IBM watsonx.ai 의 Agent Lab을 사용하여 애플리케이션을 보다 유연하고 역동적으로 만드는 데 사용할 수 있는 AI 에이전트를 구축하고 배포하십시오. 에이전트 설정에 지정한 매개변수와 도구를 사용하여 최종 사용자를 대신하여 결정을 내리고 작업을 수행하도록 에이전트를 구성할 수 있습니다.
Agent Lab 시작하기
watsonx.ai 에 가입했고 샌드박스 프로젝트가 있는 경우, 모든 요구 사항이 충족되어 에이전트 랩을 사용할 준비가 된 것입니다.
에이전트 랩을 사용하려면 다음 요구 사항을 충족해야 합니다
- 프로젝트가 있어야 합니다.
- 프로젝트에는 반드시 연결된 런타임 서비스 인스턴스( watsonx.ai )가 있어야 합니다. 그렇지 않으면, Agent Lab을 열 때 서비스를 연결하라는 메시지가 표시될 수 있습니다.
- 필수 권한
- 에이전트를 구축하려면 프로젝트에서 관리자 또는 편집자 역할이 있어야 합니다.
에이전트 랩을 사용하면 최소한의 코딩으로 AI 에이전트를 쉽게 구축하고 커스터마이즈할 수 있습니다. 에이전트와 최종 사용자 간의 상호 작용에 대한 매개 변수를 정의합니다. 여기에는 에이전트가 작업을 수행하는 데 사용하는 기초 모델, 프레임워크, 아키텍처, 도구가 포함됩니다.
실제 상황에서는 상담원이 상호작용의 현재 상태를 바탕으로 차선책을 선택합니다. 에이전트 내의 기초 모델은 최종 사용자가 제출한 프롬프트에 따라 하나 또는 여러 개의 외부 도구를 선택합니다. 그런 다음 에이전트 프레임워크는 툴 호출 이라고 불리는 프로세스를 사용합니다. 이 프로세스는 함수 호출 이라고도 불리며, 여러 출처에서 정보를 검색하고 응답을 생성합니다.
예를 들어, 항공편 예약 도구는 다음 정보를 수집한 다음 예약을 생성해야 할 수 있습니다
- 출발지와 도착지
- 승객 수
- 여행 날짜
- 가격 범위
좌석 수가 한정되어 있거나, 요청한 가격 범위 내에 있는 항공편에서는 정보 수집 순서가 중요할 수 있습니다. 상담원은 모든 사용자 입력을 처리하고, 기본 모델은 상담원이 예약 요청을 완료하기 전에 출발지와 목적지 간에 자주 운항하는 항공사를 찾는 검색 엔진과 같은 추가 도구를 호출할 시기를 결정합니다.
생성적 AI 작업을 자동화하는 에이전트 구축
이 비디오를 통해 에이전트 랩에서 에이전트를 구축하는 방법을 확인해 보세요.
이 비디오는 이 문서에서 다루는 개념과 작업을 시각적으로 배울 수 있는 방법을 제공합니다.
AI 에이전트를 구축하려면 다음 단계를 완료하십시오
watsonx.ai 의 홈페이지에서 프로젝트를 선택한 다음, 새 자산 > AI 에이전트를 만들어 작업을 자동화하기 타일을 클릭합니다.
기초 모델을 선택하고, 선택 사항으로 모델 매개 변수를 업데이트합니다. 자세한 내용은 기초 모델 구성을 참고하세요.
에이전트를 설정하려면 에이전트의 이름을 지정하고 에이전트가 수행하는 작업을 설명합니다.
선택 사항 : 상담원 미리보기 창 에서 상담원의 모습을 사용자 지정하기 위해 아이콘과 배경 이미지를 선택합니다.
에이전트를 생성, 배치, 관리하는 데 사용할 AI 에이전트 프레임워크를 선택합니다.
참고:현재, watsonx.ai 는 LangGraph 를 유일한 프레임워크 선택지로 제공하고 있습니다. 에이전트형 AI 추론을 구현하는 아키텍처를 선택합니다.
참고:현재, watsonx.ai 는 유일한 아키텍처 선택으로 ReAct 를 제공합니다. 선택된 기초 모델에 대한 시스템 프롬프트를 생성하는 데 사용되는 에이전트에 대한 구체적인 지침을 정의합니다. 지침에는 특정 언어, 날짜 또는 시간 형식, 사용자 인사말, 기초 모델의 지식 기반 대신 외부 도구를 정보 소스로 사용하는 것이 포함될 수 있습니다.
응답을 작성하기 위해 에이전트 프레임워크가 호출할 수 있는 하나 이상의 외부 도구를 구성합니다. 제공된 도구 목록에서 도구를 선택합니다. 자세한 내용은 도구 구성을 참고하세요.
선택 사항 : 최종 사용자가 상담원과 상호 작용을 시작하는 데 사용할 수 있는 몇 가지 샘플 질문을 추가합니다.
에이전트 미리보기 창 에서 에이전트를 테스트하여 기초 모델과 관련 도구를 조합하여 에이전트가 올바른 결과를 생성하는지 확인하십시오.
현재 프로젝트에서 에이전트를 재사용하거나 공동 작업자와 공유할 수 있도록 작업을 보존하려면 작업을 프로젝트 자산으로 저장하십시오. 자세한 내용은 에이전트 저장을 참고하세요. 또는 에이전트를 배포 공간에 AI 서비스로 배치할 수 있습니다. 자세한 내용은 도구로 AI 서비스 배포하기를 참조하세요.
에이전트 구성 옵션
에이전트가 의사 결정, 행동, 외부 환경과의 상호 작용을 위해 사용하는 기초 모델과 도구를 사용자 정의할 수 있습니다.
기초 모델 구성
에이전트 워크플로를 구축할 때는 다음 요건을 충족하는 기초 모델을 선택하십시오
- 채팅 작업 처리
- 도구 호출 지원
- 연쇄적 사고 촉진 기법에 잘 반응하고 다음 행동을 선택합니다
- 추론 벤치마크에서 좋은 성능을 보임
모델이 어떻게 산출물을 생성하는지를 제어하기 위해, 다음의 변수들을 지정할 수 있습니다:
- 빈도 페널티
- 선택한 프롬프트, 모델, 매개변수에 대해 생성된 출력에 여러 번 나타나는 텍스트가 일관되게 포함되는 경우, 빈도 페널티를 추가해 볼 수 있습니다. 이 옵션을 설정하면 여러 번 사용된 토큰의 확률이 낮아져서 모델이 해당 토큰을 반복할 가능성이 줄어듭니다. 값이 높을수록 더 다양하고 다양한 결과물이 나옵니다.
- 지원되는 값: 부동 소수점 숫자 범위: -2.0 (페널티 없음)에서 2.0 (최대 페널티)
- 기본값: 0.0
- 사용: 페널티가 높을수록 지금까지의 상호작용에서 자주 등장한 텍스트가 결과에 포함될 가능성이 낮아집니다.
- 존재 페널티
- 선택한 프롬프트, 모델, 매개변수에 대해 생성된 출력에 상호작용의 초기에 나타난 텍스트가 포함되어 있다면, 존재감 페널티를 추가해 볼 수 있습니다. 설정이 되면, 벌칙은 이미 사용된 토큰의 확률 점수를 낮추어 모델이 그 토큰을 반복할 가능성이 적어지게 합니다. 값이 높을수록 더 다양하고 다양한 결과물이 나옵니다.
- 지원되는 값: 부동 소수점 숫자 범위: -2.0 (페널티 없음)에서 2.0 (최대 페널티)
- 기본값: 0.0
- 사용: 페널티가 높을수록 지금까지의 상호작용에 이미 등장한 텍스트가 결과에 포함될 가능성이 낮아집니다.
- 온도
- 샘플링 기법은 샘플링할 토큰에 대한 확률 분포를 평탄화하거나 선명하게 함으로써 생성된 출력에서 토큰을 선택하는 데 사용하는 샘플링 기법입니다.
- 상위 P(핵심 샘플링)
- 모델이 생성된 결과에서 토큰을 선택하는 데 사용하는 샘플링 기법으로, 점수의 합이 지정된 임계값에 도달할 때까지 가장 높은 확률 점수를 가진 토큰을 샘플링합니다.
- 최대 신규 토큰
- Max tokens 매개변수는 생성된 결과물의 최대 토큰 수를 제어합니다. 출력에서 허용되는 토큰의 최대 개수는 모델에 따라 다릅니다. 자세한 내용은 지원되는 기초 모델 의 최대 토큰 정보를 참조하십시오.
도구 설정
한 개 이상의 외부 도구를 사용하여 추가 정보를 검색하도록 에이전트를 구성하여, 기초 모델에 제출된 프롬프트에 근거하여 응답을 생성할 수 있습니다.
구성 아이콘을 클릭하여 도구 구성을 업데이트할 수도 있습니다. 
. 도구를 사용자 지정하는 방법의 예는 다음과 같습니다
- 타사 검색 엔진에서 반환되는 결과의 수에 제한을 지정
- 문서 검색 툴이 사용할 소스 파일의 벡터 인덱스를 제공합니다. 프로젝트의 벡터 데이터 저장소에 문서를 추가하는 방법에 대한 자세한 내용은 기초 모델 프롬프트를 위한 벡터화된 문서 추가하기를 참조하십시오.
자세히 알아보기
- 프로젝트 작성
- 저장 에이전트
- watsonx.ai REST API를 사용하여 에이전트 채팅 워크플로를 구축하는 대체 방법에 대한 자세한 내용은 채팅 API를 사용하여 에이전트 중심 워크플로 구축을 참조하세요.
상위 주제: 생성적 AI 솔루션 개발