AI Agent Coding 2025는 자율적으로 소프트웨어 코드를 작성, 테스트, 배포할 수 있는 인공지능 에이전트의 급속한 확장을 설명하며, 이는 그 해 소프트웨어 산업을 크게 재편한 발전이다. AI 에이전트는 에이전틱 AI라고도 불리며, 목표를 추구하고 소프트웨어나 기타 도구를 사용하며 어느 정도의 자율성으로 행동을 취할 수 있는 인공지능 프로그램이다. 이는 2023년에 흔했던 비에이전틱 챗봇이나 전통적인 머신러닝 알고리즘에서 볼 수 있는 질문에 답하는 것과 같은 좁고 특정한 작업을 위한 도구형 AI 사용과 대조된다. 보편적으로 합의된 정의는 없지만, AI 에이전트의 공통 속성에는 목표 지향적 행동, 외부 도구 사용, 외부 환경과 상호작용하고 수정하는 능력, 다단계 작업의 자율적 수행이 포함된다. 이들의 제어 흐름은 종종 대규모 언어 모델에 의해 구동되며, 에이전트 시스템에는 메모리 구성 요소, 계획 논리, 도구 인터페이스, 구성 요소 조정을 위한 오케스트레이션 소프트웨어가 포함될 수 있다.
2025년까지 Cursor와 같은 소프트웨어 개발자 또는 코딩 에이전트는 AI 에이전트의 주요 응용 사례가 되어 자동화된 코드 생성, 테스트, 배포를 가능하게 했다. 이러한 붐은 대규모 언어 모델의 발전, 함수 호출 API의 가용성, 그리고 에이전트가 맥락 인식을 얻고 외부 도구에 작용할 수 있게 한 Anthropic의 Model Context Protocol(MCP)과 같은 표준화된 프로토콜에 의해 촉진되었다. "에이전틱"이라는 용어는 2024년에 연구자 Andrew Ng에 의해 대중화되며 빈도가 증가했고, 2025년 중반까지 AI 에이전트는 업계 보고서에 따르면 비디오 게임 개발, 도박, 암호화폐 지갑, 소셜 미디어를 포함한 다양한 분야에 적용되고 있었다.
역사적 배경
인공 에이전트의 이론적 기반은 20세기 중반 사이버네틱스와 인공지능의 확립과 함께 등장했다. Oliver Selfridge의 1958년 논문 "Pandemonium: A Paradigm for Learning"은 에이전트 지향 아키텍처를 확립하는 데 중요한 초기 이론적 기여였다. 실제 응용을 위한 에이전트의 실용적 구현은 1990년대에 신념-욕구-의도 소프트웨어 모델(BDI)과 에이전트 지향 프로그래밍이 도입된 후 널리 보급되기 시작했다. 하버드 교수 Milind Tambe는 1990년대에는 AI 에이전트의 정의가 명확하지 않았다고 언급했다. 순수 디지털 에이전트는 모니터링과 같은 목적으로 컴퓨터 인프라에 배포되었고, 실제 세계의 센서와 액추에이터에 연결된 에이전트는 산업 제어 시스템에서 점점 더 많이 사용되었다.
초기 인공 에이전트는 단순한 if-then 논리를 갖는 경향이 있었으며, 이는 시간이 지나면서 대규모 의사 결정 트리 모델로 확장되었다. 2010년대 초반까지 Siri와 Alexa 같은 제품이 출시되어 때때로 AI 에이전트로 불렸지만, 이후 LLM으로 구동되는 에이전트의 일반 목적 추론 능력은 부족했다. 학계는 2018년부터 LLM 에이전트를 연구하기 시작했다. 이러한 에이전트의 배포는 OpenAI의 "함수 호출" API가 제공된 2023년 후반 이후, 특히 Anthropic이 2024년 후반에 LLM 에이전트가 맥락 인식을 얻고 다양한 외부 도구를 호출하여 세상에 작용할 수 있는 표준화된 방식인 Model Context Protocol(MCP)을 도입한 이후 가속화되기 시작했다.
훈련 및 테스트
연구자들은 AI 에이전트를 훈련하거나 평가하기 위해 세계 모델과 강화 학습 환경을 구축하려고 시도했다. 예를 들어 Minecraft와 No Man's Sky 같은 비디오 게임과 회사 웹사이트의 복제본이 이러한 에이전트 훈련에 사용되었다. 이러한 환경은 에이전트가 목표 지향적 행동을 배우고, 시뮬레이션된 환경과 상호작용하며, 다단계 작업 실행을 개선할 수 있게 한다. 코딩 맥락에서 에이전트는 종종 대규모 코드베이스에서 훈련되었으며, 지도 미세 조정과 인간 피드백 기반 강화 학습 같은 기법을 사용하여 코드 생성, 테스트, 디버깅 능력을 향상시켰다.
자율적 능력
Financial Times는 AI 에이전트의 자율성을 자율주행차의 SAE 분류에 비유하며, 대부분의 응용을 레벨 2 또는 레벨 3으로, 일부는 고도로 특수한 상황에서 레벨 4를 달성하고 레벨 5는 이론적인 것으로 보았다. 코딩에서 이는 많은 AI 에이전트가 인간의 감독 하에 특정 작업을 처리할 수 있는 반면, 소수는 자동 버그 수정이나 코드 리팩토링 같은 좁은 영역에서 독립적으로 작동할 수 있음을 의미했다. 자율성 수준은 다양했으며, 일부 에이전트는 각 행동에 대해 인간 승인을 요구했지만, 다른 에이전트는 코드 생성부터 배포까지 전체 워크플로우를 개입 없이 실행할 수 있었다.
인지 아키텍처
Ken Huang은 7개의 상호 연결된 계층으로 구성된 AI 에이전트 참조 아키텍처를 제안했으며, 각 계층은 아래 계층의 기능 위에 구축된다:
- 계층 1: 기반 모델 - 에이전트를 구동하는 데이터 세트를 제공한다.
- 계층 2: 데이터 운영 - 벡터 데이터베이스, 데이터 로더, RAG를 포함한 AI 에이전트 운영에 필요한 데이터 인프라를 관리한다.
- 계층 3: 에이전트 프레임워크 - AI 에이전트를 관리하는 소프트웨어.
- 계층 4: 배포 및 인프라 - AI 에이전트의 기술적 기반.
- 계층 5: 평가 및 관찰 가능성 - AI 에이전트의 안전성과 성능.
- 계층 6: 보안 및 규정 준수 - 안전한 운영과 규제 경계 준수를 위한 보호 프레임워크. 이 계층에서 AI 에이전트 스택의 모든 계층에 내장된 보안 및 규정 준수 기능이 통합된다.
- 계층 7: 에이전트 생태계 - 실제 응용 및 사용자와의 AI 에이전트 인터페이스를 나타낸다.
이 아키텍처는 특히 코딩 에이전트가 기존 소프트웨어 개발 파이프라인, 버전 관리 시스템, 배포 인프라와 통합되어야 하는 엔터프라이즈 환경에서 AI 에이전트를 개발하고 배포하기 위한 구조화된 접근 방식을 제공했다.
에이전트 하네스
에이전트 하네스는 대규모 언어 모델을 둘러싸는 소프트웨어 계층으로, 이를 AI 에이전트로 기능하게 한다. 이는 일반적으로 프롬프트, 맥락, 도구 사용, 메모리, 실행 상태, 운영 제약, 샌드박스, 권한, 결과 처리를 관리한다. 하네스는 모델을 내부 및 외부 컴퓨터 하드웨어, 소프트웨어, 데이터 파일, 데이터베이스, 웹 브라우저, 명령줄 인터페이스, 응용 프로그래밍 인터페이스에 연결하면서 에이전트가 다단계 작업을 완료하기 위해 이러한 리소스에 접근하고 사용하는 방식을 제어한다. 코딩 에이전트에서 하네스는 종종 코드 편집기, Git 같은 버전 관리 시스템, 클라우드 배포 플랫폼과의 통합을 포함하여 에이전트가 코드를 작성하고, 테스트를 실행하고, 응용 프로그램을 배포할 수 있게 했다.
오케스트레이션 패턴
자율 에이전트는 종종 복잡한 작업을 실행하기 위해 다른 에이전트나 특수 도구와 통합된다. 오케스트레이션 패턴 또는 워크플로우로 알려진 이러한 구성에는 다음이 포함된다:
- 프롬프트 체이닝: 한 단계의 출력이 다음 단계의 입력으로 사용되는 순서.
- 라우팅: 입력을 특수한 하위 작업 또는 도구로 지시.
- 병렬화: 여러 작업의 동시 실행.
- 순차 처리: 사전 정의된 파이프라인을 통한 고정된 선형 작업 진행.
- 플래너-비평가: 한 에이전트가 제안을 생성하고 다른 에이전트가 이를 평가하여 개선 피드백을 제공하는 반복 패턴.
코딩에서 오케스트레이션 패턴은 에이전트가 대규모 소프트웨어 프로젝트를 더 작은 작업으로 분해하고, 이를 특수 하위 에이전트에 할당하며, 일관된 코드베이스를 생성하기 위해 노력을 조정할 수 있게 했다. 예를 들어, 플래너 에이전트가 아키텍처를 설계하고, 코더 에이전트가 함수를 작성하며, 비평가 에이전트가 버그와 스타일 문제에 대해 코드를 검토할 수 있다.
멀티모달 AI 에이전트
대규모 언어 모델(LLM) 외에도 시각-언어 모델(VLM)과 멀티모달 기반 모델이 에이전트의 기반으로 사용될 수 있다. Allen Institute for AI는 2024년에 오픈소스 시각-언어 모델을 출시했다. Nvidia는 개발자가 VLM, LLM, 검색 증강 생성을 사용하여 이미지와 비디오를 분석하고 비디오 검색 및 비디오 요약을 포함한 AI 에이전트를 구축할 수 있는 프레임워크를 출시했다. Microsoft는 이미지, 비디오, 소프트웨어 사용자 인터페이스 상호작용, 로봇 데이터로 훈련된 멀티모달 에이전트 모델을 출시했으며, 이 회사는 소프트웨어와 로봇을 조작할 수 있다고 주장했다. 코딩에서 멀티모달 에이전트는 사용자 인터페이스의 스크린샷을 해석하고, 다이어그램을 읽고, 시각적 문서를 이해하여 그래픽 응용 프로그램과 설계 사양 작업 능력을 향상시킬 수 있었다.
응용 및 영향
2025년 4월 기준, Associated Press에 따르면 AI 에이전트의 실제 응용 사례는 거의 없었다. 그러나 2025년 중반까지 상황은 크게 바뀌었다. The Information은 AI 에이전트를 7가지 유형으로 나누었다: 엔터프라이즈 소프트웨어 내에서 작동하는 비즈니스 작업 에이전트, 고객 지원을 위한 챗봇 역할을 하는 대화 에이전트, 정보를 질의하고 분석하는 연구 에이전트(예: OpenAI Deep Research), 보고서 생성을 위해 데이터를 분석하는 분석 에이전트, 소프트웨어 개발자 또는 코딩 에이전트(예: Cursor), 특정 주제 지식을 포함하는 도메인 특정 에이전트, 웹 브라우저 에이전트(예: OpenAI Operator).
2025년 중반까지 AI 에이전트는 비디오 게임 개발, 도박(스포츠 베팅 포함), 암호화폐 지갑(암호화폐 거래 및 밈 코인 포함), 소셜 미디어에서 사용되고 있었다. 2025년 8월, New York Magazine은 이 현상을 설명하며 스타트업과 기술 회사에서 코딩 에이전트의 빠른 채택을 강조했다. 소프트웨어 산업에 대한 영향은 심오했다: 코딩 에이전트는 보일러플레이트 코드 작성, 구문 오류 수정, 단위 테스트 실행과 같은 일상적인 작업에 필요한 시간을 줄여 개발자가 더 높은 수준의 설계와 문제 해결에 집중할 수 있게 했다. 그러나 코드 품질, 보안 취약성, 일자리 대체에 대한 우려도 제기되어 이러한 에이전트의 적절한 자율성 수준에 대한 논쟁으로 이어졌다.
2025년 AI 에이전트 코딩의 붐은 인공지능과 머신러닝의 발전, 특히 트랜스포머와 신경망의 개발과 밀접하게 연결되었다. OpenAI, Anthropic, Google DeepMind 같은 회사는 기반 모델과 API를 만드는 데 중요한 역할을 했다. 생태계는 또한 에이전트 훈련과 배포를 위한 확장 가능한 컴퓨팅 리소스를 제공한 Amazon Web Services, Azure, Google Cloud의 클라우드 인프라의 혜택을 받았다. 2025년 현재 이 분야는 계속 진화하고 있으며, AI 에이전트가 점점 더 복잡한 코딩 작업에서 신뢰받을 수 있도록 더 강력한 평가 방법, 안전 프로토콜, 오케스트레이션 기법에 대한 지속적인 연구가 진행되고 있다.