AI 에이전트 가이드
AI 에이전트는 거대 언어 모델(Large Language Model; LLM)이 스스로 다음 행동을 정하고 외부 도구를 호출해 목표를 달성하는 시스템입니다. 모델을 한 번 호출해 답을 받는 것과 달리, 관찰하고 판단하고 행동하는 순환을 반복합니다. 모델 자체를 훈련하는 경로는 AI 기초 가이드에서 다룹니다.
학습 순서
선수 지식은 백엔드 개발 기초와 REST API, Git 사용법입니다. 에이전트는 결국 외부 시스템을 호출하는 프로그램이므로 API를 다루는 감각이 먼저 필요합니다. 그 위에서 LLM 기초(토큰화, 컨텍스트 윈도우)와 프롬프트 엔지니어링(Prompt Engineering)을 익힙니다.
다음은 모델에 손발을 붙이는 단계입니다. 도구 호출(Tool Calling)로 외부 기능을 실행하고, 에이전트 메모리로 이전 맥락을 유지하며, 검색 증강 생성(Retrieval-Augmented Generation; RAG)으로 모델이 모르는 지식을 끌어옵니다. 이 조각들을 ReAct 같은 아키텍처 패턴으로 묶으면 동작하는 에이전트가 됩니다.
구현한 에이전트는 검증을 거쳐야 실서비스에 올릴 수 있습니다. 무엇을 성공으로 볼지 정의하고 평가·테스트하며, 실패한 판단을 추적할 수 있도록 디버깅·모니터링을 갖춥니다. 프롬프트 주입 같은 공격 관점에서 점검하는 방법은 AI 레드티밍(AI Red Teaming)에서 다룹니다. 코딩 작업 자체를 에이전트에게 맡기는 실무 흐름은 클로드 코드(Claude Code)와 바이브 코딩(Vibe Coding)에서 이어집니다.
지금까지 설명한 흐름을 한눈에 정리하면 [그림 1]과 같습니다.
[그림 1] AI 에이전트 학습 로드맵 구성도
프롬프트에서 시작해 도구와 메모리를 붙이고, 아키텍처로 묶은 뒤 검증하는 흐름입니다. 도구 호출을 붙이는 지점을 전환점으로 강조했습니다. 모델이 외부 세계를 바꿀 수 있게 되는 순간부터 평가와 보안이 선택이 아니라 필수가 되기 때문입니다.
학습 주제
| 학습 주제 | 다루는 내용 |
|---|---|
| AI 에이전트 | LLM 기반 에이전트 설계와 구현 |
| AI 레드팀 | AI 시스템의 취약점 점검과 방어 |
| Claude Code | AI 코딩 에이전트를 활용한 개발 워크플로 |
| 바이브 코딩 | AI와 대화하며 코드를 완성하는 개발 방식 |
다른 영역과의 연결
에이전트가 호출할 백엔드 API를 먼저 익히고 싶다면 백엔드 가이드를, 모델 자체의 학습과 운영을 다지려면 AI 기초 가이드를 참고하세요. 에이전트의 판단을 로봇의 실제 동작으로 옮기는 경로는 피지컬 AI 가이드에서 다룹니다.
이 로드맵에서 읽을 지식 문서
- 문장 전체를 한눈에 보는 트랜스포머와 어텐션
순차 처리의 한계를 극복하고 문장 전체의 단어 간 연관성을 한 번에 파악하는 트랜스포머(Transformer)와 셀프 어텐션(Self-Attention)의 핵심 원리를 살펴봅니다.
- 오픈북 시험과 암기: RAG와 파인튜닝의 차이
사내 문서와 최신 지식을 AI 시스템에 연결할 때 RAG(오픈북 시험)와 파인튜닝(암기 시험)의 구조적 차이, 비용, 선택 기준을 비교합니다.
- 토큰과 컨텍스트 창으로 LLM의 기억 이해하기
글자 수와 토큰의 차이, 대화가 길어질 때 앞 내용을 잊어버리는 컨텍스트 창의 구조적 원리와 슬라이딩 윈도우 관리법을 알아봅니다.
- Few-Shot으로 원하는 형식 한 번에 뽑아내기
장황한 규칙 설명 대신 1~2개의 입출력 예시를 제공하여 일관된 출력과 형식을 유도하는 Few-Shot 프롬프트 원리와 작성법을 살펴봅니다.
- Temperature와 Top-P로 LLM의 창의성 조절하기
AI가 다음 단어를 선택하는 확률 분포와 Temperature, Top-P(핵 샘플링) 파라미터로 환각을 줄이고 창의성을 조절하는 방법을 다룹니다.
- Laya로 로컬 에이전트의 의사결정 분리하기
TypeSafe Jev 규격과 호환되는 421M 로컬 의사결정 모델 Laya를 Ollama에 연결하고 하네스 정책과 결합하는 방법을 살펴봅니다.
- Jetson의 코딩 에이전트 개발 환경
호스트 개발 머신의 코딩 에이전트를 SSH로 Jetson에 연결하고 일반 사용자 권한의 Docker와 디바이스 스킬로 엣지 런타임을 검증합니다.
- 음성 회의록 에이전트 파이프라인 구성하기
오디오 입력을 전사하고 긴 텍스트를 나눈 뒤 구조화된 회의록으로 저장하는 단계별 파이프라인을 설계합니다.
- LangGraph로 상태와 조건부 경로 구성하기
상태를 읽고 갱신하는 노드와 조건부 엣지를 사용해 에이전트 반복과 종료 조건을 명시합니다.
- LangGraph에서 작업을 중단하고 사람에게 확인받기
체크포인트에 상태를 저장하고 interrupt로 실행을 멈춘 뒤 승인·수정·거부 결과로 재개하는 흐름을 설명합니다.
- LangSmith로 에이전트 실행 추적 읽기
한 번의 요청을 구성하는 프롬프트·모델·검색·도구 실행을 트레이스로 연결해 실패 지점을 찾습니다.
- LCEL로 프롬프트·모델·파서 연결하기
LangChain Runnable을 파이프로 조합해 입력이 프롬프트와 모델, 출력 파서를 지나는 과정을 확인합니다.
- LLM과 AI 에이전트의 차이 이해하기
한 번 답하는 LLM 호출이 상태·도구·반복을 갖춘 AI 에이전트로 확장되는 구조를 살펴봅니다.
- MCP의 호스트·클라이언트·서버 구분하기
Model Context Protocol에서 사용자 애플리케이션과 연결 관리 계층, 도구·리소스 제공자의 책임을 나눠 봅니다.
- Ollama로 로컬 LLM 실행 구조 이해하기
Ollama의 CLI·로컬 API·모델 저장소가 연결되는 흐름을 확인하고 가장 작은 채팅 요청을 실행합니다.
- RAG의 색인과 검색·생성 분리하기
문서를 벡터로 색인하는 준비 단계와 질문 시 관련 문맥을 검색해 답을 만드는 실행 단계를 구분합니다.
- ReAct와 도구 호출 반복 이해하기
모델의 도구 호출 제안, 실제 실행 결과 관찰, 다음 판단이 이어지는 에이전트 루프를 살펴봅니다.
- Jev로 에이전트 하네스의 판단 분리하기
정해진 선택지의 반복 판단을 Jev로 분리하고 생성형 LLM·정책 계층과 연결하는 하네스 구조를 살펴봅니다.
- 자료구조 선택의 첫걸음
순서, 중복 허용 여부, 조회 방법을 기준으로 리스트·집합·딕셔너리를 선택합니다.