[작성중]AI 기술의 발달 과정과 n8n

스터디에서 AI의 발전 방향에 대해 알아보자고 했지만

여기서 얻을 수 있는 게 뭘까.. 지금도 정리하면서 생각하고 있다.

그냥 이렇게 발전했구나가 아니라.. 아 이런점이 부족해서 이렇게 발전해 가고 있구나

그걸 보게 되면 ai가 대체 못하는 것도 보이지 않을까 그런 생각이 든 것 같다.

 

거기다 유나가 정리해준 발표 내용을 보면

1 AI 발전 배경

2 Transformer

3 LLM

4 Prompt Engineering

5 RAG

6 Function Calling

7 AI Agent

8 Workflow / Multi-Agent

9 MCP

 

이건 뭐 석기시대?에서 산업혁명을 거쳐 4차 혁명을 지나 지금까지 발전해 온 인류랑 거의 비슷해 보이는 착각까지 들게된다.

결국 들여다보면 이해와 조직화랄까.

 

 

다음은 관련 내용을 정리한 것들인데.. 그중 

기술 발달 과정을 rag가 먼저라 생각했지만 Gemini의 의견을 달라보인다.

 

결론부터 말하자면, RAG가 AI AGENT 보다 먼저 대중화된 기술은 맞다

하지만 이 둘은 '선후 관계'라기 보다 '능력의 확장'으로 보는 것이 정확하다.

 

발전 단계 요약

단계	주요 개념	핵심 특징
1단계 : LLM(Pre-trained)	단순 생성	학습된 데이터로만 답변(최신 정보 부족, 환각 현상)
2단계 : RAG(Retrieval)	검색 보완	외부 문서(DB)를 찾아보고 그 내용을 바탕으로 답변
3단계 : AI Agent	실행 및 자율성	스스로 계획을 세우고, 도구(Tool)를 사용해 업무를 완수

---

1. AI의 발전 배경

■ 한 줄 요약

: 규칙 기반(Rule-based)에서 통계적 머신러닝을 거쳐, 데이터 자체에서 특징을 찾아내 패턴을 학습는 딥러닝(Deep Learning)으로의 진화.

좀더 쉽게 말하자면, 사람이 직접 규칙을 코딩하던 시대에서, 데이터를 통해 컴퓨터가 스스로 패턴을 찾아내는 딥러닝 시대로 발전한 것.

 

■ 핵심배경

: 과거에는 아래의 파이썬 코드와 같이 인간이 일일이 규칙을 컴퓨터에 코딩(= 사람이 직접 로직 작성)해 주어야 했다.

if 귀가 뾰족하고
   수염이 있고
   눈이 크고
   털 패턴이 어쩌고:

 

이건 개발자가 생각한 바를 코드로 직접 작성한 것으로

AI 발전 배경에서 중요한 건

인간이 모든 규칙을 직접 정의 가능한 문제로 볼 수 있는데

 

문제 :

 

1. 경우의 수 폭발

2. 사람이 규칙 계속 추가해야 함

3. 예외 처리가 어려움

 

위와 같은 점의 문제로 인해 머신러닝이 등장하게 되었다.

 

■ 머신러닝

: 데이터를 넣고 패턴을 학습시킴.

 

예 :

스팸 메일 데이터 학습

고양이 사진 학습

 

하지만 특징(feature)를 여전히 사람이 직접 뽑아주어야 했다.

이에 등장한 것이 바로

 

■ 딥러닝

: 신경만 기반으로

 

특징

특징 추출도 AI가 직접 함

이미지 음성 성능 급상승

그리고 NLP 분야에서 혁명을 터뜨린 것이 다음의 Transformer이다.

 

 

 

즉 컴퓨터의 연산 능력(GPU)이 폭발적으로 성장하고, 인터넷의 발전으로 엄청난 양의 빅데이터가 쌓이면서 "데이터를 통째로 던져주면 컴퓨터가 스스로 패턴을 학습하는" 딥러닝의 시대가 열리면서 AI 기술이 급격하게 발전할 수 있는 배경이 되었다.

---

2. Transformer

■ 한 줄 요약 : 현재 모든 생성형 AI(LLM)의 뿌리가 되는 핵심 신경망 구조(Attention 기법의 도입).

 

■  왜 중요할까? :

: 2017년 구글이 발표한 "Attention Is All You Need" 논문에서 등장.

기존의 순차적 텍스트 처리 방식(RNN)과 달리, 문장 내의 모든 단어를 동시에 병렬로 처리한다.

 

■ 핵심 개념(Self-Attention)

: 문장 안에서 단어와 단어 사의의 관계(맥락)를스스로 파악한다.

예를 들어 "그는 배를 먹었다"와 "그는 배를 탔다"에서 '배'가 각각 과일과 과녁/배(ship)중 무엇인지 앞뒤 단어와의 거리에 상관없이 정확하게 연결해

낸다.

---

3. LLM(Large Language Model, 거대언어모델)

 

■ 한줄 요약 : 트랜스포머 구조를 기반으로, 수천억 개의 파라미터(매개변수)와 방대한 데이터를 학습시킨 엄청난 규모의 언어 모델.

 

■ 핵심 특징 : 모델의 크기가 일정 수준을 넘어서는 순간, 인간이 따로 가르치지 않은 추론, 번역, 코딩 등의 능력이 거짓말처럼 발현되는 창발적 능력 (Emergent Abilities)이 나타난다.(예 : GPT-4, Claude 3, Llama 3 등)

---

근데 왜 성공은 개발을 시작한 구글이 아닌 openAI가 한것 같지?

 

결론부터 말하자면, 구글이 만든 BERT(버트)는 '이해'에 올인했고, OpenAI가 만든 GPT는 '생성'에 올인했는데, 대중과 시정의 판도를 바꾼 것은 결국 생성이었기 때문

 

1. 개술적 방향성의 차이

: 요약 분류 vs 말하기

 

트랜스포머 구조가 처음 나왔을 때, 구글과 Open는 각자 다른 길을 선택했다.

- BERT(구글, En-coder 구조) : 문맥을 앞뒤로(양방향) 빈틈없이 '이해'하는 데 집중했다.

문장 중간에 구멍을 뚫어놓고(Masking) "여기에 들어갈 단어가 뭐게?"를 맞추는 방식으로 학습함.
- 결과 : 텍스트 분류, 감정 분석, 검색 엔진 정확도 향상에는 기가 막혔지만, 스스로 새로운 글을 창작하거나 대화를 이어가는 데는

구조적 한계가 있었음.

 

GPT 문장을 왼쪽에서 오른쪽으로 읽으며 '다음에 올 가장 확률이 높은 단어'를 예측(생성)하는 데 집중했다.

결과 : 인간이 말을 배우듯 끊임없이 다음 말을 이어 붙이는 구조라, 자연스러운 문장 작성이 가능

 

---

4. Prompt Engineering

: LLM이 최적의 답변을 출력할 수 있도록 질문(인풋)을 정교하게 설계하는 기술.

 

주요 기법 : 

 

■ Zero-shot : 예시 없이 바로 질문

■ Few-shot : 질문하기 전에 몇 개(2~3)개의 예시를 미리 보여주어 답변 퀄리티를 높이는 방법.

■ Chain-of-Thought() : "차근차근 생각해보자", "단계별로 생각해봐"와 같은 류의 문구를 넣어 모델이 중간 논리 과정을 거쳐 정답에 도달하도록 유도하는 방법(수학이나 복잡한 추론에는 필수이다, 추론 능력 향상).

■ Role Prompting : 너는 전문 의사야 이 증상을 분석해줘

■ Systm 

---

5. RAG(Retrieval-Augmented Generation)

■ 한 줄 요약

: 모델 외부의 데이터베이스에서 관련 정보를 '검색'해와서 최신 정보를 바탕으로 답변을 생성하는 기술.

즉 AI에게 '교과서(데이터)'를 쥐어준 단계로, "모르는 건 여기서 찾아보고 대답해"라고 시키는 것이다.

읽고 요약하는 능력에 집중한다.

 

■ 왜  쓸까?

: LLM은 학습된 시점 이후의 정보는 알지 못하고, 거짓말을 참말처럼 하는 환각 현상(Hallucination)이 있기 때문이다.

 

■ 원리

:     사용자가 질문하면

   → 기업 내부 문서나 실시간 웹 데이터를 뒤져서 관련 내용을 찾고(Retrieval)

   → 그 내용을 질문과 함께 프롬프트에 얹어서 LLM에게 주면

   → LLM이 정확한 근거를 바탕으로 답변을 한다.

---

6. Function Calling

■ 한 줄 요약

: LLM이 스스로 판단하여 외부 API나 코드를 호출할 수 있는 인자(Arguments)를 구조화된 데이터(JSON)로 반환하는 기능.

 

■ 왜 혁신적일까?

: 말만 하던 LLM에게 '손과 발'을 달아준 격이다.

- 기존 : "오늘 서울 날씨 어때?" 죄송합니다. 실시간 날짜는 모릅니다.

- Function Callling 적용 : "오늘 서울 날씨 어때?

---

7. AI Agent(AI 에이전트)

■ 한 줄 요약

: AI에게 '손과 발 그리고 판단력'을 준 단계이다.

  단순히 읽는 것에 그치지 않고 "이 이메일을 분석해서(RAG), 답장을 쓰고, 캘린더에 일정을 등록해"라는 복합적인 명령을 스스로 수행한다.

 

한줄 요약 : 단순히 질문에 답하는 수준을 넘어, 목표를 주면 스스로 계획하고, 도구를 사용하며, 실행 후 반성까지하는 자율적 시스템

 

4대 구성 요소 : 

 

 

1. 프로필(Profile) : 에이전트의 역할 정의(예 : "너는 시니어 백엔드 개발자야").

2. 기억

import openai

# 1. 프로필 (Profile) 정의
SYSTEM_PROFILE = {
    "role": "system",
    "content": "너는 8년 차 시니어 백엔드 개발자 에이전트야. 코드 리뷰와 아키텍처 설계를 담당해."
}

# 2. 기억 (Memory) 정의 - 단기 기억(대화 이력)용 세션 버퍼
class ShortTermMemory:
    def __init__(self):
        self.history = [SYSTEM_PROFILE] # 프로필을 기저에 깔아둠

    def add_message(self, role, content):
        self.history.append({"role": role, "content": content})

    def get_context(self):
        return self.history

# 메모리 인스턴스 생성
session_memory = ShortTermMemory()

---

3. 계획

4. 도구 : 웹 검색, 계산기, 데이터베이tm, API 호출 등

 

8. Workflow / Multi-Agent

한줄 요약 : 하나의 거대한 에이전트 대신, 특화된 역할을 가진 여러 에이전트가 협업하거나 정해진 파이프라인(Workflow)을 따라 문제를 해결하는 구조

- 왜 멀티 에이전트인가?

: 혼자서 북 치고 장구 치면 에러가 나기 쉽다.

대신 개발 에이전트, QA 에이전트, 기획 에이전트를 각각 두고 서로 검토하게 만들면 복잡한 소프트웨 개발이나 리서치 작업의 성공률이 극적으로 올라간다.

CrewAI, AutoGent 같은 프레임워크가 대표적이다.

 

8. MCP(Model Context Protocol)

 

---

주제 2 : n8n이란 무엇이고 AI Agent와는 어떤 차이가 있는가?

n8n

■ 결정 주체 : 사람(Designer)

■ 방식 : "만약 이메일이 오면 → 구글 시트에 저장해"처럼 사람이 모든 경로를 화살표로 연결해줘야 한다.

■ 특징 : 정해진 규칙대로만 움직이며, 예외 상황이 발생하면 멈춘다.

---

AI Agent(지능형 자동화)

■ 결정 주체 : AI(LLM)

■ 방식 : "이번 달 매출 보고서 좀 써줘"라고 던지면, Agent가 스스로 '어떤 DB에 접속할지', '어떤 그래프를 그릴지' 순서를 판단한다.

■ 특징 : 목표만 주어지면 과정은 AI가 알아서 설계한다.

 

💡요점 : n8n은 AI Agent를 구현하기 위한 훌륭한 환경(Platform)이 될 수 있다.

최근 n8n 내부에 'AI Agent '노드가 추가되면서, 사용자가 일일이 선을 긋지 않아도 AI가 알아서 n8n의 기능들을 조합해 결과를 내놓는 것이 가능해졌기 때문이다.

 

그러면 여기서 드는 의문

 

AI Agent가 그렇게 똑똑해서 스스로 판단하고 실행까지 한다면, 왜 굳이 n8n 같은 복잡한 툴에 돌려서 써야 하지? 라는 생각이들었다.

---

1. 제어 가능성과 안정성(Reliability)

 

 AI Agent는 강력하지만 '불확실성' 이라는 치명적인 단점이 있다.

 

■ Agent 단독 : 가끔 엉뚱한 도구를 실행하거나, 루프에 빠져 비용을 과다하게 발생시킬 수 있다.

(성희가 이거는 쓰지말라고 정확시 지침을 내린다고 한 부분이 생각났다.)

■ n8n 결합 : 전체 프로세스 중 절대로 틀리면 안 되는 부분(예 : 결제, DB 삭제, 이메일 발송)은 n8n의 확정적 노드로 고정하고, 판단이 필요한 부분만

AI Agent 노드에 맡길 수 있다.

 

즉 AI에게 "자유를 주되, 가이드라인(가드레일) 밖으로는 못 나가게" 통제하는 틀이 된다.

---

2. 400개 이상의 '손과 발'(Pre-built Integrations)

 

AI Agent가 무언가를 실행하려면 각 서비스의 API를 일일히 연결해줘야 한다.

 

■ Agent 단독 : 개발자가 직접 각 서비스의 API 명세서를 보고 Tools 파이썬 코드를 짜서 Agnet에게 주입해야 한다.

■ n8n 결합 : n8n에는 이미 수백 개의 서비스가 노드 형태로 연결되어 있다. 클릭 몇 번으로 Slack 메시지를 보내거나 SQL을 실행하는 '도구'를 만들어서 Agent에게 쥐여줄 수 있다. 개발 생산성 측면에서 압도적으로 유리하다.  

---

3. 시각화와 디버깅(Observability)

 

 Agent가 내부적으로 무슨 생각을 하고 어떤 단계를 거쳐 결론을 냈는지 파악하는 것은 매우 어려운 일이다(Black Box 문제).

 

● n8n 결합 : n8n의 UI를 통해 "어느 단계에서 데이터가 어떻게 변했는지"를 실시간 시각적으로 확인할 수 있다.

가령, 스터디원들과 결과물을 공유하거나 에러를 잡을 때, 코드 수백 줄을 읽는 것보다 n8n의 플로우 차트를 보는 게 훨씬 직관적인 것이다.

---

 

위의 답변에도 만족스럽지 않은 부분이 있어 다시 질문하였다.

AI Agent가 만능이라면 왜 굳이 n8n 같은 외부 툴을 써야 하는가? 라는 의문이 들었기 때문이다.

 

그랬더니 Gemini는 

 

 사실 AI Agent와 n8n은 '성능 경쟁' 관계라기보다, '지능(Intelligence)'과 인프라(Infrastructure)'의 관계에 가깝다고 설명해 주었다.

더불어 아래의 n8n이 AI Agent보다 명확하게 앞서는 '비교 우위' 3가지를 말해주었다.

---

1. 100% 확정적인 결과(Determinism)

 

 AI Agent의 가장 큰 약점은 '확률적'이라는 점이다.

똑같은 질문을 해도 매번 답이 미세하게 다를 수 있고, 가끔은 실행하지 말아야 할 경로로 가기도 한다.

 

● n8n의 우위 :

 

n8n은 코딩과 같다.

A 조건이면 B 노드로 가라는 설정이 100% 보장된다.

예를 들어 금융 결제나 중요 데이터 삭제처럼 한 치의 오차도 허용해서는 안 되는 '미션 크리티컬'한 비즈니스 로직은 AI Agent에게 통째로 맡기기엔 리스크가 매우 크다.

이때 n8n이 전체 뼈대(인프라)를 잡고, 판단이 필요한 세부 지점만 AI를 호출하는 것이 훨씬 안전하다.

---

2. 비용 효율성 및 속도(Cost & Latency)

 

AI Agent가 모든 단계를 '생각'해서 결정하게 하면, 매 단계마다 LLM 토큰을 소비하고 추론 시간을 기다려야 한다.

 

● n8n의 우위 :

 

 단순한 데이터 변환(JSON 파싱, 날짜 포맷 변경 등)이나 단순 전달 업무는 AI를 쓸 필요가 없다.

n8n의 기본 노드나 간단한 JavaScript 코드로 처리하면 비용은 0원이고 속도는 밀리초(ms)단위이다.

모든 것을 Agent가 판단하게 하는 것보다 훨씬 효율적인 시스템 구축이 가능하다.

---

3. 복잡한 API 인증 관리의 편의성(Auth Management)

 

 AI Agent에게 "내 구글 드라이브에서 파일을 찾아서 Slack으로 보내줘"라고 시키려면, Agent가 OAuth2 인증을 직접 뚧고 토큰을 갱신하며 통신해야 한다. 이걸 코드로 직접 구현하려면 보안 로직만 수백 줄이 될 것이다.

 

● n8n의 우위 :

 

 n8n은 이미 수백 개 서비스의 인증(Auth) 모듈을 내장하고 있다.

클릭 몇 번으로 보안 연결을 끝낼 수 있는 것이다.

 

즉, AI Agent라는 '소프트웨어'가 실제 세상의 서비스들과 연결될 수 있도록 '안전하고 튼튼한 통로'를 n8n이 미리 다 닦아놓은 보면 된다.

---

결론

2. n8n에 관하여

 

 AI Agent가 똑똑한 신입 사원이라면, n8n은 그 사원이 일할 수 있게 세팅된 사내 시스템과 업무 매뉴얼이라 할 수 있다.

아무리 똑똑한 사원이라도 매뉴얼 없이 매번 자기 마음대로 판단해서 일하게 두면 사고가 날 수 있지 않겠는가?

그래서 n8n으로 업무 프로세스를 설계하고, 그 안에서 AI Agnet가 필요한 판단을 내리게 하는 것이 현재 엔지니어링의 정석이라 할 수 있겠다.