TL;DRLLM은 규모 확장으로 기반 능력을 키우고, Instruction Tuning·RLHF로 지시 수행과 응답 품질을 다듬는다.추론 시 더 많이 생각하고 여러 답을 생성하면 성능을 높일 수 있지만, 정답을 고르는 검증기가 핵심이다.에이전트는 목표·도구·피드백의 순환으로 일을 수행하며, 검증된 경험을 학습에 돌려 자기 개선으로 연결한다. Stanford CS329A: Self-Improving AI Agents의 첫 강의는 “LLM은 어떻게 답변을 잘하는 모델에서 실제 일을 끝내는 에이전트로 발전하는가?”를 큰 흐름으로 설명한다. 강의의 연결고리는 사전 학습의 규모 확장 → 사후 학습 → 추론 시 계산 확장 → 도구와 피드백을 활용하는 에이전트다.강사: Aakanksha Chowdhery, Azali..