TL;DR — 지금까지의 모든 패턴은 "주어진 문제를 잘 푸는" 것이었습니다. 탐색·발견은 다릅니다 — AI가 풀어야 할 문제(가설) 자체를 스스로 찾아냅니다. 본질은 Unknown Unknowns(모른다는 것조차 모르는 영역)의 체계적 발굴이고, 핵심 원리는 Generate → Debate → Evolve 사이클입니다. 여러 가설을 생성하고(Generate), Elo 토너먼트와 3중 판단으로 비판·경쟁시키고(Debate), 교차·돌연변이로 진화시킵니다(Evolve). Google Co-Scientist의 6개 전문 에이전트와 Multi-Armed Bandit의 탐색-활용 균형으로, '질문에 답하는 AI'를 넘어 '질문을 찾아내는 AI'로 나아갑니다. 21개 패턴 여정의 종착점입니다.
1. 왜 탐색·발견인가 — 질문에 답하는 AI를 넘어
시리즈를 관통한 스무 개의 패턴은 모두 한 가지를 잘하기 위한 것이었습니다 — 주어진 문제를 잘 푸는 것. 쪼개고, 라우팅하고, 계획하고, 협업하고, 측정하고, 줄 세웠죠. 그런데 진짜 가치 있는 발견은 종종 다른 곳에서 옵니다. "우리가 묻지 않은 질문, 보지 못한 패턴은 무엇인가?" 마지막 편의 주제는 바로 이것입니다 — AI가 풀어야 할 문제 자체를 스스로 찾아내는 능력.
교재는 이를 지식의 4분면으로 설명합니다. 우리가 아는 것과 모르는 것을 두 축으로 나누면, 가장 위험하고도 값진 영역이 드러납니다 — Unknown Unknowns, 모른다는 사실조차 모르는 영역. 탐색·발견 패턴은 바로 이 사각지대를 겨냥합니다.
🔬 과학 연구팀의 집단 지성 비유 — 교재의 핵심 비유입니다. 탐색·발견은 대학 연구실의 협업 구조와 정확히 닮았습니다. 교수(연구 방향·최종 결정), 박사후연구원(실험·결과 해석), 대학원생(가설 생성), 외부 리뷰어(비판적 검토), 연구 보조원(문헌 수집). 핵심은 — 혼자서는 발견하기 어려운 것을, 다양한 관점의 전문가들이 협력해 발견한다. AI도 단일 LLM이 아니라 역할이 분화된 다중 에이전트가 협력할 때 진짜 발견이 가능합니다.
실제 성과도 나오고 있습니다. 교재에 따르면 천문학 특화 시스템 AstroAgents는 생성 가설의 36%가 타당했고, 그 타당한 가설 중 66%가 새로운 발견이었으며, 과학 연구 자동화는 일부 영역에서 6개월 → 2개월(66% 단축), 탐색 가설 다양성 10배의 예상(projected) 성과 잠재력을 보입니다. 7편(멀티 에이전트)과 4편(리플렉션)이 만나, '발견하는 AI'로 진화하는 지점입니다.
2. 개념과 오해 — 발견은 생성·논쟁·진화의 협업
📌 한 줄 정의 — 탐색·발견은 AI 에이전트가 문제 영역에서 새로운 지식·패턴·가설을 자율적으로 탐색·발견하는 패턴으로, 핵심 원리는 Generate(생성) → Debate(논쟁) → Evolve(진화) 사이클입니다.
교재는 이를 4가지 핵심 구성요소로 정리합니다 — ① 가설 생성(다양한 관점의 다중 가설), ② 비판적 평가(Tripartite 3중 판단), ③ 진화적 개선(피드백 + 교차 조합), ④ 토너먼트 순위(Elo 기반 비교). 이 넷이 맞물려 돌며 가설의 품질을 끌어올립니다.
시작 전에 세 가지 오해를 짚습니다.
3. Generate-Debate-Evolve — 발견의 심장 사이클
탐색·발견의 엔진은 Generate-Debate-Evolve 사이클입니다. 진화 알고리즘과 토론을 결합한 구조죠 — 다양하게 만들고, 치열하게 겨루게 하고, 살아남은 것을 더 낫게 진화시킵니다. 수렴할 때까지 이 사이클을 반복합니다.
이 사이클의 미덕은 단일 천재가 아니라 집단의 경쟁으로 답을 찾는다는 점입니다. 한 가설이 완벽할 필요가 없습니다 — 여럿이 겨루고, 비판받고, 교배되며 점점 나아지면 됩니다. 다음 절부터 이 사이클을 구현하는 두 가지 아키텍처(Co-Scientist, Agent Laboratory)와 핵심 메커니즘(Elo, Tripartite, Bandit)을 하나씩 펼칩니다.
4. Google Co-Scientist — 6개의 전문 에이전트 LangGraph
2025년 Google이 공개한 AI Co-Scientist는 Gemini 2.0 기반으로, 과학 연구를 자동화하는 다중 에이전트 시스템입니다. 이 저장소(01_exploration_discovery_agent.py)는 그 핵심인 6개 전문 에이전트를 LangGraph StateGraph로 오케스트레이션합니다 — 7편(멀티 에이전트)의 Supervisor 구조가 발견 도메인에서 정점에 이른 형태죠.
흐름은 generate → critique → rank → evolve → proximity를 거친 뒤, _should_continue 조건부 분기로 수렴까지 반복합니다. 가설 생성에는 창의성을 위해 temperature=0.8로 높이고, 평가에는 일관성을 위해 0.3으로 낮춥니다 — 창의는 뜨겁게, 심사는 차갑게. 각 단계가 전문화되어 있어, 한 에이전트가 모든 걸 하는 것보다 발견의 폭과 깊이가 모두 커집니다.
5. Elo Rating 토너먼트 — 가설끼리 체스를 둔다 LangGraph
가설들의 우열을 어떻게 매길까요? 절대 점수는 흔들립니다. 그래서 Co-Scientist는 체스의 Elo Rating을 빌려옵니다 — 가설을 서로 1:1로 붙이고, 승패에 따라 레이팅을 갱신하는 토너먼트죠. 모든 가설은 초기 1500점에서 시작하고, K-factor는 32(민감도)입니다.
예를 들어 1600점 가설 A와 1400점 가설 B가 붙으면, A의 예상 승률은 약 0.76(76%)입니다. A가 이기면 "예상대로"라 점수가 조금만 오르지만, B가 이기면 "이변"이라 B의 점수가 크게 뜁니다. 이 비대칭이 숨은 강자(과소평가된 가설)를 빠르게 끌어올리는 힘이죠. 무작위로 2개를 골라 LLM이 비교·판정하고, 매치 수는 min(가설수×2, 20)으로 제한해 비용을 통제합니다. 11편(목표 설정)·19편(평가)의 LLM-as-Judge가 여기서 '심판'으로 재등장합니다.
6. Tripartite Judgment — 세 명의 리뷰어가 동시에 본다 Agent Laboratory
단일 평가자는 편향됩니다. 그래서 Tripartite Judgment(3중 판단)는 가상의 리뷰어 3명이 기술적·학술적·실용적 관점에서 동시에 평가합니다 — 논리성·혁신성·실현성·정합성 4개 기준을 각 1~10점으로요. 핵심은 점수의 평균만이 아니라 합의 수준을 봅니다.
리뷰어들의 점수가 비슷하면(편차 작음) 강한 합의 — 믿을 만한 판정입니다. 점수가 갈리면(편차 큼) 의견 분분 — 더 검토가 필요하다는 신호죠. 최종 판정은 평균 점수로 ≥7 accept / ≥5 revise / 그 외 reject로 가릅니다. 4편(리플렉션)의 단일 Critic이, 여기서 다관점 합의로 진화한 셈입니다 — 거짓 발견(False Discovery)을 거르는 1차 방어선이기도 합니다.
7. Agent Laboratory — 연구실을 통째로 흉내 낸다 Multi-Agent
Co-Scientist가 가설 경쟁에 집중한다면, Agent Laboratory(02_agent_laboratory_research.py)는 학술팀의 계층 구조를 통째로 모방합니다 — 1절의 연구팀 비유가 코드가 되는 거죠. 6개 역할이 shared_notes 공유 메모리(8편)로 협업합니다.
이들은 10단계 연구 사이클을 순차로 밟습니다 — 문헌 조사 → 연구 계획 → ML 설계 → SW 품질 → 실험 → 해석 → 보고 → Tripartite 리뷰 → 최종 보고 → 지식 공유. 사람의 연구 과정을 그대로 자동화한 파이프라인이죠. 1편(체이닝)의 순차 실행이 '논문 한 편을 쓰는 과정' 전체로 확장된 형태입니다. 이 구조는 단순 가설 생성을 넘어 실험과 검증까지 자동화하려는 야심을 담고 있습니다.
8. Google ADK 탐색 — 적응적으로 넓게, 그리고 깊게 Google ADK
Google ADK 구현(03_google_adk_exploration.py)은 LlmAgent의 output_key로 세션 상태를 자동 저장하고, instruction 안의 {변수}로 이전 에이전트 결과를 참조합니다(8편 메모리). 생성·평가 파이프라인(SequentialAgent)을 LoopAgent로 감싸 반복하죠.
여기에 적응적 탐색 전략(Adaptive Exploration)이 더해집니다 — 초기에는 탐색률을 높여(rate 0.8) 넓게 훑고, 후기에는 decay_factor 0.9로 줄여가며 유망한 영역을 깊게 팝니다. 탐색률에 따라 프롬프트 자체가 바뀌죠 — >0.6 넓은 탐색, 0.3~0.6 균형, <0.3 깊은 활용. "처음엔 멀리 보고, 갈수록 집중한다" — 이 적응이 다음 절 Bandit의 핵심 주제입니다.
9. Multi-Armed Bandit — 탐색과 활용의 수학 순수 Python
오해 ③(탐색 vs 활용)을 수학적으로 푸는 고전 문제가 Multi-Armed Bandit입니다 — 여러 슬롯머신(arm) 중 보상이 가장 큰 것을 찾되, 탐색(새 arm 시도)과 활용(아는 최선 사용)을 어떻게 섞을지. 구현(04_exploration_exploitation_bandit.py)은 네 알고리즘을 비교합니다.
| 알고리즘 | 핵심 아이디어 | 장단점 |
|---|---|---|
| ε-Greedy | 확률 ε 무작위 / (1−ε) 최선 | 단순·직관 / 고정 탐색률·불확실성 미고려 |
| UCB | μ + c·√(ln N / n) 불확실성 우대 | 자동 균형·이론 보장 / c 튜닝 필요 |
| Thompson Sampling | Beta(α,β) 사후분포 샘플링 | 최적 근접·불확실성 자연 반영 / 계산 복잡 |
| Contextual Bandit | 맥락 기반 선택 | 개인화·맥락 인식 / 데이터 多 필요 |
UCB의 아이디어가 우아합니다 — 평균 보상이 높은 arm을 선호하되, 덜 시도된 arm에 '불확실성 보너스'를 줍니다. "잘 모르는 것일수록 한 번 더 시도할 가치가 있다"는 거죠.
Thompson Sampling은 베이지안 접근으로, 각 arm의 보상 분포를 Beta(α,β)로 추정하고 거기서 샘플링해 고릅니다(사전분포 Beta(1,1)=균등). 9편(학습)의 Thompson Sampling과 직접 중첩되는 지점이죠. 이 Bandit들은 AI 에이전트가 전략·가설·도구를 선택할 때 그대로 쓰입니다 — 발견은 결국 "무엇을 더 시도할지"의 연속이니까요.
10. 다양성·수렴·품질 — 조기 수렴을 막는 안전장치
오해 ①(조기 수렴)을 막는 것이 발견 시스템의 성패를 가릅니다. 점수만 보고 빨리 수렴하면, 진짜 혁신적인 가설이 초반에 잘려 나가죠. 교재는 세 가지 축으로 이를 다룹니다.
균형이 핵심입니다. 다양성을 너무 강조하면 영원히 수렴하지 못하고, 수렴을 서두르면 조기 수렴에 빠집니다. 그래서 diversity_score < 0.3이면 멈추고, Proximity Agent가 유사도 0.7 초과 중복을 제거하며, 그러면서도 각 군집(니치)을 최소 하나는 살려둡니다. 그리고 발견의 자율성이 커질수록 거짓 발견(False Discovery)과 LLM 환각의 위험도 커지므로 — 18편(가드레일)·19편(평가)의 검증 사고가 여기서 안전판이 됩니다. 발견하는 AI일수록, 발견을 의심하는 장치가 더 중요합니다.
11. 엔터프라이즈 적용 — CRM·ERP·Groupware와 ROI
탐색·발견은 숨은 패턴이 곧 돈이 되는 현장에서 빛납니다. 적용 전략 문서는 세 시스템에서 "사람이 미처 못 본 것"을 발굴하는 시나리오를 제시합니다.
| 시스템 | 발견 대상 | 대표 기대효과 |
|---|---|---|
| CRM | 이탈 징후·숨은 구매 패턴·미발견 세그먼트 | 이탈률 −25%·매출 +15%·타겟팅 +30% |
| ERP | 공급망 리스크·중복 승인·에너지 이상 | 공급 중단 −40%·운영비 −8~15%·불량률 −30% |
| Groupware | 숨은 전문가 네트워크·정보 사일로·지식 자산 | 교육 +40%·협업 지연 −25%·지식 재사용 +50% |
ROI는 보수적(목표의 50% 달성) 시나리오 기준입니다 — 3년 총 투자 21억(초기 7.5억 + 연 4.5억×3), 3년 수익 85억(20+30+35), 순이익 64억.
풀 시나리오(목표 100% 달성)의 3년 누적 가치는 207억원(연 69억 × 3년)으로 제시되지만, 위 305% ROI는 더 보수적인 50% 달성 케이스 기준입니다. 한편 발견의 자율성은 개인정보 리스크를 동반하므로, Groupware 적용 시 "집단 패턴만 분석, 개인 식별 금지" 원칙과 K-익명성(k≥10)·DPO 승인이 전제됩니다 — 18편 가드레일이 마지막 편에서도 어김없이 등장합니다.
12. 케이스 스터디 — 가설이 토너먼트를 거쳐 발견이 되기까지
CRM 고객 이탈 분석을 Generate-Debate-Evolve로 풀어봅니다. "왜 고객이 이탈하는가?"라는 연구 목표가 어떻게 검증된 발견으로 수렴하는지 추적합니다.
이 시나리오가 이번 편의 축소판입니다. 다양하게 생성(Generation)하고, Elo·Tripartite로 겨루게 하고, 교배로 진화시키며, 다양성을 지키고 거짓 발견을 검증으로 거릅니다. 좋은 발견 시스템은 곧 "누구도 처음엔 몰랐던 답을, 집단의 경쟁과 진화로 떠오르게 하는" 설계입니다.
13. 베스트 프랙티스 — 발견을 믿을 수 있게, 그리고 시리즈를 마치며
탐색·발견의 핵심 트레이드오프는 자유와 신뢰입니다. 너무 자유로우면 환각과 거짓 발견이, 너무 통제하면 조기 수렴이 옵니다. 그 균형을 잡는 것이 설계의 전부입니다.
순서대로 쪼개고(체이닝), 갈래를 나누고(라우팅), 병렬로 돌리고(병렬화), 스스로 비평하고(리플렉션), 도구를 쥐고(도구 사용), 계획하고(플래닝), 팀을 이루고(멀티 에이전트), 기억하고(메모리), 배우고(학습), 표준으로 연결되고(MCP), 스스로 채점하고(목표 설정), 넘어져도 일어서고(예외 처리), 사람을 부르고(휴먼 인 더 루프), 근거로 말하고(RAG), 협업하고(A2A), 비용을 설계하고(자원 인식), 깊이 생각하고(추론 기법), 안전하게 말하고(가드레일), 스스로를 측정하고(평가·모니터링), 무엇을 먼저 할지 줄 세우던(우선순위 설정) 에이전트 — 마지막으로, 풀어야 할 질문 자체를 스스로 찾아내는 법(탐색·발견)까지 왔습니다. 가설을 생성하고, 토너먼트로 겨루게 하고, 교배로 진화시키는 발견의 사이클이죠.
21개의 패턴은 따로 노는 기법이 아니라, 하나의 에이전트가 갖춰야 할 역량의 지도였습니다 — 생각하고(추론), 행동하고(도구), 협업하고(멀티 에이전트), 안전하고(가드레일), 측정되고(평가), 판단하고(우선순위), 끝내 발견하는(탐색) 능력. '질문에 답하는 AI'에서 출발해 '질문을 찾아내는 AI'에 닿는 이 여정이, 여러분이 만들 에이전트의 설계도가 되기를 바랍니다. 긴 시리즈를 함께해 주셔서 감사합니다. 🎉
- Google Research (2025). Towards an AI co-scientist
- Schmidgall et al. (2025). Agent Laboratory: Using LLM Agents as Research Assistants
- LangGraph 공식 문서 — StateGraph·조건부 엣지·MemorySaver
- Google ADK 공식 문서 — Workflow Agents(Sequential·Loop·Parallel)
- Antonio Gulli, Agentic Design Patterns — Ch.21 Exploration and Discovery
'Agentic AI Design Patterns' 카테고리의 다른 글
| CH18-똑똑한 AI일수록 위험하다 — 에이전트에 '안전벨트'를 채우는 가드레일 설계 (0) | 2026.06.17 |
|---|---|
| CH20-밀려드는 작업을 AI가 스스로 줄 세우는 법 — 동적 재우선순위화와 SLA 에스컬레이션 실전 설계 (0) | 2026.06.14 |
| CH19-AI 에이전트 평가 3수준과 LLM-as-a-Judge — 정확도부터 Trajectory·드리프트 탐지까지 Python·LangGraph·ADK로 (1) | 2026.06.14 |
| CH17-AI가 답하기 전에 '생각'하게 만드는 법 — 추론 기법 CoT·ToT·ReAct 완전 해부 (0) | 2026.06.13 |
| CH16-가장 비싼 모델이 항상 정답은 아니다 — AI 에이전트 비용을 설계하는 자원 인식 최적화 (0) | 2026.06.12 |