AI Agents for Beginners - 1. Intro to AI Agents and Agent Use Cases

A breakdown of AI Agent core components (Environment, Sensors, LLM, Tools, Memory), 7 agent types, when to use agents, and a hands-on Python example with Azure AI Foundry.

June 8, 2026

ai ai-agents

AI Agents for Beginners - 1. Intro to AI Agents and Agent Use Cases

이 글은 Microsoft의 AI Agents for Beginners 강좌 Lesson 01을 기반으로 정리한 내용입니다.

출처: microsoft/ai-agents-for-beginners - 01-intro-to-ai-agents

What is an AI Agent?

한 줄로 요약하면 이렇습니다.

AI Agent는 LLM(Large Language Model)이 단순히 텍스트를 생성하는 것을 넘어, Tool과 지식을 사용해 실제 세계에서 Action할 수 있도록 만든 시스템입니다.

LLM 단독으로는 prompt에 대한 응답 텍스트만 생성합니다.
AI Agent는 여기에 Environment, Sensors, Actuators 를 결합해 실제 행동이 가능한 시스템으로 만들어 줍니다.


AI Agent Core Components
Mermaid
flowchart TD
    User(["👤 User"])
    User -->|"Natural language request"| Agent

    subgraph Agent["🤖 AI Agent"]
        direction TB
        LLM["🧠 LLM\nReasoning Engine"]
        Memory["💾 Memory\nShort-term / Long-term"]
        LLM <-->|"Context reference"| Memory
    end

    ENV["🌐 Environment\n(e.g. booking platform)"]
    Tools["🔧 Tools\n(API / DB / Code Runner)"]

    Agent -->|"Sensors: read state"| ENV
    ENV -->|"Current state"| Agent
    Agent -->|"Actuators: take action"| Tools
    Tools -->|"Result"| Agent
    Agent -->|"Response"| User

각 구성 요소의 역할:

Component	설명	여행 예약 에이전트 예시
Environment	에이전트가 동작하는 공간	항공권·호텔 예약 플랫폼
Sensors	환경의 현재 상태를 읽는 방법	항공편 가격, 객실 가용 여부 조회
Actuators	에이전트가 취하는 행동	방 예약, 확인 메일 발송, 예약 취소
LLM	자연어 이해 및 계획 수립	모호한 요청 → 구체적 행동 계획으로 변환
Memory	단기(현재 대화) + 장기(고객 DB) 기억	"창가 자리 선호" 기억
Tools	에이전트에게 주어진 실행 능력	항공편 검색 API, 결제 시스템

Types of AI Agents

모든 에이전트가 동일한 구조로 만들어지지는 않습니다. 복잡도와 능력에 따라 크게 7가지 유형으로 분류됩니다.

Type	동작 방식	여행 에이전트 예시
Simple Reflex	하드코딩된 규칙만 따름. 메모리·계획 없음	불만 이메일 → CS팀 전달
Model-Based Reflex	내부 세계 모델을 유지하며 변화 추적	항공권 가격 이력 모니터링
Goal-Based	목표를 향한 단계적 계획 수립	출발지→목적지 전체 여정 예약
Utility-Based	트레이드오프를 계산해 최선의 해결책 탐색	비용·편의성 균형 최적 여정
Learning	피드백으로 지속 개선	여행 후기 기반 추천 개선
Hierarchical	상위 에이전트가 서브태스크를 하위에 위임	항공·호텔·렌터카 각 서브에이전트
Multi-Agent (MAS)	독립 에이전트가 협력 또는 경쟁	호텔·항공·관광 전담 에이전트 협업

When to Use AI Agents

AI Agent가 강력하다고 해서 항상 사용해야 하는 것은 아닙니다.
아래 세 가지 조건에 해당할 때 에이전트가 진정한 가치를 발휘합니다.


When to Use AI Agents
Mermaid
flowchart LR
    A["Problem Type"] --> B{Can the steps be\npre-defined?}
    B -->|Yes| C["Simple LLM call\nor workflow is enough"]
    B -->|No| D["✅ Open-Ended Problem\nLLM decides the path dynamically"]

    E["Task Scope"] --> F{Can a single tool\ncall handle it?}
    F -->|Yes| G["Simple API call is enough"]
    F -->|No| H["✅ Multi-Step Process\nUse tools across multiple turns"]

    I["Improvement Need"] --> J{Should it get\nsmarter over time?}
    J -->|No| K["Static solution is enough"]
    J -->|Yes| L["✅ Improvement Over Time\nFeedback-driven learning"]

Basics of Agentic Solutions

Agent Development

에이전트를 만들 때 가장 먼저 해야 할 일은 에이전트가 무엇을 할 수 있는지 정의하는 것입니다.
Tools, Actions, Behaviors를 명확히 설계해야 합니다.

이 강좌에서는 Azure AI Agent Service를 메인 플랫폼으로 사용합니다:

OpenAI, Mistral, Meta(Llama) 등 다양한 모델 지원
Tripadvisor 등 licensed data provider 연동
표준화된 OpenAPI 3.0 tool definition

Agentic Patterns

LLM과의 소통은 prompt를 통해 이루어지지만, 에이전트는 수많은 단계에 걸쳐 자율적으로 동작해야 합니다.
매 단계마다 직접 prompt를 작성하는 것은 불가능합니다.
Agentic Patterns은 LLM을 더 확장 가능하고 안정적인 방식으로 orchestration하기 위한 재사용 가능한 전략입니다.

Agentic Frameworks

Agent framework는 개발자가 에이전트를 더 쉽게 만들 수 있도록 template, tool, infrastructure를 제공합니다:

Tool 및 기능 연결 (wiring up tools and capabilities)
에이전트의 동작 관찰 및 디버깅 (observability)
여러 에이전트 간 협업 (multi-agent collaboration)

이 강좌에서는 프로덕션급 에이전트 구축을 위한 Microsoft Agent Framework (MAF)에 집중합니다.

Code Example: First Travel Agent

실제 코드로 AI Agent가 어떻게 동작하는지 살펴보겠습니다.

1. Setup


setup.py
python


imports.py
python

Required environment variables:

AZURE_AI_PROJECT_ENDPOINT — Azure AI Foundry project endpoint
AZURE_AI_MODEL_DEPLOYMENT_NAME — deployed model name (e.g. gpt-4o-mini)

2. Defining a Tool

에이전트에게 제공할 tool을 @tool decorator로 정의합니다.
이 함수는 에이전트가 필요하다고 판단할 때 자동으로 호출됩니다.


tool_definition.py
python

3. Creating & Running the Agent


create_and_run_agent.py
python

4. Streaming Response

실시간 chat interface처럼 token 단위로 응답을 streaming할 수 있습니다.


streaming.py
python

Agent Execution Flow

위 코드가 실제로 어떻게 동작하는지 sequence diagram으로 살펴보겠습니다.

zenuml
    title Travel Agent Tool Calling Flow
    User->TravelAgent: recommend a warm beach destination
    TravelAgent->LLM: analyze request and decide tool call
    LLM->TravelAgent: call get_destinations
    TravelAgent->Tool: get_destinations()
    Tool->TravelAgent: return destinations list
    TravelAgent->LLM: filter by warm beach preference
    LLM->TravelAgent: recommend Bali and Sydney
    TravelAgent->User: final recommendation

Key points:

LLM은 user request를 분석하고 스스로 어떤 tool을 호출할지 결정합니다
get_destinations tool은 단순히 목록을 반환할 뿐, filtering은 LLM이 처리합니다
에이전트는 tool 결과를 LLM에게 다시 전달해 최종 응답을 생성합니다

Summary

이번 Lesson에서 배운 내용을 요약하면:


Lesson 01 Summary
Mermaid
flowchart LR
    Root["AI Agent"]
    Root --> Types["7 Types"]
    Root --> Cases["Use Cases"]
    Root --> Concepts["Core Concepts"]
    Types --> T1["Simple Reflex"]
    Types --> T2["Model-Based"]
    Types --> T3["Goal-Based"]
    Types --> T4["Utility-Based"]
    Types --> T5["Learning"]
    Types --> T6["Hierarchical"]
    Types --> T7["Multi-Agent"]
    Cases --> U1["Open-Ended Problems"]
    Cases --> U2["Multi-Step Processes"]
    Cases --> U3["Improvement Over Time"]
    Concepts --> C1["Agentic Patterns"]
    Concepts --> C2["Agentic Frameworks"]
    Concepts --> C3["Tool Calling"]

AI Agent는 LLM이 텍스트 생성을 넘어 실제 행동을 할 수 있게 만드는 시스템입니다
에이전트의 핵심은 Environment + Sensors + LLM + Actuators + Memory 조합입니다
7가지 type 중 목적에 맞는 에이전트를 선택해야 합니다
모든 상황에 에이전트가 필요한 것은 아닙니다 — 단계 정의가 가능한 문제라면 단순 workflow로 충분합니다

PreviousAI Agents for Beginners - 2. Explore Agentic Frameworks