뇌보다 반사신경? AI 에이전트 세계의 맞짱: Reactive vs Deliberative 완전 비교!

🔰입문 → ⚙️중급 → 🧠심화

 

안녕하세요 여러분 🙌
이 블로그는 제가 혼자 떠드는 곳이 아니라,
여러분과 함께 만들어가는 AI 실전 탐구 생활입니다.
“이 주제도 다뤄주세요!”, “이 개념 너무 헷갈려요 😭” 등 무엇이든 댓글로 남겨주세요.
오늘은 AI 에이전트의 두 가지 핵심 사상!
“즉흥파(Reactives)”와 “계획파(Deliberatives)”를 파헤쳐 보겠습니다.
GPT도 울고 갈 시뮬레이션의 세계, 같이 가보실까요? 🚀

---

🔰 Reactive vs Deliberative란?

AI Agent는 환경과 상호작용하면서 행동을 결정하는 프로그램입니다.
그런데 그 결정 방식이 스타일에 따라 극명히 갈리는데요...

• Reactive Agent: “지금 상황이 이러니까 바로 이렇게 할게!” (감각 → 반응)
• Deliberative Agent: “흠... 이 상황이니까 앞으로 이렇게 이렇게 계획을 세워볼까?” (감각 → 사고 → 행동)

마치 야구에서 공을 보고 바로 치는 타자(reactive)와,
수 싸움을 벌이며 다음 10수를 계산하는 바둑기사(deliberative) 같은 차이죠! ⚾🧠

---

⚙️ Reactive Agent: 조건반사 장인

개념 정의

Reactive Agent는 내부 상태 없이,
현재 관찰한 상태(state)에만 의존해서 행동을 결정합니다.

if environment == "위험":
    action = "도망"
elif environment == "먹이 발견":
    action = "접근"

✔️ 대표 구조: 조건-행동 규칙 (condition-action rule)

특징

항목 설명

상태 저장	없음
예측 능력	없음
속도	매우 빠름
복잡성	낮음
적응력	환경 변화에 약함

장점

• 구현이 간단하고 빠름
• 실시간 반응성이 뛰어남
• 고장날 것도 거의 없음 😎

단점

• 계획을 세우지 않음
• 복잡한 문제에는 약함
• 장기 목표 없음 = 누가 시키면 시키는 대로만 함...

---

응용 사례

• 로봇 청소기의 벽 감지 → 방향 회피
• 게임 NPC의 간단한 공격 반응
• 자동 문의 열림 조건 감지

👶 말 그대로 ‘AI계의 초딩’ 같지만, 단순 작업에는 매우 쓸모 있습니다!

---

⚙️ Deliberative Agent: 계산하고 또 계산한다...

개념 정의

Deliberative Agent는 현재 상태뿐만 아니라 미래 상태까지 고려해서
행동 계획(plan)을 수립하고 실행합니다.

✔️ 주요 구성

• Knowledge base (지식)
• Planner (계획기)
• Executor (실행기)

작동 예시

plan = plan_route(current_position, target_position)
while not goal_reached:
    action = plan.pop(0)
    execute(action)

🧠 현재 상태 + 목표 상태 → 계획 수립 → 실행

---

특징

항목 설명

상태 저장	있음
예측 능력	있음
속도	느릴 수 있음
복잡성	높음
적응력	전략에 따라 다름

장점

• 목표 지향적
• 전략 수립 가능
• 복잡한 문제 해결 가능 (퍼즐, 경로 탐색 등)

단점

• 계산 비용이 큼
• 실시간 반응이 느릴 수 있음
• 계획이 틀리면 전체가 틀어짐… 인생이 그렇죠 뭐 😢

---

응용 사례

• 자율주행 자동차의 경로 계획
• 로보틱 암의 조립 동작 설계
• 탐색 기반 로봇 (예: Mars Rover)

---

⚙️ 실전 코드 예시: Reactive vs Deliberative (Py)

Reactive 예제 (벽 만나면 방향 전환)

def reactive_agent(sensor_input):
    if sensor_input == "벽":
        return "회전"
    else:
        return "전진"

# 입력: 센서 값
print(reactive_agent("벽"))  # 회전
print(reactive_agent("빈 공간"))  # 전진

---

Deliberative 예제 (목표까지 계획 수립)

def plan_path(start, goal):
    return ["전진", "우회전", "전진", "도착"]  # 간단한 예시

def deliberative_agent(position, goal):
    plan = plan_path(position, goal)
    for action in plan:
        print(f\"실행: {action}\")

deliberative_agent(\"A\", \"B\")

---

🧠 고급 비교: 하이브리드 구조는 없을까?

구조 설명

Reactive	빠르지만 바보같음
Deliberative	똑똑하지만 느림
Hybrid Agent	빠르고 똑똑해지려는 시도

🧪 예:

• 반사적인 장애물 회피 + 경로 계획
• 감정 분석 + 행동 반응 조합 (예: 감정 반응 챗봇)

---

🧠 프로젝트/논문 속 사례

• Subsumption Architecture (Rodney Brooks, MIT)
  → 반응형 로봇 설계 구조의 대표! (Roomba 등)
• Shakey the Robot (SRI, 1960s)
  → 최초의 deliberative agent 기반 로봇
• Hybrid Agent in RoboCup Soccer
  → 경기장에서는 반응 + 전술은 계획! 🤖⚽

---

⚙️ 사용 시 고려사항

고려 요소 추천 구조

단순 센서/효율 우선	Reactive
복잡한 환경/목표 있음	Deliberative
실시간 + 목표 지향	Hybrid Agent

---

🧠 실무 요약 TIP

• 일단 빠르게 만들려면 → Reactive
• 미래까지 고려한 정책/계획이 필요하면 → Deliberative
• 두 마리 토끼 잡고 싶으면 → Hybrid (모듈화 설계)

---

📘 학습 자료 추천

• Reactive Agents in AI: https://cs.furman.edu/~chealy/courses/ai/reactive.pdf
• Planning-based Agents: https://artint.info/html/ArtInt_21.html
• Hybrid Agent Architectures: https://mitpress.mit.edu/books/artificial-intelligence-modern-approach
• MIT OpenCourseWare Robotics Lectures: https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-141-robotic-science-and-systems/

---

🤖 마무리하며

AI 에이전트의 세계는 마치 성격 유형 테스트처럼 흥미롭습니다.
당장 반응하는 에이전트도, 한참 고민하다 움직이는 에이전트도
각자 쓰임새가 분명하죠.

여러분의 AI가 감각적인 반응형일지, 신중한 계획형일지
이제는 목적에 맞춰 똑똑하게 설계해보세요.

그리고 다음 시간엔 LLM 에이전트가 이 두 가지를 어떻게 통합하고 있는지도
함께 알아보면 재밌겠죠?

우리 함께 AI와 더 잘 지내는 방법을 고민해보며,
서로 이웃이 되어 더 깊은 기술 여행 떠나봐요 😊

---

#ReactiveAgent #DeliberativeAgent #AI에이전트 #로봇AI #에이전트아키텍처 #하이브리드에이전트 #조건행동모델 #계획기반에이전트 #자율주행AI #로봇지능 #agentarchitecture #인공지능기초 #AI구조비교 #에이전트프로그래밍 #RoboCup #계획수립AI #AI설계전략 #실시간AI #전략적AI #감각기반AI #행동계획 #AI비교분석 #reactivevsdeliberative #AI시뮬레이션 #지능형시스템 #AI자동화 #MITAI #로봇프로그래밍 #AI적용사례 #에이전트코드