Data for Agents는 에이전틱 AI에서 모델 가중치만큼 중요한 것이 학습·평가·시뮬레이션 데이터라는 관점이다. NVIDIA와 Hugging Face는 에이전트가 도구를 쓰고, 장기 작업을 수행하고, 사람처럼 다양한 목표를 추구하려면 오픈 데이터와 합성 데이터가 함께 필요하다고 설명한다.
핵심 문제
일반 LLM 데이터는 “텍스트를 보고 다음 토큰을 맞히는” 데 유용하지만, 에이전트에는 부족하다. 에이전트는 불완전한 목표를 해석하고, 도구를 탐색하고, 중간 실패에서 회복하고, 사용자의 선호를 반영해야 한다. 이런 행동은 대화 말뭉치만으로 충분히 학습되거나 평가되지 않는다.
또한 기업의 실제 에이전트 데이터는 개인정보, 업무 기밀, 보안 이슈 때문에 공개하기 어렵다. 그래서 공개 가능한 오픈 데이터와 통제 가능한 합성 데이터가 중요해진다.
데이터 유형
| 유형 | 역할 | 예시 |
|---|---|---|
| 오픈 데이터 | 공통 벤치마크와 재현 가능한 연구 기반 | 공개 과제, 도구 사용 로그, 평가셋 |
| 합성 데이터 | 희소한 상황과 위험한 상황을 안전하게 확장 | 실패 복구, 권한 오류, 장기 계획 시나리오 |
| 페르소나 데이터 | 다양한 사용자 목표·취향·제약을 반영 | novice user, analyst, security reviewer |
| 정답 데이터 | 에이전트 행동의 성공 여부를 검증 | 완료 조건, 근거 문서, 단계별 oracle |
실무 의미
에이전트 제품을 만드는 팀은 모델만 바꿔 성능을 올리기보다, “어떤 상황을 잘해야 하는가”를 데이터로 정의해야 한다. 고객지원 에이전트라면 정책 예외와 에스컬레이션 사례, 데이터 분석 에이전트라면 잘못된 스키마와 누락된 컬럼을 포함한 평가 데이터가 필요하다.
합성 데이터는 특히 실패 케이스를 늘리는 데 유용하다. 현실 로그에는 드물지만 제품에서는 치명적인 권한 오류, 도구 응답 지연, 애매한 사용자 요청을 의도적으로 만들 수 있기 때문이다.
관련 문서
- agentic-ai-hitchhikers-guide — 에이전틱 AI 전체 스택을 정리한 실무형 참고서
- agentgym2 — 현실적 노이즈와 불확실성을 반영한 에이전트 벤치마크
- reasoning-bank — 성공·실패 경험에서 추론 전략을 학습하는 에이전트 메모리 프레임워크
참고 자료
- Data for Agents — Hugging Face Blog / NVIDIA (2026-07-10)