목표 스택과 백트래킹
하위 목표를 스택에 넣고, 완료되면 꺼내며, 막다른 길에서는 백트래킹하는 고전적인 인공지능 계획을 구현하십시오.
목표 스택과 백트래킹은(는) CoddyKit의 무료 AI Agents 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 AI Agents 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. AI Agents 강의에는 총 4개의 강의가 포함되어 있습니다.
이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.
목표 스택
고전적인 AI 계획에서는 목표 스택을 사용합니다. 하위 목표를 만나면 push하고, 완료되면 pop합니다. 에이전트도 같은 자료 구조를 사용할 수 있습니다.
goal_stack = []
def push(goal):
goal_stack.append(goal)
def pop():
return goal_stack.pop() if goal_stack else None
def current():
return goal_stack[-1] if goal_stack else None
# --- demo ---
push('write the report')
push('collect the data')
print(f'Current goal: {current()}')
print(f'Popped: {pop()}')
print(f'Current goal after pop: {current()}')
Example: Refactoring Workflow
push('Refactor auth')
while current():
g = current()
if g == 'Refactor auth':
if not done('add_oauth_dep'):
push('Add OAuth dependency')
elif not done('replace_login'):
push('Replace login endpoint')
else:
pop() # done
elif g == 'Add OAuth dependency':
# ...actually do the work...
mark_done('add_oauth_dep')
pop()백트래킹
목표가 실패하면 다음을 수행합니다.
- 실패로 표시합니다
- 부모로 돌아가도록 pop합니다
- 다른 접근 방식(다른 하위 목표)을 시도합니다
Backtracking Example
def attempt(goal):
for approach in [oauth, saml, custom_token]:
try:
return run_with(goal, approach)
except FailedException:
continue
raise NoApproachWorked(goal)시도한 접근 방식 추적
같은 실패한 접근 방식을 다시 시도하지 마십시오. 목표마다 시도한 내용을 추적하십시오.
{
'goal_id': 'refactor-auth',
'tried': ['oauth', 'saml'],
'remaining_options': ['custom_token']
}목표 선택기로서의 LLM
다음에 무엇을 push할지 LLM이 결정하도록 하십시오.
next_goal = llm.invoke(f'Current goal: {current()}. Done so far: {done_list}. What sub-goal next?').content
push(next_goal)사전 조건과 결과
STRIPS 계획에서 아이디어를 빌리십시오. 각 행동에는 사전 조건(참이어야 하는 것)과 결과(참이 되는 것)가 있습니다.
action = {
'name': 'replace_login',
'preconditions': ['oauth_dep_installed'],
'effects': ['login_endpoint_replaced']
}계획과 행동의 반복 과정
두 단계 접근 방식:
- 계획 — 기호 기반 계획기가 목표 스택을 만듭니다
- 행동 — 에이전트가 스택의 최상위 항목을 실행하고, 세계 상태를 업데이트하고, 필요하면 재계획합니다
기호 기반 방식과 LLM의 결합
사전 조건이 명확한 작업(파일 작업, 배포)에는 기호 기반 계획기를 사용하십시오. 모호한 부분에는 LLM을 사용하십시오. 두 방식을 결합하면 견고성이 높아집니다.
막다른 길
때로는 에이전트가 어떤 행동도 도움이 되지 않는 상태에 도달합니다. 막다른 길을 인식하고 더 이전 상태로 백트래킹하십시오.
if no_progress_in_n_steps(5):
pop_to_parent()
try_different_approach()백트래킹 깊이 제한
제한 없는 백트래킹은 무한 반복을 일으킬 수 있습니다. 깊이와 총 반복 횟수에 상한을 두십시오.
MAX_BACKTRACKS = 10
if backtrack_count >= MAX_BACKTRACKS:
escalate_to_human()사용자에게 백트래킹 알리기
에이전트가 백트래킹할 때 사용자에게 알리십시오. "OAuth가 작동하지 않아 SAML을 시도합니다." 이렇게 하면 신뢰를 유지하고 사용자가 일찍 개입할 수 있습니다.
백트래킹 발동 조건
에이전트는 언제 하위 목표에서 백트래킹해야 합니까?
복습
목표 스택은 에이전트가 "현재 어디에 있는지"를 추적합니다. 하위 목표를 push하고, 완료된 목표를 pop하고, 막다른 길에서는 백트래킹하십시오. 기호 기반 계획과 LLM의 판단을 결합하십시오.
자주 묻는 질문
“목표 스택과 백트래킹” 강의는 무료인가요?
네 — “목표 스택과 백트래킹” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 AI Agents 강의 전체를 잠금 해제할 수 있습니다. AI Agents 강의에는 총 4개의 강의가 포함되어 있습니다.
“목표 스택과 백트래킹”에서 뭘 배우나요?
하위 목표를 스택에 넣고, 완료되면 꺼내며, 막다른 길에서는 백트래킹하는 고전적인 인공지능 계획을 구현하십시오. 브라우저에서 직접 실행하는 실습 코드로 AI Agents을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
AI Agents을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 AI Agents은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.
“목표 스택과 백트래킹” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 AI Agents 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 AI Agents 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- 계층적 작업 분해
- 목표 스택과 백트래킹
- 세계 모델과 룩어헤드
- 성찰과 자기 비판 루프