귀하의 LLM 에이전트는 구식입니다

AI 에이전트는 치명적인 병목 현상인 도구 호출로 어려움을 겪습니다. 대규모 언어 모델은 자연어 이해 및 생성에 탁월하지만, 대화형 시스템으로서의 본질적인 설계는 외부 기능을 실행할 때 놀랍도록 비효율적입니다. 이러한 근본적인 불일치는 채팅 기반 패러다임을 프로그래밍 방식 실행에 강요하여 에이전트의 잠재력을 심각하게 제한하는 숨겨진 비용의 연쇄를 만듭니다.

표준 도구 호출은 일련의 번거로운 왕복 과정을 통해 작동합니다. LLM은 도구를 제안할 수 있으며, 애플리케이션이 이를 실행한 다음 결과를 새로운 대화 턴으로 모델에 다시 전달해야 합니다. 인간이 반복적으로 업데이트나 지시를 요청하는 것과 유사한 이러한 반복적이고 턴 기반의 상호 작용은 간단하고 프로그래밍 방식의 계산이어야 할 것에 상당한 오버헤드를 발생시킵니다. 이 접근 방식은 실제 자동화에 필요한 속도 및 정확성과 근본적으로 일치하지 않습니다.

이러한 비효율성은 AI 에이전트의 성능과 실행 가능성에 막대한 부담을 주며, 세 가지 중요한 영역에서 나타납니다: - 지연 시간: 신발의 평균 비용을 계산하는 것과 같은 간단한 쿼리를 실행하는 데에도 여러 번의 왕복 상호 작용이 필요합니다. 기존 방법은 클라이언트와 서버 간에 네 번의 왕복이 필요했으며, 한 벤치마크에서는 27초의 응답 시간으로 절정에 달했습니다. 이러한 대화형 오버헤드는 실시간 애플리케이션과 사용자 경험을 심각하게 방해하여 에이전트가 느리고 반응이 없는 것처럼 느끼게 합니다. - 컨텍스트 비대화: 각 후속 요청에는 전체 메시지 기록과 도구 출력이 포함되어 모델의 컨텍스트 창을 빠르게 확장합니다. 신발 비용 예시에서는 기본적인 질문에 답하기 위해 컨텍스트 사용량이 9.8K 토큰으로 부풀어 올라 API 비용을 증가시키고 처리 시간을 늘렸습니다. 이러한 데이터의 지속적인 재전송은 특히 복잡하거나 장기 실행되는 에이전트 작업의 경우 재정적으로 지속 불가능합니다. - 부정확성: LLM은 신뢰할 수 있는 계산 엔진이 아닙니다. 언어적 능력에도 불구하고 정밀한 수학 연산에서 종종 실패합니다. 표준 도구를 사용한 동일한 신발 비용 쿼리는 $134.50를 잘못 반환했으며, 올바른 평균은 $137.75였습니다. 정확한 계산을 위해 LLM에 의존하는 것은 에이전트 워크플로우에 치명적인 오류를 초래하여 신뢰와 유용성을 훼손합니다.

총체적으로 이러한 상당한 비용은 AI 에이전트가 까다로운 실제 애플리케이션에서 잠재력을 최대한 발휘하는 것을 방해합니다. 현재의 도구 호출 접근 방식은 유망한 기술을 느리고 비싸며 종종 신뢰할 수 없는 시스템으로 변모시켜 에이전트가 실제로 달성할 수 있는 것에 효과적으로 한계를 설정합니다. 에이전트가 참신함을 넘어 필수적인 유용성으로 나아가고 차세대 지능형 자동화를 실현하려면 이 숨겨진 세금이 해결되어야 합니다.

겉보기에 간단한 쿼리인 신발의 평균 비용 계산은 표준 LLM 도구 호출의 치명적인 결함을 드러냅니다. 이것은 복잡한 알고리즘에 관한 것이 아니라 기본적인 산술에 관한 것이며, 귀하의 에이전트는 아마도 이 부분에서 실패하고 있을 것입니다.

"우리 신발의 평균 비용은 얼마입니까?"라는 질문에 답하기 위해 일반적인 LLM 에이전트는 일련의 도구 호출을 조율합니다. 먼저 `getProductListPage`를 호출하여 모든 제품 ID와 총 페이지 수를 검색합니다. 그런 다음 각 페이지 또는 ID에 대해 `getProductByID`를 후속 호출하여 개별 제품 세부 정보를 가져옵니다. 이러한 반복적이고 대화형 접근 방식은 LLM을 프로그래밍 루프에 강제합니다.

N+1 쿼리로 알려진 이 패턴은 악명 높게 비효율적입니다. 각 도구 호출은 전체 왕복을 필요로 합니다. LLM이 도구를 요청하고, 도구가 실행되며, 그 결과는 모든 이전 컨텍스트와 함께 다음 단계를 위해 LLM으로 다시 전송됩니다. 간단한 신발 가격 평균의 경우, 이는 클라이언트와 서버 간에 네 번의 전체 왕복을 초래하여 컨텍스트 페이로드를 놀라운 9.8KB로 부풀렸습니다.

이러한 자원 집약적인 다단계 프로세스 후에도 LLM의 최종 계산은 충격적으로 부정확했습니다. 평균 신발 가격을 $134.50로 보고했습니다. 직접적인 프로그래밍 계산에서 파생된 실제 정확한 평균은 $137.75였습니다. 이것은 사소한 차이가 아닙니다. 기본적인 작업에서 근본적인 오계산입니다.

LLM은 결정론적 계산이 아닌 패턴 인식 및 언어 생성에 탁월합니다. 그들은 계산기가 아닌 예측 텍스트 엔진입니다. LLM에게 정밀한 산술 또는 복잡한 데이터 집계를 수행하도록 요청하는 것은 뇌 수술에 붓을 사용하는 것과 같습니다. 즉, 작업에 적합하지 않은 도구입니다. 그들의 확률적 특성은 정확한 수치 정확도를 요구하는 작업에 본질적으로 신뢰할 수 없게 만듭니다.

귀하의 AI 에이전트가 몇 개의 숫자의 평균을 안정적으로 계산할 수 없다면, 더 복잡한 비즈니스 로직을 처리하는 능력은 심각하게 손상됩니다. 정밀도가 가장 중요한 재무 보고, 재고 관리 또는 중요한 데이터 분석에 대한 결과를 상상해 보십시오. 이 간단한 예시는 심오한 한계를 강조하며, 전통적인 LLM 에이전트가 안정적인 프로그래밍 방식 실행을 위해 구축되지 않은 이유를 보여줍니다.

이러한 만연한 비효율성에 대한 해답은 TanStack AI Code Mode와 함께 찾아옵니다. 이 혁신적인 접근 방식은 AI 에이전트가 외부 기능과 상호 작용하는 방식을 근본적으로 재정의합니다. LLM에게 단순히 *어떤 도구를 호출할지* 식별하도록 프롬프트하는 대신, Code Mode는 모델에게 *문제를 해결할 코드를 직접 작성하도록* 지시합니다. 이는 LLM을 의사 결정자에서 코드 생성의 타고난 강점을 활용하는 고도로 유능한 소프트웨어 엔지니어로 전환시킵니다.

Code Mode는 LLM이 실행 가능한 TypeScript 코드를 생성하도록 하여 작동합니다. 정의된 도구에 대한 액세스를 포함하는 이 코드는 QuickJS, Node 또는 Cloudflare worker와 같은 격리된 환경 내에서 실행됩니다. 이는 각 도구 호출이 새로운 요청-응답 주기를 필요로 하고 에이전트와 서버 간에 컨텍스트를 반복적으로 주고받는 전통적인 다중 턴 채팅 패러다임을 우회합니다.

성능 향상은 극명합니다. "평균 신발 가격" 예시를 고려해 보십시오. 표준 도구 호출 에이전트는 네 번의 LLM 호출이 필요했고, 9.8킬로바이트의 컨텍스트를 소비했으며, $134.50의 잘못된 평균을 반환하는 데 27초가 걸렸습니다. 대조적으로 Code Mode는 단 두 번의 LLM 호출로 작업을 완료했으며, 불과 1.7킬로바이트의 컨텍스트를 사용했고, 8초 만에 놀라운 속도로 완료되었습니다. 결정적으로, TypeScript 기반 계산은 $137.75의 올바른 평균을 산출했습니다.

이것은 단순한 최적화가 아니라 AI 에이전트 설계의 패러다임 전환입니다. Code Mode는 복잡한 로직, 상태 관리 및 정밀한 수학 연산을 생성된 코드에 위임함으로써 LLM의 본질적인 약점인 지연 시간, 컨텍스트 비대화 및 수치적 부정확성을 완화합니다. 이는 에이전트를 채팅 인터페이스에서 강력한 프로그래밍 엔티티로 변환하여 AI 기반 애플리케이션의 효율성과 신뢰성에 대한 새로운 표준을 설정합니다.

Code Mode는 LLM이 외부 시스템과 상호 작용하는 방식을 근본적으로 재구성하여 대화형 도구 호출 패러다임에서 직접 코드 실행으로 전환합니다. 이 혁신적인 접근 방식은 LLM이 생성한 TypeScript 코드가 실행되는 안전한 샌드박스 환경인 격리 환경(isolate)을 활용합니다. 순차적인 채팅 기반 도구 호출 대신, AI는 이제 제어된 실행 컨텍스트 내에서 복잡한 작업을 직접 조율합니다.

개발자는 기존 함수와 유틸리티를 정의하고 이를 이 격리 환경에 직접 주입합니다. `getProductListPage` 또는 `getProductByID`와 같은 함수는 외부 API 호출이 아닌 실행 환경 내의 네이티브 함수로 AI가 생성한 스크립트에서 사용할 수 있게 됩니다. 이 메커니즘은 LLM에 애플리케이션 로직에 대한 직접적이고 강력하지만 제어된 액세스를 제공하며, 동시에 샌드박스의 엄격한 경계 내에 갇혀 임의 또는 악성 코드 실행을 방지합니다.

이 안전한 샌드박스는 다양한 드라이버를 사용하여 인스턴스화할 수 있으며, 배포 요구 사항 및 기존 인프라에 따라 유연성을 제공합니다. 현재 옵션은 다음과 같습니다: - QuickJS: 엣지 환경 및 리소스 제약이 있는 시나리오에 이상적인 경량 고성능 JavaScript 엔진으로, 최소한의 오버헤드를 보장합니다. - Node.js: 서버 측 실행을 위한 친숙하고 강력한 JavaScript 런타임으로, 광범위한 호환성과 방대한 생태계에 대한 액세스를 제공합니다. - Cloudflare Workers: 서버리스, 전역 분산 실행을 위해 Cloudflare의 엣지 네트워크를 활용하여 지연 시간을 최소화하고 확장성을 극대화합니다.

TanStack AI는 이 모든 복잡한 아키텍처를 단일 추상화 뒤에 숨깁니다.

'평균 신발 가격' 계산은 겉보기에는 간단한 작업이지만, 전통적인 LLM 도구 호출의 비효율성을 극명하게 드러냅니다. 실제 데이터로 문서화된 이 실제 사례 연구는 TanStack AI Code Mode가 에이전트 성능에 미치는 혁신적인 영향을 보여줍니다. 이는 이론적인 이점을 넘어 에이전트 기능을 재정의하는 구체적이고 측정 가능한 이점을 제시합니다.

직접적인 비교는 여러 측면에서 극적인 개선을 보여줍니다. 표준 LLM 도구 호출은 평균 가격 쿼리를 해결하기 위해 네 번의 별도 LLM 호출이 필요했으며, 각 호출은 지연 시간, 처리 시간 및 API 비용을 발생시켰습니다. Code Mode는 이 상호 작용을 단 두 번의 호출로 줄여 계산 오버헤드를 효과적으로 절반으로 줄이고 전체 워크플로우를 간소화합니다.

이러한 효율성은 LLM 비용의 중요한 요소인 컨텍스트 관리로 크게 확장됩니다. 기존 에이전트 작업은 컨텍스트 창을 9.8KB로 부풀려 중복 정보를 반복적으로 주고받습니다. Code Mode는 보안 격리 환경 내에서 코드를 실행함으로써 이 공간을 불과 1.7KB로 줄여 데이터 전송량을 82.6%라는 놀라운 수준으로 감소시킵니다.

가장 설득력 있는 지표는 총 실행 시간입니다. 표준 접근 방식은 평균 가격 쿼리에 대해 왕복 및 반복적인 컨텍스트 처리로 인해 27초의 완료 시간으로 느리게 진행되었습니다. Code Mode는 8초 만에 정확한 답변을 제공하여 3.4배의 속도 향상과 사용자 경험의 심오한 변화를 나타냅니다.

이것은 추상적인 수치가 아닙니다. 개발자와 최종 사용자 모두에게 직접적인 실질적인 이점으로 이어집니다. 개발자는 더 적은 호출과 토큰 사용량의 급격한 감소로 인해 API 비용이 크게 절감되어 에이전트가 훨씬 더 경제적으로 실행 가능해집니다. 사용자는 번개처럼 빠른 응답의 이점을 얻어 이전에 느렸던 상호 작용을 유동적이고 즉각적인 경험으로 변화시킵니다.

속도와 비용을 넘어 정확성은 특히 수치 작업에서 가장 중요합니다. 수치적 환각에 취약한 전통적인 LLM은 평균 신발 가격을 $134.50로 잘못 계산했습니다. TanStack AI Code Mode는 네이티브 TypeScript 실행을 활용하여 매번 $137.75의 정확한 평균을 일관되게 산출합니다. 이 결정론적 결과는 추측을 없애고 AI 기반 애플리케이션에 대한 신뢰를 강화하며, 계산 작업이 LLM의 확률적 특성이 아닌 표준 프로그래밍에서 기대되는 확고한 신뢰성으로 처리되도록 보장합니다.

Code Mode의 즉각적인 성능 향상을 넘어, TanStack AI는 심오한 진화를 소개합니다: Code Mode Skills. 이 추가 라이브러리는 Code Mode 위에 계층화되어 LLM이 단순한 실행을 넘어 자체 성공적인 작업에서 적극적으로 학습할 수 있도록 합니다. 에이전트는 더 이상 단순히 TypeScript 코드를 생성하고 실행하는 것이 아니라, 자신이 생성하고 향후 사용에 가치 있다고 판단하는 실행 가능한 코드 조각을 지능적으로 식별합니다.

LLM이 특정 TypeScript 조각을 생성하여 문제를 성공적으로 해결하면, 이제 그 생성된 코드를 잠재적인 재사용 가능한 스킬로 인식할 수 있습니다. 각 스킬은 입력 스키마, 출력 스키마, 실행 가능한 TypeScript 코드 자체, 그리고 설명적인 레이블로 세심하게 정의됩니다. 이를 통해 AI는 자체 솔루션을 카탈로그화하고, 디스크, 데이터베이스 또는 기타 사용자 지정 저장 솔루션에 영구적인 방식으로 저장하여 필요할 때 쉽게 불러올 수 있습니다.

이전에 전통적인 도구 호출의 비효율성으로 강조되었던 '평균 신발 가격' 계산 작업을 고려해 보십시오. Code Mode는 처음에 이를 27초 및 9.8KB 컨텍스트에서 8초 및 1.7KB로 줄였지만, Skills의 영향은 훨씬 더 극적입니다. 에이전트에게 평균 비용을 두 번째로 요청하면 코드를 다시 생성하지 않습니다. 대신 새로 생성된 `getAverageProductPrice` 스킬을 즉시 검색하고 실행합니다. 이는 단 두 번의 LLM 호출에 걸쳐 불과 0.5KB의 컨텍스트를 사용하여 놀라운 3초의 실행 시간을 초래하며, 효율성에서 엄청난 도약을 이룹니다.

이 기능은 AI 에이전트의 본질을 근본적으로 변화시킵니다. Code Mode Skills를 갖춘 에이전트는 상태 비저장 실행자로 남아있는 대신 동적이고 자체 최적화하는 엔티티가 됩니다. 그들은 성공적인 모든 작업에서 학습하고 개선하면서 검증된 솔루션의 내부 라이브러리를 지속적으로 구축합니다. 에이전트는 시간이 지남에 따라 정교하고 맞춤형으로 구축된 도구 세트를 축적하여 미래의 상호 작용을 점진적으로 더 빠르고 효율적이며 본질적으로 더 지능적으로 만듭니다. 이 패러다임 전환은 사용할 때마다 개선되는 진정으로 적응형 AI 에이전트를 가능하게 합니다.

Code Mode의 기능은 간단한 API 호출 및 미리 정의된 도구를 조율하는 것을 훨씬 뛰어넘습니다. 이 아키텍처는 LLM 에이전트의 경계를 확장하여 이전에는 달성할 수 없었던 깊이 통합된 시스템 상호 작용을 가능하게 합니다. 이러한 진화는 Code Mode를 진정으로 자율적인 AI를 위한 기초 계층으로 자리매김합니다.

설득력 있는 시연은 Code Mode가 직접 데이터베이스 액세스와 연결된 것을 보여주었습니다. 보안되고 격리된 실행 환경 내에서 LLM은 전통적인 ORM 계층이나 경직된 API 엔드포인트를 우회하여 라이브 데이터베이스 인스턴스와 상호 작용할 수 있는 전례 없는 능력을 얻었습니다. 이는 AI 에이전트에게 미리 정의된 상호 작용 없이 데이터에 대한 세분화된 제어를 부여하는 중요한 도약을 나타냅니다.

이 직접 액세스에 힘입어 AI는 복잡한 데이터 요청을 이행하기 위해 필요한 TypeScript 로직과 복잡한 SQL 쿼리를 모두 생성했습니다. LLM은 복잡한 조인, 집계 및 스키마 탐색을 포함하여 정밀한 데이터베이스 작업을 즉석에서 동적으로 구성합니다. 모든 작업은 격리 환경의 보안 경계 내에서 라이브 데이터 소스에 대해 직접 실행됩니다.

이러한 패러다임 전환은 조직이 데이터 분석 및 보고에 접근하는 방식을 변화시킵니다. 이제 사용자는 미묘한 자연어 질문을 할 수 있으며, Code Mode는 이를 실행 가능한 코드와 정밀한 SQL 쿼리로 자율적으로 번역합니다. 이는 정교한 자연어 데이터 분석 도구를 구축하기 위한 강력한 즉시 사용 가능한 솔루션을 제공하여 수동 코딩 없이 데이터 통찰력에 대한 액세스를 민주화하고 새로운 세대의 데이터 기반 애플리케이션을 강화합니다.

동적 인터페이스는 TanStack AI Code Mode의 혁신적인 힘을 궁극적으로 보여줍니다. 데이터 검색 및 복잡한 계산을 넘어, Code Mode는 대규모 언어 모델이 전체 사용자 인터페이스를 처음부터 온디맨드로 구축할 수 있도록 합니다. 이 기능은 단순히 정보를 처리하는 것에서 대화형 클라이언트 측 애플리케이션을 생성하는 것으로 패러다임을 전환합니다.

작동 방식은 다음과 같습니다. 개발자는 UI 구성 요소 함수를 LLM에 도구로 노출합니다. `createChart(data, type, options)` 또는 `renderTable(data, columns)`와 같은 함수는 기본 요소가 됩니다. 그런 다음 LLM은 TypeScript 코드 생성의 본질적인 강점을 활용하여 이러한 함수를 조율하고, 보안 격리 환경 내에서 완전한 프론트엔드 애플리케이션을 작성합니다. 이 코드는 결과 인터페이스의 레이아웃, 데이터 바인딩 및 상호 작용을 정확하게 정의합니다.

전통적인 접근 방식은 종종 엄격한 JSON 기반 UI 스키마에 의존하는데, 이는 미리 정의된 구조를 요구하고 표현력을 제한합니다. 이러한 스키마는 본질적으로 제한적이며 동적 레이아웃, 조건부 렌더링 또는 복잡한 사용자 상호 작용에 어려움을 겪습니다. Code Mode는 LLM이 실제 실행 가능한 코드를 작성하도록 허용함으로써 이러한 제한을 우회하여 최종 사용자 경험에 대해 무한히 더 많은 유연성과 제어를 제공합니다.

그 차이는 심오합니다. 별도의 프론트엔드 계층이 해석하고 렌더링해야 하는 정적 JSON 객체를 받는 대신, LLM은 UI를 *구축하는* 코드를 직접 출력합니다. 이를 통해 선언적 스키마로는 번거롭거나 불가능했을 복잡한 로직, 사용자 지정 스타일링 및 동적 데이터 시각화가 가능해집니다. LLM은 프론트엔드 엔지니어가 되어 구성 요소를 응집력 있는 전체로 조립합니다.

에이전트에게 "지역별 3분기 판매 보고서, 추세 및 최고 실적자 표시"를 요청한다고 상상해 보십시오. 원시 데이터 덤프나 미리 템플릿화된 출력 대신, Code Mode는 완전히 상호 작용하는 맞춤형 대시보드를 생성할 수 있습니다. 이 대시보드는 여러 차트, 정렬 가능한 테이블, 사용자 조정 가능한 필터를 특징으로 할 수 있으며, 이 모든 것은 특정 요청에 맞춰 실시간으로 생성됩니다.

이 기능은 사용자가 AI 에이전트에게 맞춤형 분석 도구와 시각적 보고서를 즉시 생성하도록 명령하는 미래를 열어줍니다. LLM의 역할은 대화 파트너에서 전체 스택 개발자로 진화하여 단순히 답변뿐만 아니라 완전하고 기능적인 애플리케이션을 제공합니다. 이는 에이전트 자율성과 유용성에서 기념비적인 도약을 의미합니다.

궁극적으로 동적 UI 생성은 Code Mode가 진정으로 지능적이고 자율적인 에이전트를 위한 기초 기술로서의 위치를 공고히 합니다. 이는 채팅 기반 상호 작용의 한계를 넘어 실질적이고 대화형 경험을 생성하며, LLM이 코드를 작성하고 실행할 수 있을 때의 광범위한 잠재력을 보여줍니다.

Code Mode의 강력한 기능을 활용하고자 하는 개발자는 GitHub의 TanStack AI monorepo에 즉시 뛰어들 수 있습니다. 벤치마크에 사용된 정확한 데모 애플리케이션이 있는 `examples/TSCodeModeWeb` 디렉토리를 찾으십시오. 이 강력한 예시는 Code Mode의 혁신적인 접근 방식을 자체 프로젝트에 통합하기 위한 실용적이고 실제적인 청사진을 제공하며, 클라이언트 측 및 API 구현을 모두 보여줍니다.

구현은 AI가 생성한 TypeScript가 실행되는 보안 샌드박스인 격리 드라이버(isolate driver)를 설정하는 것으로 시작됩니다. Code Mode는 현재 QuickJS, Node.js 또는 Cloudflare Workers와 같은 환경을 지원하여 다양한 배포 전략에 대한 유연성을 제공합니다. 이 드라이버는 실행 안전성과 최적의 리소스 활용을 모두 보장하는 고성능의 격리된 런타임을 제공하는 데 가장 중요합니다.

다음으로, TanStack AI 라이브러리의 핵심 구성 요소인 `createCodeMode` 함수를 사용하여 AI 도구를 정의하십시오. 이 함수는 구성된 격리 드라이버와 격리 범위에 명시적으로 주입된 함수들의 컬렉션을 필요로 합니다. 이러한 주입된 함수는 LLM을 위한 직접 호출 가능한 "도구"가 되어 비효율적인 채팅 기반 도구 호출 패턴을 완전히 우회합니다.

결정적으로, `createCodeMode`에 의해 생성된 특수 시스템 프롬프트를 기존 LLM 프롬프트와 통합하십시오. 이 프롬프트는 LLM에 주입된 모든 도구에 대한 포괄적인 TypeScript 타이핑과 `executeTypeScript` 명령을 호출하는 방법에 대한 정확한 지침을 제공합니다. 이는 모델이 TypeScript 작성의 강점을 활용하여 실행 가능한 코드를 정확하게 생성할 수 있도록 합니다.

이러한 기본 단계를 통해 애플리케이션 내에서 Code Mode를 성공적으로 활성화하여 AI 에이전트를 위한 새로운 패러다임을 열었습니다. 제공된 예제를 탐색하고, 주입된 함수를 수정하고, 다양한 프롬프트를 실험하여 극적인 성능, 정확성 및 컨텍스트 효율성 개선을 직접 확인하십시오. 개발자들은 지능적이고 코드 중심적인 AI 개발의 미래를 형성하는 데 도움이 되도록 TanStack AI 프로젝트에 기여할 것을 적극 권장합니다.

채팅 기반 상호 작용 루프와 비효율적인 컨텍스트 관리에 묶여 대규모 언어 모델을 단순한 함수 호출자로 취급하던 시대는 빠르게 끝나가고 있습니다. TanStack AI의 Code Mode는 LLM의 진정한 강점인 강력하고 실행 가능한 코드를 생성하는 탁월한 능력을 인식하며 새로운 패러다임을 열어줍니다. 호출에서 코딩으로의 이러한 근본적인 전환은 AI 에이전트에게 전례 없는 성능, 정확성 및 다용성을 제공합니다.

개발자들은 극명한 차이를 목격했습니다. Code Mode 에이전트는 평균 신발 가격 계산과 같은 작업을 10배 성능 향상으로 수행하며, LLM 호출을 4개에서 2개로 줄이고 컨텍스트 크기를 9.8KB에서 1.7KB로 감소시킵니다. 결정적으로, LLM의 종종 결함 있는 내부 산술에 의존하는 대신 보안 격리 환경에서 TypeScript 실행을 활용하여 정확한 결과를 제공합니다. 이것은 단순한 최적화가 아니라 에이전트 기능의 재정의입니다.

이 코드 우선 접근 방식은 단순한 API 오케스트레이션을 훨씬 뛰어넘습니다. Code Mode Skills를 통해 에이전트는 재사용 가능한 코드 조각을 자율적으로 학습하고 저장하여 반복 작업의 효율성을 크게 향상시킵니다. 또한 Code Mode는 데이터베이스와 직접 인터페이스하여 TypeScript와 SQL을 모두 생성하여 중간 계층 없이 복잡한 쿼리 및 보고를 수행합니다. 이 강력한 기능의 궁극적인 표현은 동적 UI 생성에 있으며, 에이전트가 즉석에서 전체 사용자 인터페이스를 구축할 수 있도록 합니다.

AI 에이전트가 단순한 지능형 비서가 아니라 시스템 개발 및 유지 보수에 적극적으로 참여하는 미래를 상상해 보십시오. 이 코드 중심의 기반은 다음을 위한 길을 닦습니다:

• 1생성된 코드로 취약점을 진단하고 패치하는 자가 치유 인프라.
• 2에이전트가 기능을 작성, 테스트 및 배포하는 자율 소프트웨어 개발.
• 3인터페이스와 로직을 개별 사용자 요구에 동적으로 조정하는 초개인화된 애플리케이션.

행동 촉구는 분명합니다. 기본적인 수학에 어려움을 겪고 엄청난 컨텍스트 비용을 발생시키는 취약한 채팅 기반 LLM 에이전트 구축을 중단하십시오. LLM의 힘을 코드 생성기로 받아들이십시오. TanStack AI Code Mode를 사용하여 동적이고 효율적이며 진정으로 지능적인 코드 우선 AI 시스템을 구축하고 에이전트 개발에서 가능한 것을 재정의하십시오.

TanStack AI Code Mode란 무엇입니까?

이는 LLM이 비효율적인 직접 함수 호출 대신 TypeScript 코드를 작성하고 실행하여 도구와 상호 작용하는 AI 에이전트를 위한 새로운 패러다임입니다. 이는 성능과 정확성을 획기적으로 향상시킵니다.

Code Mode는 전통적인 도구 호출을 어떻게 개선합니까?

코드를 생성함으로써 LLM 왕복을 최소화하고, 컨텍스트 창 사용량을 줄이며, 실행 속도를 높이고, 수학과 같은 작업에 TypeScript의 정밀도를 활용하여 일반적인 LLM 부정확성을 피합니다.

Code Mode '스킬'이란 무엇입니까?

스킬은 LLM이 생성하는 재사용 가능한 TypeScript 함수로, 유사한 미래 작업을 위해 저장하고 불러올 수 있습니다. 이는 후속 요청을 믿을 수 없을 정도로 빠르고 효율적으로 만들어, 본질적으로 AI가 자체 도구를 학습하고 최적화할 수 있도록 합니다.

기존 도구와 함께 Code Mode를 사용할 수 있습니까?

예, Code Mode는 전통적인 도구와 함께 작동하도록 설계되었습니다. 단일의 특수 도구로 구현되어 강력한 AI 에이전트를 구축하기 위한 유연하고 하이브리드적인 접근 방식을 허용합니다.