이전트에 작업에 필요한 정확한 기능을 장착할 수 있습니다.

도구 연결 방법

+ 도구 추가를 클릭합니다. 사용 가능한 도구의 전체 목록이 나타납니다. 카테고리별로 필터링하거나 이름으로 검색할 수 있습니다:

각 도구에는 자체 설정이 있습니다. 각각에 대해 AI가 컨텍스트를 기반으로 사용 방법을 결정하도록 하거나 (Deep Agents의 경우 권장, 에이전트가 많은 단계에 걸쳐 조정할 수 있는 유연성이 필요하기 때문에) 특정 값을 잠그기 위해 매개변수를 수동으로 구성할 수 있습니다.

수동 입력으로 전환하려면 “AI Decides” 버튼을 클릭합니다. 매개변수가 수동으로 정의되면, 그것은 고정되고 AI는 이를 재정의할 수 없습니다.

도구가 구성되면 *“Add with Config”*를 클릭하거나, “Skip & Add"를 클릭하여 구성을 완전히 건너뜁니다. 그런 다음 다른 도구를 계속 추가할 수 있습니다.

Deep Agents의 경우, 초점을 맞춘 관련 도구 세트가 지나치게 광범위한 도구 세트보다 더 나은 결정과 더 빠른 실행으로 이어집니다 — 에이전트는 모든 단계에서 사용 가능한 모든 도구를 고려하므로 불필요한 도구는 잡음을 추가합니다.

시스템 메시지

시스템 메시지는 Deep Agent의 가장 중요한 구성입니다. 에이전트의 역할, 목표, 추론 접근 방식, 준수해야 할 제약을 정의합니다. 자율 에이전트를 추적에 유지하기 위한 주요 메커니즘입니다.

Deep Agents의 경우, 시스템 메시지는 다음을 포함해야 합니다:

• 목표 — 에이전트가 궁극적으로 달성하려는 것
• 예상 출력 — 형식, 길이, 구조
• 의사 결정 규칙 — 누락된 데이터, 상충하는 소스 또는 도구 오류를 만날 때 무엇을 할지
• 범위 제약 — 에이전트가 해야 할 일과 하지 말아야 할 일

예시 시스템 메시지:

당신은 깊이 있는 연구 에이전트입니다. 당신의 목표는 주어진 주제에 대한 포괄적이고, 정확하고, 잘 구조화된 보고서를 작성하는 것입니다.

프로세스:
1. 주제를 4-6개의 핵심 연구 질문으로 분해합니다.
2. 각 질문에 대해 사용 가능한 도구를 사용하여 관련 정보를 검색합니다.
3. 사용하기 전에 각 소스의 품질과 관련성을 평가합니다.
4. 모든 질문의 발견을 일관된 보고서로 종합합니다.
5. 끝에 요약, 주요 발견 및 소스 목록을 포함합니다.

규칙:
- 정보를 꾸며내지 마세요. 신뢰할 수 있는 소스를 찾을 수 없으면 그렇게 말하세요.
- 도구 호출이 실패하면 수정된 쿼리로 한 번 재시도한 후 계속 진행합니다.
- 모든 연구 질문이 해결되거나 사용 가능한 소스를 모두 소진할 때까지 멈추지 마세요.
- 최종 보고서를 사실적이고, 중립적인 톤이며, 추측이 없도록 유지합니다.

출력 형식: 각 섹션에 대한 명확한 제목이 있는 Markdown입니다.

최대 재귀 깊이

에이전트가 하위 작업을 분해하고 실행할 때 얼마나 깊은 수준까지 재귀할 수 있는지 제어합니다. 더 높은 값은 에이전트가 더 복잡한 중첩 문제를 처리할 수 있게 하지만, 실행 시간과 리소스 사용이 증가합니다. 대부분의 작업의 경우 기본값으로 충분합니다. 에이전트가 진정한 다중 수준 하위 목표를 추구해야 할 때만 증가시킵니다.

Agent Chat History

현재 실행을 위한 컨텍스트로 과거 채팅 메시지를 제공합니다. 기록이 활성화되면, Deep Agent는 이전 교환을 참조할 수 있으며, 이는 에이전트가 진행 중인 대화 또는 반복적 워크플로우의 일부이고 이전 컨텍스트가 다음 단계를 형성할 때 유용합니다. 기록이 없으면 에이전트는 각 실행을 완전히 독립적으로 취급합니다.

Agent Memory

에이전트가 Workspace 메모리에서 읽고 쓸 수 있는지 여부를 제어합니다. 활성화되면, Deep Agent는 발견, 결정 및 누적된 지식을 별도의 실행에 걸쳐 유지할 수 있습니다 — 점진적으로 지식 기반을 구축하거나 처음부터 시작하는 것이 낭비가 될 장기 프로젝트를 재개할 수 있게 합니다. 활성화되면 메모리 모드와 저장되는 내용과 검색되는 방식을 관리하는 동작 프롬프트를 정의하도록 요청받습니다.

참고: 도구 입력만 엄격히 필요합니다. 다른 모든 설정은 선택 사항이지만 Deep Agent의 출력 품질과 신뢰성에 상당한 영향을 미칩니다.

Deep Agent가 작업을 해결하는 방법

Deep Agents는 구조화된 실행 루프를 따릅니다. 이 루프가 정확히 Deep Agents가 표준 에이전트를 압도할 작업을 처리할 수 있게 하는 것입니다:

• 목표 분해: 에이전트는 목표를 분석하고 이를 하위 작업의 시퀀스로 분해합니다.
• 반복적 실행: 에이전트는 하위 작업을 하나씩 처리하며, 도구를 호출하고, 결과를 처리하고, 완료된 단계를 기반으로 다음에 무엇을 할지 결정합니다.
• 자체 평가: 각 단계 후, 에이전트는 결과가 진행하기에 충분한지 평가하거나 쿼리를 재시도, 정제 또는 완전히 다른 접근 방식을 취해야 하는지 평가합니다.
• 종합: 모든 하위 작업이 완료되면, 에이전트는 중간 결과를 최종 일관된 출력으로 결합합니다.
• 종료: 에이전트는 목표가 달성되었을 때, 구성된 제한에 도달했을 때, 또는 사용 가능한 도구와 정보로 작업을 완료할 수 없다고 결정했을 때 멈춥니다.

Deep Agent에 적합한 모델 선택

LLM은 Deep Agent가 내리는 모든 결정의 추론 엔진입니다. 깊고 다단계의 작업의 경우, 모델 품질이 성능에 과도한 영향을 미칩니다.

• 최첨단 모델 (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro): 복잡한 추론, 장기 계획, 에이전트가 모호성을 처리하거나 인간의 입력 없이 판단 호출을 내려야 하는 작업에 최적입니다. 더 높은 비용은 일반적으로 Deep Agent 워크로드에 정당합니다.
• 중급 모델: 중간 정도로 복잡하지만 잘 정의된 작업을 위한 기능과 비용의 탄탄한 균형입니다.
• 소형 언어 모델: Deep Agents의 주요 모델로는 권장되지 않습니다. 신뢰할 수 있는 다단계 실행에 필요한 추론 깊이가 부족합니다. 즉, 추론 품질보다 속도와 비용이 더 중요한 더 큰 워크플로우 내의 간단한 하위 작업에는 여전히 적합합니다.

중급 모델로 시작하고 성능이 필요할 때만 업그레이드하세요. 올바른 선택은 작업 복잡성, 허용 가능한 대기 시간 및 예산에 따라 다릅니다.