이번 연재글에서는 Bio Agentic AI를 개발하기 위한 첫걸음으로 용어를 먼저 알아보겠습니다.

Agentic AI 란 무엇일까요? 

사용자가 목표를 알려주면, 즉 쿼리가 입력되면 대규모 언어모델 (LLM, Large Language Model)이 목표 달성에 필요한 도구 (MCP, Model Context protocol 등)를 스스로 선택하고 분석을 수행합니다. 그리고 분석 결과를 기반으로 다음 행동을 스스로 결정하며, 목표 달성까지 스스로 판단하고 작업하는 과정을 반복할 수 있는 시스템입니다.

그렇다면 Agentic AI는 무엇으로 구성될까요? 핵심 구성요소는 다음과 같습니다.

1.    Model
우리가 알고 있는 Foundation Model / LLM입니다. Reasoning Engine으로서 사용자 프롬프트를 이해하고, 분석 결과를 해석합니다.

2.    Tool layer
실제 분석을 위한 Tools(도구)입니다. 예를 들어, data quality check, trimming, alignment to reference genome, calculate transcript's abundance, differential expression analysis, 결과 파일 저장과 같이 실제 연구 작업을 수행하는 다양한 도구들입니다. 그리고 이러한 도구들을 Agent가 필요에 따라 호출하고 실행할 수 있도록 연결해 주는 대표적인 방법이 MCP입니다. MCP 서버를 통해 각종 분석 도구가 우리가 개발한 Code를 Agent가 사용할 수 있도록 연결하고, Agent는 주어진 목적에 따라 필요한 도구를 선택하여 분석을 실행합니다.

3.    Memory systems
Agent가 여러 단계의 분석을 수행하려면 이전 단계에서 어떤 작업을 수행했는지, 각 단계에서 어떤 결과가 생성되었는지를 기억합니다. Memory systems은 이러한 작업 기록과 분석 로그를 저장하여 Agent가 이전 작업의 상태를 파악하고 다음 단계의 분석을 할 수 있게 합니다. 예를 들어, “Step1. Data Quality Check - Completed”. 

4.    Planner / Orchestrator
여기서 Orchestrator를 탑재합니다. Orchestrator는 Agent의 Task Sequencing을 가이드합니다.
Orchestrator가 왜 필요할까요? “LLM이 분석 목적에 맞게 무엇은 어떤 순서로 할 것인가”를 결정하는 관리자 역할을 합니다. 예를 들어, “alignment 가 끝나면 생성된 aligned bam 파일을 이용해 다음 단계인 calculate transcript's abundance를 수행해” 와 같이, 어떤 작업을 먼저 수행하고 그 결과를 다음 작업의 입력값으로 어떻게 연결하는 지를 결정해 주는 것이 orchestrator의 역할입니다.
Orchestrator가 없으면 어떻게 되나요? 제가 BIO Agentic AI를 연구 개발하면서 가장 중요하게 느꼈던 부분이 바로 이 부분입니다. LLM에서 MCP server에 수많은 tools을 연결해 개발을 했는데 항상 같은 분석 결과가 나오는 것은 아닙니다. LLM이 그때그때 상황을 판단해서 다음 행동을 결정하기 때문입니다. 같은 input을 던져도 실행할 때마다 결과가 달라질 수 있습니다. 연구 분석에서는 이 부분이 상당히 중요한 문제가 될 수 있습니다. 어떤 연구자가 실행해도 일정한 기준과 정해진 workflow를 따라가서 재현성이 있는 결과가 중요하기 때문입니다.

그래서 등장하는 것이 바로 SKILL입니다. SKILL은 LLM을 위한 연구 분석 가이드북이라고 생각하시면 될 것 같습니다. 예를 들어 SKILL에 “어떤 기준으로 결과를 판단해야 하는지”, “실패 시 어떻게 대응해야 하는지” 등의 Agent가 분석을 수행할 때 따라야 할 작업 지침(Guide)과 준수해야 할 지침(Policy)을 작성할 수 있습니다. SKILL은 또한 개발자가 아닌 연구자도 직접 연구 목적에 맞게 SKILL을 수정하여 user-defined 연구 Workflow를 만들 수 있습니다. 즉, “이 조건이면 이 분석을 하자”라고 연구 방법론을 만들 수 있습니다.


이론은 여기까지입니다. 이제부터 좌충우돌 직접 같이 시작해 보겠습니다.
데이터는 연구자의 연구 목적에 맞는 GitHub repository에서 다운로드합니다.

1.    Mac에서 Terminal을 실행합니다. 그리고 데이터가 위치한 경로로 이동합니다
$ cd /Users/

2.    각 개발자가 제공하는 repository에 따라 분석 환경을 설치합니다. 설치 방법은 다를 수 있습니다. 예를 들어 setup.sh 파일이 제공된다면 다음과 같이 실행합니다. 이 과정에서 분석에 필요한 Tools과 Python, R 환경 등을 설치하게 됩니다.
$ ./setup.sh

3.    Claude code를 실행합니다.
$ claude
-> Security guide 1. Yes, I trust this folder
Claude Code가 처음이신 분은 https://claude.ai/login에 접속하여 로그인 후 요금제를 선택하시면 됩니다. 무료요금제도 사용할 수 있지만, Agentic AI를 실제로 개발하시려면 처음에는Pro 요금제를 추천드립니다. 개발하시면서 사용량을 확인하시는 것이 좋습니다. 그리고 Claude 로그인 창과 신뢰 확인 과정이 필요합니다.

4.    드디어 실행! Claude Code에 질문해 봅니다.
예를 들면, “데이터 분석해 줘”
갑자기 내  tockens이 사용되는 것을 보실 수 있으십니다.
 

오늘은 Agentic AI의 구조와 용어를 익히고, 직접 개발하기 위한 Claude Code 환경 설정까지 완료하였습니다.
다음 연재에서는 Agentic AI를 구성하는 핵심 요소인 MCP 서버, Orchestrator, Skill, Harness 등을 를 하나씩 직접 만들어보며, 생물정보학 연구 활용방법을 함께 살펴보겠습니다. 저는 cancer 데이터 분석을 위한 BIO Agentic AI를 직접 개발하는 것을 연재 목표로 하고 있습니다. 저도 하나씩 개발해 가며 그 과정을 함께 공유해보겠습니다. 다음 편 기대해 주세요. 두듕.


References
[1] Donghyeon Lee et al., Development of an Agentic AI Model for NGS Downstream Analysis Targeting Researchers with Limited Biological Background. 2025. arXiv:2512.09964v1
[2] Francesco Branda et al., The next paradigm in bioinformatics: a review of multi-agent systems and foundational models for end-to-end scientific discovery. 2026. Briefings in Bioinformatics. 27(3)