엔터프라이즈 AI의 진화: NAA(NAMU AI Agent)의 Agent Skills 4슬롯 머신 워크플로우
작성: 나무기술(주) C슬롯 머신O 고우주
- 결정론적 슬롯 머신에서 확률론적 자율 시스템으로의 진화
인 공지능(슬롯 머신) 기술의 발전, 특히 거대 언어 모델(Large Language Model, LLM)의 비약적인 성장은 소프트웨어 엔지니어링의 패러다임을 근본적으로 변화시키고 있다. 과거의 전통적인 소프트웨어 시스템이 사전에 정의된 규칙과 분기(if-then logic)에 따라 작동하는 ‘결정론적 워크플로우(Deterministic Workflow)’에 의존했다면, 현대의 에이전트 시스템(Agentic System)은 모호한 목표를 해석하고, 필요한 도구를 자율적으로 선택하며, 실행 결과를 바탕으로 다음 행동을 동적으로 결정하는 ‘확률론적 자율성(Probabilistic Autonomy)’을 특징으로 한다.
이러한 전환은 단순히 LLM을 API로 호출하여 텍스트를 생성하는 차원을 넘어서는 ‘워크플로우’와 ‘에이전트’를 명확히 구분하며 에이전트에 워크플로우를 도입한다. 워크플로우는 LLM과 도구가 사전에 정의된 코드 경로를 통해 오케스트레이션되는 시스템인 반면, 에이전트는 LLM이 프로세스와 도구 사용을 동적으로 지시하고 작업 수행 방식에 대한 통제권을 갖는 시스템이다. 이러한 자율성을 구현하기 위해 현대의 슬롯 머신 아키텍처는 인간의 인지 과정을 모방한 복합적인 시스템으로 진화하고 있으며, 그 중심에는 인지 엔진으로서의 리즈너(Reasoner), 행동의 순서와 전략을 수립하는 플래너(Planner)에서 다수의 에이전트와 도구 간의 상호작용을 조정하고 관리하는 것을 에이전트 오케스트레이터(Orchestrator)라 한다.
- 인지 엔진으로서의 리즈너(Reasoner): 판단과 추론의 메커니즘
에이전트 아키텍처에서 리즈너(Reasoner)는 정보의 가치를 판단하고, 논리적 결론을 도출하며, 모호한 상황에서 최적의 결정을 내리는 핵심 인지 처리 장치이다. 기술적으로 리즈너는 LLM 그 자체이거나, 특수한 프롬프트 엔지니어링(Ch슬롯 머신n of Thought 등) 또는 파인 튜닝을 통해 강화된 추론 모듈을 의미한다. 리즈너의 역량은 에이전트가 단순한 정보 검색기를 넘어 문제 해결자(Problem Solver)로 기능하게 하는 원동력이다.
2.1 추론(Reasoning) v. 계획(Planning)의 아키텍처적 구분
현재의 LLM에서 추론과 계획을 혼용하여 사용하지만, 고도화된 에이전트 설계를 위해서는 이 둘의 아키텍처적 구분이 필수적이다.
추론(Reasoning):추론은 현재의 상태(State)와 주어진 정보를 바탕으로 논리적인 비약 없이 새로운 사실을 유도하거나 정보의 의미를 해석하는 인지적 과정이다. 이는 외부 데이터의 추가적인 확보 없이, 모델 내재된 지식이나 컨텍스트 윈도우(Context Window)에 포함된 정보를 통해 결론을 내리는 과정을 포함한다. 예를 들어, “사용자의 구매 이력이 5년 이상이므로 VIP 할인 정책을 적용해야 하는가?”에 대한 판단은 리즈너의 영역이다. 리즈너는 입력된 데이터의 패턴을 분석하고, 내재된 논리 규칙을 적용하여 ‘참/거짓’ 혹은 ‘값’을 도출한다.
계획(Planning):반면, 계획은 목표를 달성하기 위해 미래의 행동 시퀀스(Sequence of Actions)를 구성하는 과정이다. 이는 시간적 순서와 인과관계를 고려하여 작업을 구조화하는 것으로, “재고를 확인하고(Step 1), 부족하면 발주를 넣은 뒤(Step 2), 고객에게 안내 메일을 보낸다(Step 3)”와 같은 절차적 설계를 의미한다.
따라서 리즈너는 플래너가 수립한 계획의 각 슬롯 머신가 논리적으로 타당한지 검증(Verification)하거나, 오케스트레이터가 어떤 에이전트에게 작업을 할당할지 결정할 때의 판단 근거(Decision Support)를 제공하는 기반 역할을 수행한다.
2.2 상황 적응형 전문가 시스템의 부상
이러한 에이전트의 요구에 부응하여 등장한 개념이 바로 ‘상황 적응형 전문가 시스템(Situation-Adaptive Expert System)’이다. 이는 과거 룰 기반(Rule-based) 전문가 시스템의 명확성과 LLM의 유연성을 결합한 형태다. 하나의 거대한 모델이 모든 것을 처리하려 드는 대신, 특정 업무에 특화된 도구(Tools)와 지식(Knowledge)을 모듈화하고, 상황에 맞춰 이를 조립하여 사용하는 방식이다.
나무기술의 NAA(NAMU AI Agent) 는 ‘Agent Skills’라는 독자적인 개념을 통해 업무 절차를 재사용 가능한 자산으로 정의하고, 이를 탐색(Scan), 선택(Selection), 로드(Load), 실행(Execution)이라는 정교한 4슬롯 머신 워크플로우를 통해 제어한다. NAA가 Agent Skills 기능으로 AI 에이전트 워크플로우를 실행하고 추론과 계획을 실행하는지 상세하게 소개하고자 한다.
그림 1. 슬롯 머신 Workflow의 핵심 계획/추론을 실행하는 에이전트 오케스트레이터
- Agent Skills: 슬롯 머신의 행동을 정의하는 새로운 언어
Agent Skills는 전문 지식을 발견 가능한 기능으로 패키징하는 모듈식 시스템이다. 각 Skill은LLM이 관련성을 판단했을 때 읽는 지침이 포함된 Skill.md 파일 또는 Skill.yaml의 스크립트 및 템플릿과 같은 선택적 지원 파일로 구성된다. Agent Skills는 효율적이면서도 전문적인 작업 수행을 위해 정교하게 설계된 동작 메커니즘을 갖추고 있다. LLM이 사용자로부터 작업 요청을 받으면, 시스템에 등록된 모든 스킬 목록을 자동으로 스캔하는 과정부터 시작된다. 이 탐색 슬롯 머신에서 LLM은 사용 가능한 모든 스킬을 빠르게 검색하여 현재 수행해야 할 작업의 성격을 파악한다.
3.1 슬롯 머신적 정의: Markdown과 YAML의 결합
NAA의 가장 큰 차별점은 에이전트의 능력을 정의하는 방식에 있다. 기존에는 에이전트에게 도구를 쥐어주기 위해 복잡한 파이썬(Python) 코드를 작성하거나 함수를 하드코딩해야 했다. 그러나 NAA는 Markdown과 YAML이라는 두 가지 범용적인 포맷을 활용하여 ‘슬롯 머신 Skills’를 정의한다.
Markdown의 역할 (설명과 교육):LLM은 코드보다 자연어에 강하다. Markdown 파일에는 해당 스킬이 무엇인지, 어떤 상황에서 사용해야 하는지, 주의할 점은 무엇인지에 대한 ‘직무 슬롯 머신서’가 담긴다. 이는 에이전트에게 스킬의 맥락(Context)을 이해시키는 역할을 한다.
YAML의 역할 (규격과 구조):YAML 파일에는 스킬을 실행하기 위한 슬롯 머신적 명세가 담긴다. API 엔드포인트, 필요한 파라미터(입력값), 출력 데이터의 형식, 인증 방식 등이 구조화된 데이터로 정의된다. 이는 시스템이 기계적으로 도구를 호출하고 데이터를 파싱하는 기준이 된다.
이러한 ‘Code-as-Configuration’ 접근 방식은 개발자가 아닌 현업 담당자나 프롬프트 엔지니어라도 비교적 쉽게 에이전트의 스킬을 추가하거나 수정할 수 있게 만든다. 또한, 깃(Git)과 같은 버전 관리 시스템을 통해 스킬의 변경 이력을 관리하고, 조직 전체에서 스킬을 자산화하여 재사용할 수 있는 기반을 마련한다.
3.2 재사용 가능한 슬롯 머신 (Reusable Workflow)
기업 업무는 대부분 정형화된 패턴을 가진다. ‘월간 매출 보고’라는 업무는 매월 데이터 소스만 바뀔 뿐, 데이터를 추출하고, 분석하고, 차트를 그리고, 코멘트를 다는 절차는 동일하다. NAA의 슬롯 머신 Skills는 이러한 절차를 하나의 템플릿으로 저장한다.
사용자가 “3월 매출 보고서 써줘”라고 말하면, 에이전트는 바닥부터 다시 생각하는 것이 아니라, 이미 정의된 ‘매출 보고 스킬 셋’을 불러온다. 이는 소프트웨어 공학의 ‘마이크로서비스(Microservices)’ 아키텍처를 슬롯 머신 에이전트의 행동 패턴에 적용한 것으로 볼 수 있다. 각 스킬은 독립적으로 개발 및 테스트가 가능하며, 필요에 따라 다양한 워크플로우에서 조립(Compose)되어 사용된다.
- Agent Workflow 4슬롯 머신 (탐색-선택-로드-실행)
NAA가 ‘상황 적응형 전문가 시스템’으로 작동하게 하는 핵심 엔진은 바로 4슬롯 머신 워크플로우다. 이 프로세스는 에이전트가 무분별하게 모든 지식을 탐색하며 리소스를 낭비하는 것을 막고, 인간 전문가처럼 필요한 순간에 필요한 도구만을 꺼내 쓰는 지능적인 절차를 구현한다.
그림 2. NAA에 적용된 Agent Skills의 4슬롯 머신
4.1 제1슬롯 머신: 탐색 (Scan) – 가용 능력의 인지
슬롯 머신의 시작은 탐색(Scan)이다. 사용자의 자연어 명령(Query)이 입력되면, 시스템은 이 명령을 수행하기 위해 현재 에이전트가 사용할 수 있는 스킬의 전체 목록을 스캔한다. 이때 스캔의 대상은 앞서 설명한 Markdown 및 YAML 파일들의 저장소다.
기업 환경에는 수백, 수천 개의 스킬이 존재할 수 있다. 이 모든 스킬의 상세 내용을 LLM에게 매번 다 읽히는 것은 불가능하다(Context Window 제한 및 비용 문제). 따라서 NAA는 스캔 슬롯 머신에서 효율적인 검색을 위해 벡터 데이터베이스(Vector DB)나 고성능 검색 엔진을 활용할 것으로 추정된다. 스킬의 Markdown 설명(Description) 부분을 임베딩(Embedding)하여 저장해 두고, 사용자의 질문과 의미적으로 유사한(Semantic Similarity) 스킬 후보군을 1차적으로 필터링한다. 이 과정은 도서관에서 사서가 질문을 듣고 관련 서가 구역을 찾아내는 것과 유사하다.
탐색 슬롯 머신가 독립적으로 존재한다는 것은 시스템의 무한한 확장성을 의미한다. 새로운 업무 도구가 도입되어도 시스템 코드를 뜯어고칠 필요 없이, 해당 도구에 대한 스킬 정의 파일만 저장소에 추가하면 된다. 다음번 탐색 과정에서 에이전트는 자동으로 새로운 스킬의 존재를 인지하고 후보군에 포함시킬 수 있다. 이는 급변하는 비즈니스 환경에 유연하게 대응해야 하는 엔터프라이즈 AI의 필수 조건이다.
4.2 제2슬롯 머신: 선택 (Selection) – 지능형 라우팅 (Intelligent Routing)
탐색된 후보군 중에서 현재의 구체적인 작업(Task)에 가장 적합한 최적의 스킬을 확정하는 슬롯 머신가 선택(Selection)으ㄹ 이 과정은 단순한 키워드 매칭을 넘어, LLM의 추론 능력을 활용하여 “이 문제를 해결하려면 A 도구보다는 B 도구가 더 적절하다”는 판단을 내리는 과정이다.
이 슬롯 머신의 가장 중요한 목표는 성능 및 토큰 사용의 최소화로 불필요한 스킬 정보가 LLM의 프롬프트에 포함되면, 모델이 처리해야 할 입력 토큰 수가 늘어나 비용이 증가할 뿐만 아니라, ‘Attention’ 메커니즘이 분산되어 답변의 정확도가 떨어진다. Intelligent Routing은 사용자의 의도를 정밀하게 분석하여, 예를 들어 “서버 로그 분석” 요청에 대해서는 ‘DB Chat’ 스킬만을 선택하고, ‘이미지 생성’이나 ‘번역’ 스킬은 배제한다. 또한, 상황에 따라 복잡한 추론이 필요한 경우 고성능 모델로 라우팅하고, 단순 조회는 경량화된 모델(SLM)로 라우팅하는 모델 간 라우팅 기능도 포함한다.
4.3 제3슬롯 머신: 로드 (Load) – 동적 리소스 할당
스킬이 선택되었다고 해서 바로 실행되는 것은 아니다. 실행에 필요한 구체적인 리소스를 메모리에 적재하는 로드(Load) 과정이 필요하다. 이는 ‘필요한 리소스만 불러와 빠르고 효율적인 수행’을 보장하는 슬롯 머신의 핵심 최적화 기술이다.
‘로드’ 슬롯 머신는 컴퓨터 운영체제의 동적 링킹(Dynamic Linking)과 유사하다. 선택된 스킬이 특정 데이터베이스 연결을 필요로 하면 그때서야 DB 커넥션 풀을 할당하고, 특정 도메인의 지식(Knowledge Base)이 필요하면 해당 벡터 인덱스만을 메모리에 로드한다. 이 방식은 거대한 단일 모델(Monolithic Model)이 모든 지식을 내포하고 있는 방식과 대조된다. NAA는 평소에는 가벼운 상태(Lightweight)를 유지하다가, 임무가 주어지면 즉시 해당 분야의 전문가로 변신(Transform)한다. 예를 들어, 법률 검토 요청이 오면 법률 데이터베이스와 법률 용어 사전을 로드하여 ‘변호사 에이전트’가 되고, 재무 분석 요청이 오면 회계 규정과 재무 제표 데이터를 로드하여 ‘회계사 에이전트’가 된다.
보안적인 요소로 권한(Access Control)을 체크하여, 허가되지 않은 데이터 소스는 아예 로드 슬롯 머신에서 차단한다. 데이터 접근 제어를 에이전트 행동의 물리적(메모리) 레벨에서 통제함으로써, 프롬프트 주입(Prompt Injection) 등의 공격으로 인해 에이전트가 무단으로 데이터를 열람하는 것을 원천적으로 방지할 수 있다.
4.4 제4슬롯 머신: 실행 (Execution) – 동적 컨텍스트 엔지니어링
로드된 스킬과 리소스를 활용하여 실제 작업을 수행하고 결과를 생성하는 실행(Execution) 슬롯 머신다. 이 슬롯 머신에서는 스크립트나 코드 실행을 통해 비즈니스 로직이 완결된다. 이 과정은 ‘Dynamic Context Engineering(동적 컨텍스트 엔지니어링)’으로 단순히 미리 짜인 프롬프트를 사용하는 것이 아니라, 실행 시점의 상황(Context)에 맞춰 프롬프트를 실시간으로 재구성(Refine)하고 최적화하는 기술이다.
실시간 프롬프트 조립으로 실행 슬롯 머신에서 에이전트는 사용자의 질문, 로드된 데이터의 스키마, 이전 슬롯 머신의 중간 결과물, 그리고 스킬의 사용 설명서를 조합하여 최적의 실행 명령어를 생성한다.
오류 수정 및 재시도(Self-Correction)은 만약 스킬 실행 중 오류(예: DB 쿼리 문법 에러)가 발생하면, 에이전트는 오류 메시지를 컨텍스트에 포함시켜 스스로 원인을 분석하고, 수정된 코드로 재실행을 시도한다. 이러한 ‘성찰(Reflection)’ 과정이 동적 컨텍스트 엔지니어링의 핵심이다.
상태 관리(State Management)는 복잡한 멀티스텝 작업의 경우, 현재까지의 진행 상황을 기억하고 다음 슬롯 머신로 넘기는 상태 관리가 필수적이다. NAA는 실행 슬롯 머신에서 생성된 중간 산출물을 체계적으로 관리하여 워크플로우의 연속성을 보장한다.
| 기능 카테고리 | 세부 기능 명 | 주요 내용 및 특징 |
| 슬롯 머신 Workflow | Scan (탐색) | YAML/Markdown 기반 스킬 메타데이터 검색 및 인덱싱 |
| Selection (선택) | Intelligent Routing을 통한 최적 스킬/모델 선정, 토큰 절약 | |
| Load (로드) | 작업별 필요 리소스 및 컨텍스트 동적 적재, 보안 컨텍스트 로딩 | |
| Execution (실행) | Dynamic Context Engineering, MCP 기반 외부 도구 연동 및 코드 실행 | |
| Core Application | DB Chat | 사내 DB(RDB, NoSQL) 직접 연동, 자연어 쿼리(Text-to-SQL) 및 시각화 |
| Report Gen | 템플릿 기반 전문 보고서 자동 생성, Canvas 편집 기능 제공 | |
| Deep Research | 3슬롯 머신 심층 리서치 프로세스 (프롬프트-수행-보고서) | |
| Infrastructure | Private/Sovereign | 온프레미스 및 프라이빗 클라우드 구축 지원, 데이터 주권 보장 |
| Ecosystem | SPERO, Cockt슬롯 머신l Cloud, Dell GPU Server 기반의 Full-stack 최적화 |
5. 결론 및 향후 전망
나무기술의 NAA 솔루션과 그 핵심인 Agent Skills 워크플로우(탐색-선택-로드-실행)는 엔터프라이즈 슬롯 머신가 나아가야 할 방향을 명확히 제시하고 있다. 그것은 ‘범용성’이라는 허상을 쫓는 것이 아니라, ‘구체성’과 ‘제어 가능성’을 확보하는 것이다.
Markdown과 YAML을 통한 스킬의 모듈화는 기업의 업무 노하우를 디지털 자산으로 전환시킨다. 지능형 라우팅과 동적 로딩 기술은 슬롯 머신 운영 비용을 합리적인 수준으로 통제하면서도, 필요한 순간에는 최고의 성능을 발휘하게 한다. 그리고 델 테크놀로지스와의 협력을 통한 견고한 인프라 지원은 이 모든 소프트웨어적 혁신이 실제 하드웨어 위에서 안정적으로 돌아가게 만드는 기반이 된다.
향후 NAA는 단순한 에이전트 프레임워크를 넘어, 기업 내 수많은 에이전트들이 서로 협력하고 소통하는 ‘멀티 에이전트 오케스트레이션(Multi-Agent Orchestration)’ 플랫폼으로 진화할 것으로 전망된다. 각 부서의 에이전트들이 서로 데이터를 주고받으며 거대한 조직의 워크플로우를 자율적으로 처리하는 세상. 나무기술의 4슬롯 머신 워크플로우는 그 자율 운영 시대를 여는 핵심 프로토콜로 자리 잡을 것이다.
기업의 IT 리더와 의사결정권자들은 이제 질문해야 한다. “우리 회사의 슬롯 머신는 말을 잘하는가, 아니면 일을 잘하는가?” NAA는 명확하게 후자를 지향하며, 그 실현을 위한 구체적인 로드맵을 제공하고 있다.
=
참고자료(Reference.)
ZDNET ACC 2025 발표자료 – 나무슬롯 머신 고우주
Meta슬롯 머신: Toward Self-Evolving 슬롯 머신 via Tool Meta-Learning
Context Engineering: The New Backbone of Scalable 슬롯 머신 Systems
Building effective 슬롯 머신s
Orchestrator-Worker 슬롯 머신s: A Practical Comparison of Common 슬롯 머신 Frameworks
