AI 에이전트: 체인 상의 상호작용을 보조하는 도구, 밈 열풍 속에서 유명세를 탄 이 제품은 진짜 가치가 있을까?
작가: 0XNATALIE
올해 하반기 들어 AI 에이전트(AI Agent)에 대한 관심이 지속적으로 높아지고 있다. 초기에는 X(구 트위터)에서 유머러스한 포스트와 리플라이(중국 웨이보의 '로버트'와 유사)로 주목받은 AI 챗봇 terminal of truths가 a16z 창립자 마크 앤드리슨(Marc Andreessen)으로부터 5만 달러의 자금을 지원받으며 화제를 모았다. 이 계정의 콘텐츠에서 영감을 받은 누군가가 GOAT 토큰을 생성했고, 단 24시간 만에 가격이 10000% 이상 급등했다. 이를 계기로 AI 에이전트에 대한 관심이 Web3 커뮤니티로 확산되었다. 이후 솔라나 기반 최초의 탈중앙화 AI 거래 펀드 ai16z가 등장하며 AI 에이전트 개발 프레임워크 Eliza를 출시하고, 대소문자 토큰 논쟁도 일으켰다. 그러나 여전히 커뮤니티 내에서는 AI 에이전트의 개념이 명확하지 않다. 과연 AI 에이전트의 핵심은 무엇인가? 텔레그램 거래 봇과 어떤 차이가 있는가?
동작 원리: 인지, 추론 및 자율적 의사결정
AI 에이전트는 대규모 언어 모델(LLM) 기반의 지능형 에이전트 시스템으로, 환경을 인지하고 추론을 통해 의사결정을 내리며 도구 호출이나 작업 수행을 통해 복잡한 작업을 완료할 수 있다. 동작 프로세스는 다음과 같다: 인지 모듈(입력 수신) → LLM(이해, 추론, 계획 수립) → 도구 호출(작업 실행) → 피드백 및 최적화(검증 및 조정).
구체적으로, AI 에이전트는 먼저 인지 모듈을 통해 외부 환경(텍스트, 오디오, 이미지 등)에서 데이터를 수집하고 이를 처리 가능한 구조화된 정보로 변환한다. LLM은 핵심 구성 요소로서 강력한 자연어 이해 및 생성 능력을 제공하며 시스템의 '두뇌' 역할을 한다. 입력된 데이터와 기존 지식을 바탕으로 LLM은 논리적 추론을 통해 가능한 해결책을 제시하거나 행동 계획을 수립한다. 이후 AI 에이전트는 외부 도구, 플러그인 또는 API를 호출해 구체적인 작업을 수행하고, 피드백을 받아 결과를 검증하고 조정함으로써 폐쇄 루프(closed-loop) 최적화를 실현한다.
Web3 응용 사례에서 AI 에이전트는 텔레그램 거래 봇이나 자동화 스크립트와 어떻게 다를까? 예를 들어 아비트리지를 하고자 하는 사용자가 있다고 하자. 이 사용자는 수익률이 1% 초과일 경우에만 아비트리지를 수행하길 원한다. 아비트리지를 지원하는 텔레그램 거래 봇에서는 사용자가 수익률 1% 이상이라는 전략을 설정하면 봇이 즉시 실행된다. 하지만 시장 변동성이 클 때, 이러한 봇들은 위험 평가 능력이 부족하여 단지 수익률 조건만 만족하면 무조건 거래를 진행한다. 반면 AI 에이전트는 전략을 자동 조정할 수 있다. 예를 들어 특정 거래의 수익률이 1%를 넘지만 데이터 분석을 통해 위험이 지나치게 높고 시장이 갑작스럽게 변해 손실이 발생할 가능성이 크다고 판단되면, 해당 아비트리지 거래를 실행하지 않기로 결정할 수 있다.
따라서 AI 에이전트는 자기 적응성(self-adaptivity)을 갖추고 있으며, 그 핵심 장점은 자기 학습과 자율적 의사결정이 가능하다는 점이다. 시장이나 사용자 행동 등의 환경과 상호작용하면서 피드백 신호를 기반으로 행동 전략을 조정하고, 작업 수행 효과를 지속적으로 향상시킬 수 있다. 또한 외부 데이터를 기반으로 실시간으로 의사결정을 내릴 수 있으며 강화 학습(reinforcement learning)을 통해 의사결정 전략을 계속해서 최적화할 수 있다.
이렇게 설명하면 의도(intent) 기반 프레임워크의 솔버(solver)와 비슷해 보이지 않는가? 사실 AI 에이전트 자체도 의도 기반의 산물이며, 의도 프레임워크의 솔버와 가장 큰 차이점은 솔버가 정확한 알고리즘에 의존하며 수학적으로 엄밀한 반면, AI 에이전트의 의사결정은 데이터 기반의 훈련에 의존하며 훈련 과정에서 반복적인 시행착오를 통해 최적해에 접근한다는 점이다.
주요 AI 에이전트 프레임워크
AI 에이전트 프레임워크는 지능형 에이전트를 생성하고 관리하기 위한 인프라다. 현재 Web3 분야에서 널리 알려진 프레임워크로는 ai16z의 Eliza, zerebro의 ZerePy, Virtuals의 GAME 등이 있다.
Eliza는 다기능 AI 에이전트 프레임워크로, TypeScript로 개발되었으며 디스코드(Discord), 트위터(X), 텔레그램(Telegram) 등 다양한 플랫폼에서 작동할 수 있다. 복잡한 메모리 관리 기능을 통해 이전의 대화 내용과 문맥을 기억하며 일관된 성격 특성과 지식 기반의 답변을 유지할 수 있다. Eliza는 RAG(Retrieval Augmented Generation) 시스템을 채택해 외부 데이터베이스나 자원에 접근함으로써 더욱 정확한 답변을 생성할 수 있다. 또한 TEE(Trusted Execution Environment) 플러그인을 통합하여 TEE 환경에 배포할 수 있어 데이터의 보안성과 개인정보 보호를 보장한다.
GAME는 AI 에이전트가 자율적 의사결정과 행동을 할 수 있도록 지원하는 프레임워크다. 개발자는 자신의 요구에 따라 에이전트의 행동을 커스터마이징하고 기능을 확장하며 맞춤형 작업(예: 소셜미디어 게시, 답글 작성 등)을 제공할 수 있다. 프레임워크 내 다양한 기능들(예: 에이전트의 환경 위치, 작업 등)은 여러 모듈로 나뉘어 개발자의 구성 및 관리가 용이하다. GAME 프레임워크는 AI 에이전트의 의사결정 과정을 두 단계로 나눈다: 고차원 계획(HLP, High-Level Planning)과 저차원 계획(LLP, Low-Level Planning). 고차원 계획은 에이전트의 전체 목표와 작업 계획을 수립하는 책임을 맡으며, 목표, 성격, 배경 정보 및 환경 상태를 기반으로 의사결정을 내리고 작업 우선순위를 결정한다. 저차원 계획은 실행 단계에 집중하여 고차원 계획의 결정을 구체적인 작업 단계로 전환하고 적절한 기능과 작업 방법을 선택한다.
ZerePy는 파이썬(Python) 기반의 오픈소스 프레임워크로, X(트위터)에 AI 에이전트를 배포하기 위해 사용된다. 이 프레임워크는 OpenAI와 Anthropic의 LLM을 통합하여 개발자가 소셜미디어 에이전트를 구축하고 관리하며 트윗 게시, 답글, 좋아요 등의 작업을 자동화할 수 있게 한다. 각 작업은 중요도에 따라 다른 가중치를 설정할 수 있다. ZerePy는 간결한 명령줄 인터페이스(CLI)를 제공하여 개발자가 빠르게 에이전트를 시작하고 관리할 수 있도록 돕는다. 또한 Replit(온라인 코드 편집 및 실행 플랫폼) 템플릿도 제공되어 개발자는 복잡한 로컬 환경 설정 없이도 ZerePy를 바로 사용할 수 있다.
왜 AI 에이전트는 FUD에 직면하는가?
AI 에이전트는 지능적으로 보이며 사용자 진입 장벽을 낮추고 경험을 향상시키는 듯하지만, 왜 커뮤니티에서는 FUD(Fear, Uncertainty, Doubt)가 존재할까? 이유는 AI 에이전트가 본질적으로 아직 하나의 도구에 불과하며, 현재 단계에서는 전체 작업 흐름을 완수할 수 없고 일부 노드에서 효율성을 높이고 시간을 절약할 수 있을 뿐이라는 점이다. 현재의 발전 단계에서 AI 에이전트의 활용은 주로 사용자가 MeMe 토큰을 한 번에 발행하거나 소셜미디어 계정 운영을 돕는 데 집중되어 있다. 커뮤니티에서는 이를 비꼬아 "자산(asset)은 개발자(dev)에게, 부채(liability)는 AI에게"라고 말하기도 한다.
하지만 이번 주에는 aiPool이 프리세일용 AI 에이전트로 출시되며 TEE 기술을 활용해 신뢰 없는(trustless) 환경을 실현했다. 이 AI 에이전트의 지갑 개인키는 TEE 환경 내에서 동적으로 생성되어 보안을 보장한다. 사용자는 AI 에이전트가 관리하는 지갑에 자금(SOL 등)을 보내면, AI 에이전트는 미리 설정된 규칙에 따라 토큰을 생성하고 DEX에서 유동성 풀을 시작한 후 조건을 충족하는 투자자들에게 토큰을 분배한다. 이 과정 전반에 걸쳐 어떠한 제3자 중개자도 필요하지 않으며, 모든 과정이 TEE 환경에서 AI 에이전트에 의해 자율적으로 완료되어 DeFi에서 흔히 발생하는 러그풀(rug pull) 위험을 방지할 수 있다. 이처럼 AI 에이전트는 점차 발전하고 있음을 알 수 있다. 필자는 AI 에이전트가 사용자 진입 장벽을 낮추고 경험을 개선하는 데 기여한다면, 설령 자산 발행 과정의 일부만 간소화하더라도 의미 있는 일이라고 생각한다. 그러나 거시적인 Web3 관점에서 보면, AI 에이전트는 체인 외(off-chain)의 산물로서 현재 단계에서는 스마트 계약을 보조하는 도구 역할에 머무르고 있으므로 그 능력을 과대포장할 필요는 없다. 올해 하반기 들어 MeMe 외에는 눈에 띄는 부의 창출 서사가 부족했기 때문에, AI 에이전트의 흥행도 MeMe 중심으로 전개된 것은 당연한 현상이다. 하지만 단지 MeMe에만 의존해서는 장기적인 가치를 유지하기 어렵다. 따라서 AI 에이전트가 거래 프로세스에서 더 많은 혁신적인 기능을 제공하고 실제 적용 가능한 가치를 창출한다면, 언젠가는 보편적인 인프라(infra) 도구로 자리 잡을 수 있을 것이다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
@ChainFeedsxyz
