The Hitchhiker’s Guide to Agentic AI는 Haggai Roitman이 2026년 6월 arXiv에 공개한 에이전틱 AI 참고서다. 논문의 요지는 좋은 에이전틱 시스템을 만들려면 프롬프트나 프레임워크 하나가 아니라 LLM 기반, 정렬, 추론, 메모리, 도구, 프로토콜, 평가, 배포까지 전체 파이프라인을 이해해야 한다는 것이다.
다루는 범위
이 문서는 에이전트만 바로 다루지 않고, 그 아래의 LLM substrate부터 시작한다.
| 계층 | 주요 내용 |
|---|---|
| LLM 기반 | Transformer, GPU 시스템, SFT, LoRA, MoE, 모델 압축, 추론 최적화 |
| 정렬·추론 | RLHF, PPO, DPO, GRPO, reward model, chain-of-thought, test-time scaling |
| 에이전트 훈련 | trajectory 기반 강화학습, agentic training |
| 지식·메모리 | RAG, Agentic RAG, in-context·external·episodic·semantic memory |
| 하네스 | agent-harness, 컨텍스트 관리, 디자인 패턴 분류 |
| 상호운용성 | mcp, a2a, agent skills, tool use, multi-agent topology |
| 운영 | 프레임워크, agentic UI, 평가 방법론, 프로덕션 배포 |
왜 유용한가
에이전트 글은 특정 프레임워크나 도구 사용법에 치우치기 쉽다. 이 참고서는 모델 훈련, 추론 최적화, 메모리, 프로토콜, 평가를 한 흐름으로 묶는다. 따라서 다음 독자에게 유용하다.
- 에이전트 시스템을 처음부터 설계하려는 엔지니어
- Agentic RAG나 agentic-memory를 개별 기능이 아니라 전체 아키텍처 안에서 이해하려는 사람
- MCP·A2A·agent skills가 각각 어디에 들어가는지 정리하려는 팀
- 에이전트 평가와 배포까지 포함한 커리큘럼이나 내부 교육 자료가 필요한 조직
읽을 때의 관점
이 문서는 “최신 프레임워크 비교표”보다 “전체 지도”에 가깝다. 특정 API 사용법을 바로 찾기보다, 어떤 문제가 어느 계층의 문제인지 분류하는 데 쓰는 편이 좋다.
예를 들어 에이전트가 같은 실수를 반복한다면 프롬프트 문제가 아니라 memory·trajectory feedback·evaluation harness 문제일 수 있다. 도구 호출이 불안정하다면 모델 선택보다 tool schema, permission boundary, observation formatting이 더 중요할 수 있다.
관련 문서
- agentic-loops — 스스로 피드백을 받아 수정하는 AI 에이전트 루프 설계
- agent-harness — AI 에이전트 성능을 결정하는 하네스 설계
- agentic-memory — 에이전트 장기 기억 설계
- mcp — 모델 컨텍스트 프로토콜
- a2a — AI 에이전트 간 작업 위임과 협업 프로토콜
참고 자료
- The Hitchhiker’s Guide to Agentic AI: From Foundations to Systems — arXiv (2026-06-22)