AI Agentic Workflow Explained: A Quick Tour of Harness, Tools, Skills, MCP, and Memory

개요

AI Agentic Workflow는 단순한 챗봇 경험을 넘어, 목표를 이해하고, 문제를 해결하며, 외부 도구를 사용하고, 기업 데이터에 접근하여 다단계 워크플로우를 완료할 수 있는 차세대 AI 시스템을 설명합니다. 이는 LLM과 프롬프트의 결합을 넘어, 모델, Harness, Tools, MCP Integrations, AGENTS.md, Skills, Memory 등 여러 구성 요소의 협력을 통해 구현됩니다.

주요 내용

* AI Agent Workflow: 사용자의 요청에서 시작하여 Agent Harness를 통해 컨텍스트를 이해하고, 관련 스킬을 선택하며, 메모리를 검색하고, MCP를 통해 도구를 탐색한 후, 에이전트의 추론을 통해 행동을 실행하고, 도구 결과를 관찰하며, 컨텍스트/메모리를 업데이트하는 지속적인 'Reason → Act → Observe → Repeat' 루프를 따릅니다.
* Agent Harness: 모델을 둘러싸는 실행 계층으로, 작업 실행, 컨텍스트 조립, 도구 접근, 스킬 로딩, 메모리 검색, 보안 정책, 관찰 가능성 등을 관리하며, 모델의 추론을 실행 가능한 행동으로 연결하는 역할을 합니다.
* Tools: API, 데이터베이스, 검색 엔진, 코드 실행 환경 등 외부 시스템과 상호작용할 수 있는 기능을 제공하여 에이전트가 단순한 추천을 넘어 실제 행동을 수행하도록 합니다.
* Model Context Protocol (MCP): AI 애플리케이션이 다양한 외부 도구 및 데이터 소스와 연결되는 표준 방식을 제공하여, 개별 애플리케이션별 맞춤형 통합 관리에 대한 확장성 문제를 해결합니다. MCP 서버는 search_customers(), get_customer_orders() 와 같은 기능을 노출할 수 있습니다.
* AGENTS.md: 에이전트의 항상 로드되는 운영 지침으로, 프로젝트 컨벤션, 코딩 표준, 보안 규칙, 환경 지침 등 기본 규칙을 정의합니다. 모든 작업에 로드되므로 필수적인 지침만 포함해야 합니다.
* Skills: 데이터베이스 마이그레이션, 보안 검토, 프론트엔드 개발 등 특정 작업에 필요할 때 동적으로 로드되는 전문 지식 및 워크플로우를 제공합니다. AGENTS.md와 달리 항상 포함되지 않고 작업별로 선택됩니다.
* Memory: LLM의 상태 비저장 특성을 보완하여 대화 컨텍스트, 작업 실행 중 임시 정보, 세션 간 지속되는 정보 등을 저장함으로써 에이전트가 개인화되고 효과적으로 작동하도록 합니다.
* AI Agentic Workflow의 구성 요소: Harness (실행 및 조정), Tools (외부 행동), MCP (통합 표준화), AGENTS.md (상시 지침), Skills (작업별 전문성), Memory (컨텍스트 유지) 등의 구성 요소가 협력하여 모델의 추론 능력에 기능을 부여합니다.

시사점

AI Agentic Workflow는 AI 애플리케이션 개발이 단순히 모델 자체에 집중하는 것을 넘어, 모델을 중심으로 한 완전한 시스템 설계로 이동하고 있음을 시사하며, 이는 성공적인 AI 에이전트 구축을 위한 핵심 요소입니다.