AI Agents · 강의

절차 기억(기술 라이브러리)

반복 작업에 재사용할 수 있도록 성공적인 프롬프트 및 도구 시퀀스 라이브러리를 구축해보세요.

절차 기억(기술 라이브러리)은(는) CoddyKit의 무료 AI Agents 강의입니다. 이것은 4개 중 3번째 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.

절차 기억이란 무엇입니까

절차 기억에는 "일을 수행하는 방법"이 저장됩니다. 성공한 재사용 가능한 작업 순서입니다. 에이전트가 다시 실행할 수 있는 작은 요리법 모음이라고 생각하면 됩니다.

예:

"경비 보고서를 제출하려면 A를 한 다음 B, 그다음 C를 실행합니다."
"스테이징 빌드를 배포하려면 X를 실행하고 Y를 기다린 다음 Z를 실행합니다."

절차 기억이 필요한 이유

절차 기억이 없으면 에이전트는 매번 같은 계획을 처음부터 다시 도출하므로 느리고 비용이 많이 들며 일관성이 없습니다. 기술 라이브러리가 있으면 반복 작업을 즉시 해결할 수 있습니다.

Storage Format

CREATE TABLE skills (
    id UUID PRIMARY KEY,
    name TEXT NOT NULL,
    description TEXT NOT NULL,
    embedding vector(1536),
    steps JSONB NOT NULL,           -- list of tool calls
    success_rate REAL DEFAULT 1.0,
    use_count INT DEFAULT 0,
    created_at TIMESTAMPTZ
);

새 기술 포착

실행에 성공한 후 LLM에 작업 요리법을 추출하도록 요청하십시오:

extract_prompt = '''
The agent successfully completed: {user_request}

The trace was:
{trace}

Write this as a reusable skill with name, description, and step list.
Return JSON: {name, description, steps: [{tool, args_template}]}
'''
print(extract_prompt.strip())

Storing the Skill

skill = json.loads(llm.invoke(extract_prompt).content)
vec = embed(skill['description'])
conn.execute('''
    INSERT INTO skills (id, name, description, embedding, steps)
    VALUES (%s, %s, %s, %s, %s::jsonb)
''', (str(uuid.uuid4()), skill['name'], skill['description'], vec, json.dumps(skill['steps'])))

기술 템플릿

기술은 매개변수 슬롯이 있는 템플릿입니다. 에이전트는 실행할 때마다 실제 값을 채웁니다:

skill = {
    'name': 'file_expense_report',
    'steps': [
        {'tool': 'open_form', 'args': {'form_id': 'expense'}},
        {'tool': 'fill_field', 'args': {'field': 'amount', 'value': '{amount}'}},
        {'tool': 'fill_field', 'args': {'field': 'category', 'value': '{category}'}},
        {'tool': 'submit'}
    ]
}
import json
print(json.dumps(skill, indent=2))

LLM에 기술 제안

후보 기술을 시스템 프롬프트에 삽입하고, 어떤 기술을 사용할지 LLM이 결정하도록 합니다:

candidates = find_skill(user_request)
prompt = f'''
You can use these existing skills if applicable:
{json.dumps(candidates, indent=2)}

Or you can plan a new sequence.
'''

기술 성공 여부 추적

사용할 때마다 기술 통계를 업데이트합니다:

UPDATE skills
SET use_count = use_count + 1,
    success_rate = (success_rate * use_count + (CASE WHEN %s THEN 1 ELSE 0 END)) / (use_count + 1)
WHERE id = %s;

나쁜 기술 정리

성공률이 낮거나 사용 횟수가 적은 기술은 제거해야 합니다:

DELETE FROM skills
WHERE (success_rate < 0.5 AND use_count >= 5)
   OR (use_count = 0 AND created_at < NOW() - INTERVAL '30 days');

Voyager: 유명한 사례

Voyager(Wang 외, 2023)는 마인크래프트를 플레이하며 코드 조각으로 "기술 라이브러리"를 구축하는 에이전트로, 절차적 기억에 관한 대표적인 논문입니다.

기술 조합

기술은 다른 기술을 호출할 수 있습니다. 에이전트는 점점 더 추상적인 절차를 학습합니다:

low_level_skill = {'name': 'open_email', 'steps': [...]}
high_level_skill = {'name': 'process_inbox', 'steps': [
    {'skill': 'open_email'},
    {'skill': 'reply_or_archive'}
]}
print(low_level_skill)
print(high_level_skill)

기술의 개인정보 보호

기술은 대개 여러 사용자 간에 공유할 수 있을 만큼 일반적입니다. 하지만 확인이 필요합니다. 일부 "기술"에는 특정 계정 번호와 같은 사용자별 세부 정보가 포함될 수 있습니다. 공유 라이브러리에 저장하기 전에 익명화하십시오.

절차적 정의

절차적 기억에는 무엇이 저장됩니까?

복습

절차적 기억 = 기술 라이브러리입니다. 성공적인 실행에서 작업 절차를 추출하고, 새 요청에 적합한 절차를 검색하며, 성공률을 추적하고, 더 이상 유용하지 않은 항목을 정리합니다.

자주 묻는 질문