경제적 해자 구축하기: 셀프 러닝 에이전트 (12분 읽기)

단순히 LLM API를 래핑하는 수준을 넘어, 제품이 사용될수록 스스로 발전하는 셀프 러닝(Self-learning) 구조를 갖추는 것이 새로운 비즈니스 해자(Moat)가 되고 있다.

에이전트의 학습은 두 가지 핵심 데이터 소스에서 이루어져야 한다.

• 에이전트 트레이스(Agent Traces): 에이전트가 수행한 단계, 호출한 도구, 실패 패턴 등을 기록한 데이터.
• 브라우저 내 사용자 활동(In-browser activity): 사용자의 클릭, 편집, 워크플로우 등 에이전트 외부에서 발생하는 실제 작업 데이터.

이 두 가지 신호를 동시에 포착하기 위해서는 사용자와 에이전트가 상호작용하는 인터페이스 단계에서 데이터를 수집해야 하며, 이를 위해 **AG-UI(Agent-User Interaction Protocol)**와 같은 개방형 표준이 중요하다.

학습된 결과는 세 가지 계층에 적용될 수 있다.

• 모델 가중치(Model weights): 학습 내용을 모델 자체에 파인튜닝(Fine-tune)함.
• 하네스(Harness): 모델 주변의 실행 사이클, 도구 권한, 체크 로직 등을 최적화함.
• 인-컨텍스트(In-context): 새로운 정보를 프롬프트에 직접 추가하여 매 호출 시 참조하게 함.