LLM 연대기

2026.10.20 작성

역사를 기반으로 LLM에 대한 배경지식들을 정리해본다.
기술 자체에 초점을 맞추기보단, 환경을 이해하고 사용할 수 있을만한 내용 위주로 다져보겠다.

발단 (2017)

원래 인공지능은 기술발전이 한동안 지지부진한 분야였다.
논문은 옛날부터 계속 나왔는데, 그다지 의미있는 결과물이 없었다.

그러다가 Transformer라는 구현 패턴이 나오면서 LLM이 본격적으로 등장한다. "Attention Is All You Need"라는 한번쯤 들어봤을만한 구호와 함께 말이다.
https://blog.naver.com/sssang97/224155291489
이 매커니즘은 현재도 매우 중요하게 쓰이는 개념이다.
현존하는 모든 LLM은 이러한 논리에 입각해서 만들어지고 있다.

ChatGPT의 등장 (2022)

OpenAI라는 비영리법인이 출범해서 GPT 1-2 시리즈로 실험을 하다가, 채팅 서비스를 출시하면서 판도를 뒤엎었다. LLM이란 것을 최초로 쓸만하고 경제성이 있는 형태로 공개한 것이다.

초기에는 간단한 상식이나 농담따먹기 정도로 소비되었으나, 어쨌든 이때부터 오랫동안 LLM 환경을 주도했다.

RAG 개념의 대두 (2022~)

이 당시 LLM에는 문제가 많았다. 딱 학습된 것 이상의 지식을 알지 못한다는 것이다.
이때 최초로 주목받은 개념이, RAG이라는 계층을 추가해서 LLM에 추가적인 지식&맥락을 주입하자는 것이었다.
https://blog.naver.com/sssang97/223949205819
DB를 쓰든, 그냥 텍스트를 미리 만들어서 박는 것을 RAG라고 부른다.
벡터DB들이 이 구조에 잘 맞다고 해서 벡터DB 붐이 크게 일기도 했다. 현재는 사그라든 것 같지만.

이건 요즘에 들어서는 거의 가라앉은 개념이긴 하다.정말 내부적인 지식을 대규모로 주입할 경우에는 RAG가 유용할 수 있지만, 그 외에는 웹서치나 MCP를 쓰는 것이 더 일반적이다.

LLama와 오픈모델의 등장 (2023.02~)

Meta가 이 시점에 큰일을 하나 했다. OpenAI가 독점하던 환경에 Meta가 도전장을 내민 것이다.
LLama라는 모델을 누구나 실행할 수 있게 풀어버리고, llama.cpp 같은 추론 환경 같은 것도 공개했다.
(LLama 1 2023.02, LLama 2 2023.07)

이 덕분에 오픈모델들이 우후죽순 등장하고 Ollama(2023.07) 같은 오픈모델용 보조도구들도 나오기 시작했다.
딱 이 시기에 Mistral 같은 오픈모델 위주의 회사들이 등장했다.

물론 이때는 성능이 구렸다. 25-26년 들어서야 성능이 프론티어급에 비비기 시작했지만, 아무튼 포문을 열어준 것만 해도 상당한 혁신이었다.

하지만 이후 Meta는 muse를 내기 전까지 한 3년 동안 똥볼만 차게 된다.

Claude의 등장 (2023.03)

이 무렵 또 한명의 신흥 강자가 등장했다.
OpenAI 탈주자들이 Anthropic이라는 회사를 세우고, "뛰어난 코딩 성능"으로 주목을 받기 시작한 것이다.

이들은 초기에는 개발자 위주로만 주목을 받았지만, 25년 이후로는 뛰어난 범용 성능을 인정받아서 일반인들에게도 널리 쓰이게 된다.

현 시점에서도 강력한 주인공 중 하나다.

vLLM과 고성능 LLM 서빙의 발전 (2023.06)

이 무렵 LLM을 효율적으로 서비스하기 위한 기술들도 발전하기 시작했다.
UC Berkeley 연구진이 공개한 vLLM이 대표적인 사례다.

기존에도 자체 GPU에서 LLM을 실행할 수는 있었지만, 여러 사용자의 요청을 동시에 처리하려면 상당한 자원이 필요했다. 특히 추론 과정에서 사용되는 리소스 사용이 비효율적이라 GPU 자원을 낭비하는 문제가 있었다.
vLLM은 몇가지 새로운 최적화 테크닉을 도입해서 문제를 해결했다.
https://blog.naver.com/sssang97/224318182333
이를 통해 동일한 GPU 자원으로 훨씬 많은 요청을 처리할 수 있게 되었고, LLM을 직접 호스팅하는 비용도 줄일 수 있었다.

이후 Continuous Batching을 비롯한 다양한 최적화 기술과 OpenAI 호환 API 등을 제공하면서 자체 LLM 서비스 구축을 위한 대표적인 추론 엔진 중 하나로 자리 잡았다.

시스템 통합과 에이전트 개발 붐 (2023-2025)

모델 제공자들이 API를 제공하고 성능이 점차 강력해지기 시작하면서, 기존의 결정적인 기능으로 처리할 수 없는 요소들을 LLM으로 해결하려는 시도들이 나오기 시작했다.
LLM을 시스템에 통합해서 기능을 만들기 시작한 것이다.

이에 따라 Langchain & Langgraph 같은 LLM 기반의 개발 도구 & 프레임워크들이 범람하기 시작했다. 상당수가 물로켓이긴 했지만.

이 무렵 Multi Agent라는 개념도 등장했다. Agent를 역할별로 나누어서 개발하면 좀 더 비용과 성능효율적인 시스템을 구현할 수 있다는 것이다.
https://blog.naver.com/sssang97/223884516216
이것도 모델 성능이 좋아지면서 빛이 좀 바래긴 했지만, 여전히 유효하다.

Google Gemini 데뷔 (2023.12)

이 무렵 전통의 강자 Google가 역작인 Gemini를 세상에 던지며 주인공이 되었다. Google Bard는 삭제됐다.

Google의 가장 강력한 장점은 가성비였다. 하드웨어부터 소프트웨어 스택까지 모든 생산흐름을 본인이 직접 주도했기에, 단가를 저렴하게 뽑을 수 있었다.
성능이 아주 좋다고까지 할 수는 없었지만, 압도적인 가성비로 매우 오랫동안 압도적인 기술우위를 점유하고 있었다. Deepseek이 나오기 전까지 말이다.

리즈닝 모델의 등장 (2024.09)

OpenAI가 GPT-o1라는 모델을 내면서 리즈닝 모델이란 개념이 등장했다.
성능 천장을 뚫기 위한 트릭이다.
https://blog.naver.com/sssang97/224329256927
사실 이건 대단한 혁신이라고 할 정도까진 아니다. 어려운 문제가 나오면 더 오랫동안 생각을 하게 만든 것이다.

Cline과 바이브 코딩 (2024.10)

이전에는 AI로 개발을 한다고 하면 Github Copilot 정도를 사용하는 것이 전부였다. 자동완성 정도 말이다.
하지만 VSCode에 Cline라는 플러그인이 나오면서 판도가 바뀌었다.
모델을 개발 도구에 붙여서 자율적으로 코드를 작성/수정하고 테스트까지도 할 수 있게 된 것이다.

초기에는 아직 행동의 폭이 넓지 않았지만, 점차 기능을 확장하면서 바이브 코딩의 포문을 열었다.

현재는 인기가 많이 떨어진 감이 있지만, 아무튼 핵심적인 트리거였다.

먼저 출시한 cursor(2023.03)도 Cline의 영향을 받아 발전했고, 이후에도 Antigravity(2025.11.18), windsurf(2024.11.14) 같은 아류작들이 범람했다.

MCP의 등장 (2024.11)

MCP가 나오기 전까지는 LLM에 외부 도구를 붙이는 것이 제한적이거나 불편했다.
기존에는 직접 에이전트를 개발할 때나 tool 같은걸 직접 구현해서 외부 리소스를 참조하게 할 수 있었는데, MCP가 나옴으로 인해서 그 제한이 해소된 것이다.
https://blog.naver.com/sssang97/223827361065
MCP를 통해 LLM용 MCP 도구를 만들고 배포해서 모두가 사용할 수 있게 되었다.
별거 아니지만 꽤 중요한 국면이기도 했다.

현재는 LLM 환경에서는 MCP가 HTTP 같은 기본 인터페이스로 자리잡았다.

DeepSeek 쇼크 (2025.01)

중국의 회사에서 DeepSeek-R1를 내면서 충격적인 데뷔를 했다.
고성능-저비용의 모델을 만들었는데, 더 놀라운건 그걸 오픈모델로 풀어버렸다는 것이다.

이 무렵부터 오픈모델들이 강력한 경쟁력을 갖기 시작했고, 이에 비빌만한 중형-소형 모델들이 하나둘씩 나오기 시작했다.

Deepseek은 현 시점에서도 매우 강력한 다크호스 중 하나다.

Claude Code의 등장 (2025.02)

Claude가 이때부터 본격적으로 힘을 쓰기 시작했다.
본인들 모델 기반으로 개발이나 자율적인 행동을 해주는 CLI 기반 에이전트를 만들어서 뿌린 것이다.

기본적인 원리는 Cline 같은 바이브 도구들과 크게 다르진 않으나, 좀더 최적화를 잘하고 행동의 폭을 넓혀서 순식간에 개발용 도구의 파이를 독점하는 지경에 이르렀다.

OpenAI도 이를 따라잡기 위해 codex(2025.04)를 내서 맹추격하고 있는 중이다.
오픈소스 버전인 opencode(2025.06.19)도 나왔고, 다른 제공자들도 CLI 기반 에이전트 개발 도구를 흉내내서 내기 시작했다.

Claude Code는 현 시점에서도 코딩 에이전트라는 환경에서는 압도적인 우위를 차지하고 있다.

Skills의 등장 (2025.10)

이것도 MCP처럼 앤트로픽이 낸건데, MCP에 비해서는 임팩트가 적어서 묻힌 감은 있다.
https://blog.naver.com/sssang97/224096244982
반복적으로 사용되는, 전문적인 요구사항이나 행동들을 모듈화해서 LLM에 설치할 수 있게 해주는 도구 및 도구에 대한 표준 인터페이스다.

이것도 표준으로서 꽤 괜찮게 쓰이고 있다.

openclaw와 하네스의 등장 (2025.11)

이 무렵 바이브 코딩을 넘어선 무언가가 또 튀어나왔다.
이제는 코드만 작성하고 실행하는게 아니라, 거의 모든 행동을 AI에 맡겨버리자는 주장이 나온 것이다.

보안문제로 매우 떠들썩했는데, 아무튼 이것도 안정적으로 안착한 개념 중 하나다.
현재도 이런저런 외부 기능(Slack, Github 등)과 연계해서 다양한 비결정적 기능을 구현할 때는 openclaw 같은 하네스를 쓰곤 한다.

openclaw 외에도 hermes(2026.02.25) 같은 대체재들이 등장했다. 성격은 각기 조금씩 다른 편이다.

오픈(중국) 모델들의 대약진 (2026)

Deepseek 이후에도 쟁쟁한 중국 회사들이 기깔난 모델을 뽑아내기 시작했다.

zai는 GLM 5.2를 내면서(2026.06.16) 프론티어급 대형모델을 누구나 실행할 수 있는 시대를 열어줬다.
kimi k3(2026.07.17)도 GLM에 비빌만한 프론티어급 성능을 자랑했고, 그 뒤로도 mimo, qwen 등 쟁쟁한 모델들이 뒤를 따라오고 있다.

오픈모델 대유행 (2026)

오픈웨이트 모델 중에서도 대형모델과 중소규모 모델들이 크게 발전하면서 AI 모델을 직접 띄워서 실행하는 것이 하나의 흐름이 되었다.

고가-고성능의 GPU를 대량으로 운영할 수 있는 경우에는 GLM 같은 대형모델을 굴려서 업무용으로 쓰기도 하고, 적당히 성능 좋은 GPU나 고성능 맥북이 있는 경우에는 중소형 모델들을 가볍게 띄워서 쓰기도 한다.

초기에는 gemma vs qwen 양자 구도였다가 gemma는 거의 탈락한 모양새인 것 같다.

Claude Fable과 호들갑 대잔치 (2026.06)

앤트로픽에서 Fable을 출시하면서(사실은 전부터) 온갖 호들갑을 터뜨리기 시작했다.
진지하게 AI의 위협과 보안 위험을 고민하고, 정부가 간섭하고, 도구에 제한까지 넣기까지 시작한 것이다.

아무튼 Fable의 등장 이후 AI 성능의 고점이 매우 높아진 것은 맞다. 이후에 바로 양자화를 때려서 좀 추락하긴 했다만...
GPT에서도 Astra를 내면서 따라가려고 노력을 하고 있다.

jev와 의사결정 모델의 대두 (2026.09)

어느 순간 Typesafe라는 신예가 갑자기 튀어나왔다.
"굳이 텍스트로 반환해줘야 하는가?"라는 발상의 전환으로 만들어진 모델의 한가지 형태다. 에이전트나 워크플로를 만들 때에만 사용할 수 있다.

기존 LLM들은 텍스트->텍스트라서, 시스템 구현에 넣을 때는 응답을 JSON로 출력하도록 강요하는 사용 패턴이 매우 흔했다. 근데 문제는 JSON으로 강요를 하는 것 자체가 품질이나 비용을 떨어뜨리는 요인이고, 심지어 종종 어길 때가 있다는 것이었다.

jev는 다시 과거의 전통적인 AI 모델의 접근법으로 회귀해서 이 문제를 최적화했다.
무언가 물어보거나 확인해달라고 하면, 텍스트로 응답을 주는 것이 아니라 선택값이나 확률값만을 주는 것이다.그래서 분기를 치거나 하는 고정적인 값 형태가 필요한 경우에는 훨씬 사용하기 적합하고, 비용적으로 효율적이기까지 하다.

이 글을 쓰는 시점에서, jev를 사용해도 되는 사용 패턴이라면 jev를 쓰는 것이 압도적으로 저렴하다.

muse와 Meta의 부활 (2026.10)

LLama 성능이 구려서 맥을 못추다가 muse라는 모델과 에이전트 도구를 던지면서 다시 무대에 등장했다.
기존 모델들을 뒤엎을 정도까진 아니지만, 준수한 성능과 도구 완성도로 주목받기 시작했다. 코딩도 꽤 하긴 한다는데, 더 지켜봐야 할 것 같다.