- 에이전트 AI
에이전트 도구는 AI 에이전트가 API 호출, 데이터베이스 쿼리, 메시지 보내기, 워크플로 실행 등 전 세계에서 작업하는 데 도움이 되는 기능 및 서비스입니다. 텍스트 생성기의 언어 모델을 라이브 시스템과 상호 작용하는 에이전트로 전환합니다.
AI 에이전트를 유용하게 만드는 것은 작업을 완료하는 데 사용할 수 있는 도구입니다. 새로운 데이터를 반환하는 데이터베이스 쿼리입니다. 루프를 닫는 이메일이 전송됩니다. 아티팩트를 생성하는 파일 쓰기입니다. 도구가 없으면 에이전트는 손이 없어도 유창하게 글을 쓸 수 있습니다.
이 게시물에서는 에이전트 도구의 주요 유형, 에이전트 선택 및 사용 방법, MCP가 도구 통합을 표준화하는 방법 및 구현 방법을 다룹니다.
이 가이드의 추가 내용:
- 상담사 도구에는 어떤 유형이 있나요?
- 상담원 도구는 상담원 기술과 어떻게 다릅니까?
- 상담원은 도구를 어떻게 선택하고 사용합니까?
- MCP가 에이전트 도구 통합을 표준화하는 방법
- 에이전트 도구 구현 방법
- 검색 도구가 가장 중요한 이유
-
- 다음엔 어디로 갈까
-
- 상담원 도구 FAQ
상담사 도구에는 어떤 유형이 있나요?
자치령 대표다양한 종류의 작업에 다양한 도구를 사용합니다. 각 카테고리의 용도를 알면 해당 작업에 적합한 카테고리를 더 쉽게 선택할 수 있습니다.
대부분의 에이전트 도구는 6가지 범주로 분류됩니다.
| 다음에 가장 적합 | 예 | ||
| 웹 검색 | 최근 사실, 실시간 문서 | 검색 API 통합 | 낮음(읽기 전용) |
| 검색 | 도메인별 내부 지식 | 벡터 검색 또는 지식 그래프 쿼리 | 낮음 ~ 중간(읽기 전용 또는 쓰기 액세스) |
| 계산 | 결정론적 워크플로 및 계산 | 코드 해석기, 수학 라이브러리 | 중간(실행) |
| File | 파일 읽기 및 쓰기 | 파일 시스템 작업, 객체 스토리지 | 중간~높음(쓰기) |
| 컴퓨터 사용 | 브라우저 또는 데스크탑 UI 자동화 | 스크린 에이전트, 브라우저 드라이버 | 높음(광범위한 시스템 액세스) |
| 비즈니스 및 생산성 | 실제 워크플로 실행 | 이메일, 캘린더, CRM, 티켓팅 API | 높음(외부 효과) |
이 6가지 범주는 보편적인 분류법이 아니라 유용한 정신 모델입니다. 다양한 프레임워크는 공간을 다르게 개척합니다. OpenAI는 도구를 실행 위치(호스팅, 기능 및 MCP)별로 그룹화하고, Anthropic을 클라이언트 측과 서버 측으로, LangChain을 기능 도메인별로 그룹화합니다. 중요한 것은 각 도구가 무엇을 해야 하는지에 대한 정신적 지도를 가지고 있다는 것입니다.does, 귀하의 지도가 다른 사람의 지도와 일치하는 것은 아닙니다.
범주를 사용하여 작업에 필요한 것만 에이전트 범위를 지정합니다. 지원 분류 에이전트는 검색, CRM 업데이트 및 티켓 생성에 중점을 둡니다. 연구 에이전트는 웹 검색, 파일 액세스 및 코드 실행을 위해 접근합니다. 재무 부조종사 범위는 더 좁습니다. 구조화된 데이터베이스 액세스 및 정책 검색, 모든 쓰기를 제어하는 승인 워크플로를 포함합니다.
도구 세트가 정확할수록 에이전트의 신뢰성과 예측 가능성은 더욱 높아집니다.
상담원 도구는 상담원 기술과 어떻게 다릅니까?
사람들은 "도구"와 "기술"이라는 용어를 같은 의미로 사용하지만, 이 둘은 서로 다른 스택 수준에 있습니다.
도구는 웹 검색이나 데이터베이스 쿼리와 같이 별개의 호출 가능한 기능입니다. 상담원은 언제 전화할지 결정합니다. 도구는 한 가지 작업을 수행하고 결과를 반환하며 루프가 계속됩니다.
스킬은 에이전트가 문제 클래스를 통해 추론하는 방법을 형성하는 고차원 기능입니다. 인류학 출시에이전트 기술2025년에 개방형 표준으로; 이 형식은 지침, 스크립트 및 리소스를 관련될 때 Claude가 동적으로 로드하는 폴더에 묶습니다. Microsoft Semantic Kernel은 "기술"을 유사하게 사용합니다. 많은 LangChain 및 LlamaIndex 설정은 기술을 전혀 공식화하지 않으며 프롬프트와 도구만으로 동작을 구성합니다.
도구는 "상담원이 무엇을 할 수 있나요?"라고 대답합니다. Skills는 "에이전트가 이런 종류의 작업에 어떻게 접근하나요?"라고 대답합니다. 대부분의 프로덕션 에이전트에는 두 가지가 모두 필요합니다. 도구는 상담원에게 손을 줍니다. 기술(또는 프레임워크와 동등한 기능)은 이를 언제, 어떻게 사용해야 하는지 알려줍니다.
실제로 그 차이는 생각보다 더 명확합니다. 두 가지 도구가 있는 GraphRAG 에이전트를 고려해보세요(cypher-read and web-search) 및 요청 시 로드되는 기술 파일 폴더(암호 템플릿, 다중 홉 패턴, 인용 등)가 있습니다. 도구가 작업을 실행합니다. 기술은 기획자와 실행자가 도구를 선택하기 전에 질문에 대해 추론하는 방법을 결정합니다. 두 가지를 축소하면 도구 설명이 더 길어지거나 시스템 프롬프트가 길어집니다. 이들을 별도로 유지하면 도구 수를 낮게 유지하고 필요할 때만 추론 컨텍스트를 로드할 수 있습니다.
상담원은 도구를 어떻게 선택하고 사용합니까?
도구를 사용하는 에이전트는 루프를 따릅니다. 모델은 작업에 대해 추론하고, 도구를 선택하고, 실행하고, 결과를 읽고, 다음에 수행할 작업을 결정합니다. 루프는 작업이 완료되거나 중지 조건이 실행될 때까지 실행됩니다.
The 반응 패턴, Reasoning + Acting의 약어로 이 루프의 이름을 지정합니다. 에이전트 런타임에서 해당 루프는 다음과 같습니다. 모델은 구조화된 도구 호출(때때로 호출이라고도 함)을 내보냅니다.), 결과를 읽고 계속할지 여부를 결정합니다.
도구 선택은 모델에 제공하는 정의로 시작됩니다. 모호한 이름, 빈약한 설명, 중복되는 설명 및 느슨한 스키마는 모두 모델을 잘못된 호출로 몰아갑니다.
모델은 도구가 수행하는 작업, 도구 사용 시기, 전달할 입력 사항을 알아야 합니다. 도구 정의는 모델과 외부 시스템 간의 인터페이스입니다. 도구가 실행되면 해당 결과가 루프의 다음 단계로 다시 피드백됩니다.
상담원은 도구 호출을 연결하여 하나의 결과를 사용하여 다음 결과를 형성할 수도 있습니다. 이것이 상담원이 다단계 작업을 해결하는 방법입니다. 각 호출은 상담원이 조치를 취하거나 응답할 만큼 충분할 때까지 문제를 좁힙니다.
도구는 실제 작업을 실행할 수 있으므로 가드레일이 중요합니다. 에이전트가 메시지를 보내고, 데이터를 쓰고, 워크플로를 시작할 수 있으면 권한 범위를 지정하고, 입력의 유효성을 검사하고, 중지해야 하는 시기를 정의하세요. 기록 삭제, 외부 메시지 전송 등 되돌릴 수 없는 작업에 대해 사람의 승인을 추가하세요. 도구 출력도 신뢰할 수 없는 입력으로 처리합니다. 도구에서 반환된 악성 문서나 웹 페이지는 에이전트를 리디렉션하려는 프롬프트 삽입 시도를 수행할 수 있습니다.
MCP가 에이전트 도구 통합을 표준화하는 방법
이전모델 컨텍스트 프로토콜(MCP), 모든 도구 통합은 수작업으로 구축되었습니다. 모든 에이전트 스택에는 각 프레임워크 및 서비스에 대한 자체 글루 코드가 필요했습니다. 통합이 쉽게 중단되고 확장되지 않았습니다.
MCP는 클라이언트와 서버 간의 공유 프로토콜을 통해 이를 변경합니다. AI 애플리케이션을 외부 시스템에 연결하기 위한 오픈 소스 표준이므로 에이전트는 사용 가능한 도구를 검색하고, 입력 내용을 읽고, 하나의 인터페이스를 통해 서비스 전반에서 이를 호출할 수 있습니다.
직접적인 API 통합과 달리 MCP는 각 서비스에 대해 하드코딩된 지식이 필요하지 않습니다. 이 프로토콜은 언어 서버 프로토콜에서 영감을 받은 JSON-RPC 2.0이며 AI 애플리케이션이 MCP 서버에서 노출된 도구, 리소스 및 프롬프트를 검색하고 호출하는 방법을 표준화합니다. 서버는 로컬로 실행될 수 있습니다.stdio) 또는 원격으로(스트리밍 가능)HTTP), 따라서 동일한 서버 정의가 개발자 랩톱에서 프로덕션으로 배포됩니다. 기능 협상은 프로토콜 수준에서 발생하므로 에이전트는 런타임에 기능을 검색하고 호출할 수 있습니다.
MCP와 함수 호출은 경쟁 표준이 아닙니다. 함수 호출은 모델 측 기능입니다. LLM은 도구 정의 메시지가 표시될 때 구조화된 호출을 내보냅니다. MCP는 서버 측 프로토콜입니다. 이는 도구가 설명되고, 호스팅되고, 호출되는 방식을 표준화합니다. 에이전트 프레임워크는 MCP 서버에서 도구 정의를 읽고 이를 함수 호출 형식으로 모델에 전달한 다음 모델의 구조화된 호출을 다시 서버로 라우팅합니다. MCP는 전송 수단입니다. 함수 호출은 모델이 말하는 연결 형식입니다.
MCP 생태계는 빠르게 성장하고 있습니다. 데이터베이스, SaaS 플랫폼 및 개발 도구는 이제 MCP 서버를 게시하고 주요 에이전트 프레임워크(LangChain, LangGraph, LlamaIndex, Google의 에이전트 개발 키트)는 MCP를 지원하거나 지원을 연결하고 있습니다. ChatGPT, Claude 및 VS Code와 같은 클라이언트는 이미 즉시 MCP를 사용합니다. 통합을 한 번만 구축하면 모든 MCP 인식 에이전트가 이를 사용할 수 있습니다.
하지만 표준화가 거버넌스를 대체하지는 않습니다. 에이전트가 데이터를 작성하거나, 작업을 승인하거나, 민감한 시스템에 접근할 수 있는 경우에도 동일한 가드레일이 적용됩니다. 즉, 권한 범위를 지정하고, 입력을 검증하고, 영향력이 큰 작업을 사람을 통해 라우팅합니다.
에이전트 도구 구현 방법
가장 먼저 수행할 호출은 사용할 프레임워크입니다. LangChain, LangGraph 및 OpenAI Agents SDK는 모두 도구 등록, ReAct 루프 및 도구 결과를 모델의 컨텍스트에 다시 공급하는 작업을 처리합니다. 실행 루프를 직접 구축할 필요는 없습니다. 프레임워크를 선택하고, 해당 레이어를 실행하고, 도구 자체에 시간을 투자하세요.
도구는 모델에 세 가지가 연결된 기능입니다.
- 모델이 도구를 선택하는 데 사용하는 이름입니다.
- 모델을 호출할 시기를 알려주는 설명입니다.
- 전달할 인수를 정의하는 입력 스키마입니다.
세 가지 모두 정확해야 합니다. 아래 예에서는 LangChain과langchain-neo4j기존에 벡터 유사성 검색 도구를 노출하는 패키지Neo4j 벡터 인덱스. 먼저 종속성을 설치합니다.
| pip 설치 langchain-neo4j langchain-openai |
그런 다음 도구를 정의합니다.
from langchain.tools import tool
from langchain_neo4j import Neo4jVector
from langchain_openai import OpenAIEmbeddings
# Use the same embeddings model as your Neo4j vector index
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
# Connect to an existing Neo4j vector index
vector_store = Neo4jVector.from_existing_index(
embedding=embeddings,
url=NEO4J_URI,
username=NEO4J_USERNAME,
password=NEO4J_PASSWORD,
index_name="vector", # replace with your vector index name
)
@tool
def search_vector_index(query: str) -> str:
"""
Search a Neo4j vector index for passages relevant to the query.
Use this tool when the agent needs to retrieve embedded content stored in Neo4j.
Do not use it for graph writes.
"""
results = vector_store.similarity_search(query, k=5)
if not results:
return "No relevant passages found."
return "\n\n".join(doc.page_content for doc in results)이 설명은 모델이 올바른 도구를 선택하는지 여부를 결정하는 가장 큰 요소입니다. 모호하거나 누락된 설명은 잘못된 전화를 받는 가장 빠른 방법이므로 도구가 수행하는 작업, 반환되는 작업, 도구의 용도가 무엇인지 자세히 설명하세요.
입력 스키마의 경우 각 매개변수를 지정하고 필드를 필수 또는 선택 사항으로 표시하고 필요한 경우 제약 조건을 추가합니다. 느슨한 스키마는 환각 또는 잘못된 입력의 일반적인 원인입니다. 모델이 무엇이든 통과할 수 있다면 결국 그렇게 될 것입니다.
마지막으로 도구 세트를 작게 유지하십시오. 모든 도구 정의는 컨텍스트 창 토큰을 사용하며 모든 추가 도구는 모델에 대한 선택 모호성을 추가합니다. 관련 작업을 그룹화하고 에이전트가 작업에 필요한 작업만 노출합니다. 런타임 시 실행 전에 인수의 유효성을 검사하고, 기본적으로 읽기 전용 액세스로 설정되며, 파괴적인 작업에 대한 확인이 필요합니다. 모든 도구 호출과 그 결과를 기록하여 호출이 성공하거나 실패한 이유를 추적할 수 있습니다.
검색 도구가 가장 중요한 이유
위의 6개 범주 중 검색은 대부분의 에이전트가 시간을 보내는 부분이며 약한 출력이 가장 빠르게 합성되는 부분입니다. 씬 컨텍스트를 가져오면 모든 다운스트림 호출이 여기에서 실행됩니다.
구현 예의 벡터 검색 도구는 쿼리를 삽입하고 가장 가까운 청크를 반환하는 일반적인 경우를 다룹니다. 구조화되지 않은 텍스트 및 단일 홉 질문에 잘 작동합니다. 답이 기업들이 서로 어떻게 연관되어 있는지, 즉 고객 관계, 공급망 종속성, 규정 준수 정책에 따라 달라지면 문제가 발생합니다. 그 시점에서 유사성은 올바른 기본 요소가 아닙니다. 순회는.
이것이 그래프 검색이 탁월한 곳입니다.지식 그래프데이터를 연결된 노드 및 관계로 저장하여 엔터티가 무엇인지, 엔터티가 주변의 모든 것과 어떻게 연결되는지 모두 캡처합니다.그래프RAG해당 순회를 다음과 결합합니다.검색 증강 생성, 에이전트는 청크의 순위를 매기는 대신 경로를 따를 수 있습니다. 통과한 경로는 에이전트가 보여줄 수 있는 증거로도 사용됩니다.
이를 도구를 통해 노출시키는 것은 작은 변화입니다. 그만큼Neo4j MCP 서버 (docs)는 모든 MCP 인식 에이전트가 호출할 수 있는 네 가지 기본 요소를 제공합니다.get-schema그래프 모델을 읽으려면,cypher-read순회 및 벡터 유사성을 위해사이퍼®, cypher-write업데이트를 위해list-gds-procedures표면 그래프 알고리즘(PageRank, 커뮤니티 감지, 최단 경로)그래프 데이터 과학설치되어 있습니다. 위의 벡터 도구와 함께 이를 교환하거나 추가하면 에이전트가 스키마를 검사하고, 관계를 탐색하고, 알고리즘을 실행하고, 결과에 따라 조치를 취할 수 있습니다.
검색 도구는 에이전트가 다음 올바른 결정을 내리는 데 필요한 컨텍스트를 반환함으로써 그 자리를 차지합니다. 의미론적 유사성은 그것을 찾는 한 가지 방법입니다. 고객 지원, 금융 위험, 공급망, 사이버 보안, 규정 준수와 같은 연결된 도메인에서는 일반적으로 관계 순회가 더 좋습니다.
AI 에이전트에게 필요한 컨텍스트 레이어를 제공하세요.
비즈니스에 대해 정확하고 설명 가능한 답변을 제공해야 하는 에이전트를 구축하는 경우 검색을 나중에 고려할 수 없습니다. 작업을 해결하는 가장 작은 도구 세트로 시작하세요. 그런 다음 끌어올 가치가 있는 컨텍스트 레이어를 만듭니다. 대부분의 기업 사용 사례에서 이는 격리된 문서 및 포인트 조회에서 에이전트가 추론 단계 전반에 걸쳐 검사, 탐색 및 재사용할 수 있는 연결된 데이터로 이동하는 것을 의미합니다.
네오4j그래프 인텔리전스 플랫폼인 는 지식 그래프, 벡터 검색, 65개의 그래프 알고리즘을 에이전트 AI용으로 구축된 하나의 플랫폼으로 통합합니다. 기본 벡터 저장소, 검색기 및 도구 래퍼는 LangChain, LlamaIndex 및 LangGraph에 걸쳐 제공됩니다.
다음 에이전트가 관계 전반에 걸쳐 추론하고, 답변을 정당화하고, 연결된 엔터프라이즈 컨텍스트에 따라 조치를 취해야 하는 경우 에이전트 GraphRAG가 도구 세트의 일부가 되어야 합니다.
다음엔 어디로 갈까
현재 당신이 있는 곳에서 일치하는 항목을 선택하세요.
- 클라우드에서 무료 그래프 데이터베이스 인스턴스 만들기with Neo4j AuraDB 무료에이전트에게 구조화된 지식 그래프를 제공합니다.
- 구조화되지 않은 데이터에서 지식 그래프 구축사용하여LLM 지식 그래프 빌더.
- 그래프 및 벡터 검색을 도구로 노출다음을 통해 귀하의 대리인에게Neo4j MCP 서버.
- 나만의 GraphRAG MCP 도구를 구축하는 방법 알아보기무료 실습 과정:GraphAcademy: GraphRAG Python MCP 도구 구축.
상담원 도구 FAQ
에이전트 도구는 AI 에이전트가 외부 시스템과 상호 작용하고 웹 검색, 데이터베이스 쿼리, 이메일 보내기 또는 웹 페이지 탐색과 같은 텍스트 생성 이상의 작업을 실행할 수 있게 해주는 기능 및 서비스입니다.
모델은 런타임 시 각 도구의 이름과 설명을 읽고 어떤 도구가 작업에 적합한지 결정한 다음 인수가 포함된 구조화된 호출을 내보내고 결과를 수신하여 계속할지 또는 중지할지 결정합니다. 해당 주기는 작업이 완료되거나 중지 조건이 발생할 때까지 반복됩니다.
대부분의 에이전트 도구는 웹 검색, 검색, 계산, 파일 조작, 컴퓨터 사용(브라우저 및 데스크톱 상호 작용), 이메일, 달력, CRM 통합과 같은 비즈니스 및 생산성 도구 등 6가지 범주로 분류됩니다.
모델 컨텍스트 프로토콜은 에이전트가 서버가 제공하는 도구를 동적으로 검색하고, 입력 스키마를 읽고, 서비스나 프레임워크당 사용자 정의 통합 코드 없이 일관된 인터페이스를 통해 이를 호출할 수 있게 해주는 개방형 표준입니다.
도구는 에이전트가 한 가지 작업을 수행하기 위해 호출하는 별개의 호출 가능한 함수입니다. 스킬은 에이전트가 문제 클래스를 통해 추론하는 방법을 형성하는 고차원 기능(일반적으로 지침, 컨텍스트 및 하위 워크플로의 묶음)입니다. 대부분의 프로덕션 에이전트에는 두 가지가 모두 필요합니다.
올바른 가드레일을 사용하면 에이전트 도구를 안전하게 사용할 수 있습니다. 모범 사례는 범위가 지정된 권한, 엄격한 입력 유효성 검사, 되돌릴 수 없는 작업에 대한 사람의 승인, 도구 출력을 신뢰할 수 없는 입력으로 처리하여 프롬프트 주입 공격을 방어하는 것입니다.
상담원 성과는 정확하고 관련성이 높으며 연결된 상황에 따라 달라집니다. 작업을 해결하는 가장 작은 도구 세트로 시작한 다음 검색 계층을 강화하세요. 대부분의 기업 사용 사례에서 이는 격리된 문서 및 포인트 조회에서 에이전트가 추론 단계 전반에 걸쳐 검사, 탐색 및 재사용할 수 있는 연결된 지식으로 이동하는 것을 의미합니다.
에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.