에이전트 AI 엔지니어 로드맵 소개 및 학습 방법

2026년 에이전트 AI 엔지니어가 되기 위한 완벽 로드맵을 소개합니다. Python 기초부터 고급 에이전트 아키텍처, RAG 시스템, 다중 에이전트까지 16개 소주제로 구성된 코스의 전체 흐름과 학습 방법을 안내합니다.

1. 에이전트 AI란 무엇인가

김개발 씨는 최근 회사에서 "에이전트 AI"라는 단어를 자주 듣게 되었습니다. 사내 기술 블로그에도, 팀 미팅에서도 누구나 한 번쯤 언급하는 이 용어.

도대체 에이전트 AI가 무엇이길래 모두가 이렇게 열광하는 걸까요?

에이전트 AI는 스스로 생각하고, 도구를 사용하고, 복잡한 작업을 수행할 수 있는 자율적 AI 시스템을 말합니다. 마치 팀원에게 업무를 맡기면 알아서 자료를 조사하고, 코드를 작성하고, 결과를 보고하는 것과 같습니다.

단순한 챗봇과 달리 목표를 설정하면 스스로 계획을 세워 실행하는 능력이 핵심입니다.

다음 코드를 살펴봅시다.

# 에이전트 AI의 핵심 구조 (개념 예시)
class Agent:
    def __init__(self, name, tools):
        self.name = name          # 에이전트의 이름
        self.tools = tools        # 사용 가능한 도구 목록
        self.memory = []          # 대화 기록과 컨텍스트

    def think(self, task):
        # 주어진 작업을 분석하고 실행 계획을 수립합니다
        plan = self.analyze(task)
        # 계획에 따라 도구를 선택하고 실행합니다
        result = self.execute(plan)
        return result

김개발 씨는 입사 2년 차 백엔드 개발자입니다. 최근 회사의 기술 전략 회의에서 CTO가 이런 발표를 했습니다.

"올해부터 우리 서비스에 에이전트 AI를 도입하겠습니다." 그날 이후, 김개발 씨는 "에이전트 AI"라는 단어가 머릿속에서 떠나지 않았습니다. 평소에 ChatGPT로 코드를 도움 받곤 했지만, 에이전트 AI는 뭔가 다르게 느껴졌습니다.

무엇이 다른 걸까요? 그렇다면 에이전트 AI란 정확히 무엇일까요?

쉽게 비유하자면, 에이전트 AI는 마치 능숙한 비서와 같습니다. 비서에게 "다음 주 고객 미팅을 준비해줘"라고 말하면, 비서는 혼자서 관련 자료를 찾고, 일정을 조율하고, 보고서를 작성합니다.

당신이 일일이 지시하지 않아도 되는 것이죠. 이처럼 에이전트 AI도 목표만 주면 알아서 단계를 밟아 결과를 만들어냅니다.

기존의 챗봇과는 근본적으로 다릅니다. 챗봇은 질문에 대답하는 것이 전부입니다.

"오늘 날씨 어때?"라고 물으면 날씨만 알려줍니다. 하지만 에이전트 AI에게 "내일 소풍 계획을 세워줘"라고 말하면, 날씨를 확인하고, 장소를 검색하고, 예산을 계산하고, 일정표까지 만들어줍니다.

에이전트 AI가 없던 시절에는 어땠을까요? 개발자들은 AI를 단순한 텍스트 생성기로만 사용했습니다.

프롬프트를 입력하면 답변이 나오고, 그걸 복사해서 코드에 붙여넣는 식이었습니다. 더 복잡한 작업이 필요하면 사람이 직접 여러 단계를 거쳐야 했습니다.

AI가 자체적으로 API를 호출하거나, 데이터베이스를 조회하거나, 파일을 생성하는 것은 불가능했습니다. 바로 이런 한계를 뛰어넘기 위해 에이전트 AI가 등장했습니다.

에이전트 AI를 사용하면 AI가 스스로 도구를 선택하고 실행할 수 있습니다. 또한 여러 단계의 작업을 자동으로 연결해서 복잡한 워크플로우를 완성할 수 있습니다.

무엇보다 인간의 개입을 최소화하면서도 높은 품질의 결과물을 얻을 수 있다는 것이 가장 큰 이점입니다. 위의 코드를 한 줄씩 살펴보겠습니다.

먼저 Agent 클래스의 __init__ 메서드를 보면, 에이전트가 가져야 할 기본 구성 요소를 정의하고 있습니다. name은 에이전트의 식별자이고, tools는 에이전트가 사용할 수 있는 도구 목록입니다.

memory는 대화 기록을 저장하는 곳으로, 문맥을 유지하는 데 필수적입니다. 다음으로 think 메서드에서는 주어진 작업을 분석(analyze)하고, 계획에 따라 실행(execute)하는 두 단계로 나뉩니다.

이것이 바로 에이전트 AI의 핵심 동작 원리입니다. 실제 현업에서는 어떻게 활용할까요?

예를 들어 고객 지원 시스템을 개발한다고 가정해봅시다. 단순한 FAQ 챗봇 대신 에이전트 AI를 도입하면, 고객의 문의를 분석하고, 관련 주문 정보를 데이터베이스에서 조회하고, 교환 절차를 안내하며, 필요시 직원에게 에스컬레이션까지 자동으로 처리할 수 있습니다.

고객 만족도는 높아지고, 운영 비용은 줄어드는 일석이조의 효과를 얻을 수 있습니다. 하지만 주의할 점도 있습니다.

초보 개발자들이 흔히 하는 실수 중 하나는 에이전트에게 너무 광범위한 권한을 주는 것입니다. 에이전트가 데이터베이스를 직접 수정하거나, 중요 시스템에 접근할 수 있게 두면, 잘못된 결정으로 치명적인 문제가 발생할 수 있습니다.

따라서 도구별로 명확한 권한을 설정하고, 안전 가드레일을 반드시 구축해야 합니다. 다시 김개발 씨의 이야기로 돌아가 봅시다.

CTO의 발표를 들은 김개발 씨는 속으로 다짐했습니다. "에이전트 AI, 제대로 배워봐야겠어." 그날 저녁, 김개발 씨는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스를 발견하고 첫 단추를 끼우기 시작했습니다.

에이전트 AI의 개념을 제대로 이해하면, 단순한 챗봇을 넘어 스스로 생각하고 행동하는 지능형 시스템을 설계할 수 있습니다. 이 코스에서는 그 기초부터 고급 기법까지 단계별로 배워보겠습니다.

실전 팁

💡 - 에이전트 AI는 "스스로 생각하는 AI"라는 핵심만 기억하세요. 나머지는 자연스럽게 따라옵니다.

챗봇과 에이전트의 가장 큰 차이는 "도구 사용 능력"과 "자율성"입니다.
이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다

2. 왜 2026년에 에이전트 AI인가

김개발 씨가 기술 블로그를 둘러보던 중, 눈길을 사로잡은 기사가 있었습니다. "2026년, 에이전트 AI 시대가 본격적으로 열린다." 과연 왜 지금이 에이전트 AI를 배워야 할 타이밍일까요?

2026년은 에이전트 AI가 실험 단계를 넘어 실제 비즈니스에 도입되는 전환점의 해입니다. LLM의 추론 능력이 비약적으로 향상되었고, 에이전트 프레임워크들이 성숙기에 접어들었습니다.

기업들은 이미 에이전트 AI 전문가를 찾기 시작했고, 수요는 공급을 크게 웃돌고 있습니다.

다음 코드를 살펴봅시다.

# 에이전트 AI 생태계 핵심 기술 스택 (2026년 기준)
# 1. 기반 모델: Claude, GPT-4, Gemini 등
# 2. 프레임워크: LangChain, LangGraph, CrewAI 등
# 3. 도구 통합: MCP (Model Context Protocol)
# 4. 배포: Docker, Kubernetes, AWS Bedrock

# 예시: MCP를 통한 도구 연결
import json

# 에이전트가 호출할 도구 정의
tools = [
    {"name": "search_db", "description": "데이터베이스 검색"},
    {"name": "send_email", "description": "이메일 발송"},
    {"name": "read_file", "description": "파일 읽기"},
]
# 에이전트는 상황에 맞는 도구를 자동으로 선택합니다

김개발 씨의 친구 이신입 씨는 최근 이직 시장을 알아보고 있었습니다. "요즘 채용 공고마다 '에이전트 AI 경험자 우대'라는 말이 붙어 있어." 이신입 씨의 말에 김개발 씨는 고개를 끄덕였습니다.

확실히 작년까지만 해도 "머신러닝 경험자" 정도였던 조건이 올해는 훨씬 구체적으로 바뀌어 있었습니다. 그렇다면 왜 하필 2026년일까요?

세 가지 중요한 변화가 동시에 일어나고 있습니다. 첫째, LLM의 추론 능력이 퀀텀 레벨로 향상되었습니다.

2023년에는 긴 문맥을 유지하는 것조차 어려웠지만, 이제는 수십 페이지의 문서를 읽고 복잡한 추론을 수행할 수 있게 되었습니다. 둘째, 에이전트 프레임워크들이 드디어 성숙기에 접어들었습니다.

LangChain, LangGraph, CrewAI 같은 프레임워크가 실전에서 검증되었고, 생태계가 풍부해졌습니다. 셋째, MCP(Model Context Protocol) 같은 표준화된 도구 통합 방식이 자리 잡으면서, 에이전트가 다양한 시스템과 원활하게 연동할 수 있게 되었습니다.

에이전트 AI가 없던 시절에는 어땠을까요? 단지 2~3년 전만 해도 AI는 텍스트 생성 도구 그 이상도 이하도 아니었습니다.

개발자가 직접 프롬프트를 작성하고, 결과를 검수하고, 다음 단계를 수동으로 진행해야 했습니다. AI가 API를 호출하거나, 파일 시스템에 접근하거나, 여러 시스템을 오가며 작업을 수행하는 것은 상상조차 하기 어려웠습니다.

AI의 능력은 있었지만, 그 능력을 실제 시스템과 연결하는 **"손과 발"**이 없었던 것입니다. 바로 이런 문제를 해결하기 위해 에이전트 AI 생태계가 폭발적으로 성장했습니다.

2024년에 시작된 에이전트 프레임워크들은 2025년 동안 빠르게 발전했습니다. 실험실에서의 데모가 아니라, 실제 비즈니스 환경에서 안정적으로 동작하는 수준에 도달한 것입니다.

위의 코드에서 볼 수 있듯이, 에이전트는 이제 search_db, send_email, read_file 같은 도구를 정의만 하면 자동으로 상황에 맞는 도구를 선택하고 실행할 수 있습니다. 위의 코드를 한 줄씩 살펴보겠습니다.

tools 리스트에는 에이전트가 사용할 수 있는 도구들이 정의되어 있습니다. 각 도구는 name과 description을 가지며, 에이전트는 이 description을 읽고 현재 작업에 가장 적합한 도구를 판단합니다.

이것이 바로 MCP의 기본 아이디어입니다. 도구의 인터페이스를 표준화하면, 에이전트는 어떤 도구든 쉽게 학습하고 사용할 수 있습니다.

실제 현업에서는 어떻게 활용할까요? 예를 들어 금융 서비스를 개발한다고 가정해봅시다.

에이전트 AI를 도입하면, 고객의 자산 현황을 분석하고, 시장 동향을 조사하고, 맞춤형 투자 제안을 생성하는 과정을 자동화할 수 있습니다. 재무 설계사 1명이 하던 일을 에이전트가 보조하게 되면, 팀 전체의 생산성이 극적으로 올라갑니다.

실제로 여러 금융 기관이 에이전트 기반 서비스를 출시하며 경쟁을 벌이고 있습니다. 하지만 주의할 점도 있습니다.

에이전트 AI가 뜨거운 만큼, 과장된 기대감도 위험합니다. 모든 문제를 에이전트로 해결할 수 있는 것은 아닙니다.

단순 반복 작업은 여전히 전통적인 자동화가 더 효율적이며, 에이전트는 복잡한 판단이 필요한 작업에 적용해야 합니다. 또한 에이전트의 결정을 검증하는 인간-in-the-loop(Human-in-the-Loop) 메커니즘은 필수입니다.

다시 김개발 씨의 이야기로 돌아가 봅시다. 이신입 씨와의 대화 후, 김개발 씨는 확신했습니다.

"지금이 바로 에이전트 AI를 배울 타이밍이야." 시장은 이미 움직이고 있었고, 기다릴수록 기회는 멀어질 것입니다. 2026년의 에이전트 AI 생태계는 기술적 성숙도와 시장 수요가 만나는 완벽한 교차점에 있습니다.

이 기회를 놓치지 않으려면, 지금부터 체계적으로 학습을 시작하는 것이 가장 현명한 선택입니다.

실전 팁

💡 - 에이전트 AI 학습은 프레임워크 사용법보다 "원리 이해"가 먼저입니다. 기초를 탄탄히 하세요.

MCP(Model Context Protocol)는 에이전트 생태계의 USB 같은 역할을 합니다. 꼭 알아두세요.
이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다

3. 에이전트 AI 엔지니어의 필수 역량

김개발 씨는 에이전트 AI를 배우기로 마음먹었지만, 막상 어디서부터 시작해야 할지 막막했습니다. "Python은 해본 적이 있는데, AI는 처음이라..." 박시니어 씨가 그런 김개발 씨에게 다가와 말했습니다.

"에이전트 AI 엔지니어에게 필요한 역량을 하나씩 정리해볼까?"

에이전트 AI 엔지니어에게 필요한 역량은 크게 세 가지입니다. 프로그래밍 기초(특히 Python), LLM의 작동 원리에 대한 이해, 그리고 시스템 설계 능력입니다.

이 세 가지가 삼각형의 세 변처럼 균형을 이룰 때, 비로소 안정적인 에이전트 시스템을 구축할 수 있습니다.

다음 코드를 살펴봅시다.

# 에이전트 AI 엔지니어 역량 점검 체크리스트
skills = {
    "프로그래밍 기초": {
        "Python 기본 문법": True,     # 변수, 함수, 클래스
        "타입 힌팅": True,            # 코드의 가독성과 안정성
        "비동기 프로그래밍": False,    # 에이전트의 동시 처리
        "API 통신": False,            # 외부 서비스 연동
    },
    "LLM 이해": {
        "프롬프트 엔지니어링": False,  # 모델과 소통하는 방법
        "토큰과 컨텍스트": False,     # 모델의 한계 이해
        "파인튜닝 개념": False,       # 모델 맞춤화
    },
    "시스템 설계": {
        "도구 설계": False,            # 에이전트용 도구 정의
        "메모리 관리": False,          # 컨텍스트 유지 전략
        "에러 핸들링": False,         # 안전한 에이전트 동작
    },
}
# 김개발 씨는 Python 기본 문법만 True였습니다

김개발 씨의 컴퓨터 모니터 앞에는 수많은 탭이 열려 있었습니다. "에이전트 AI 입문", "LangChain 튜토리얼", "Python AI 개발", "RAG 시스템 구축"...

읽을 만한 자료는 넘쳐나지만, 정작 어디서부터 시작해야 할지 모르겠습니다. 박시니어 씨가 커피를 들고 다가왔습니다.

"자, 하나씩 정리해보자." 그렇다면 에이전트 AI 엔지니어에게 정확히 어떤 역량이 필요할까요? 쉽게 비유하자면, 에이전트 AI 엔지니어는 마치 영화 감독과 같습니다.

감독이 카메라 기술, 연출, 시나리오 작성 모두를 알아야 좋은 영화를 만들 듯, 에이전트 엔지니어도 프로그래밍, AI 이해, 시스템 설계 세 가지를 두루 갖춰야 합니다. 어느 하나가 부족하면 에이전트는 제 역할을 다하지 못합니다.

에이전트 AI 엔지니어가 없던 시절에는 어땠을까요? 과거의 AI 개발은 주로 데이터 과학자의 영역이었습니다.

수학과 통계에 능통한 전문가들이 모델을 훈련시키고, 성능을 최적화했습니다. 개발자는 API를 호출해서 결과를 받아오는 정도의 역할만 했습니다.

하지만 에이전트 AI 시대에는 이 구분이 흐려집니다. 개발자가 직접 에이전트를 설계하고, 프롬프트를 작성하고, 도구를 연결해야 합니다.

바로 이런 변화에 맞춰 필요한 역량도 달라졌습니다. 첫째, Python 프로그래밍 기초입니다.

위의 코드에서 볼 수 있듯, 김개발 씨는 Python 기본 문법과 타입 힌팅은 알지만, 비동기 프로그래밍과 API 통신은 아직 부족합니다. 에이전트는 여러 도구를 동시에 호출해야 하므로 **비동기 프로그래밍(async/await)**은 필수적입니다.

또한 외부 API와 통신하는 능력은 에이전트가 실제 시스템과 연동하는 데 필요합니다. 둘째, LLM의 작동 원리에 대한 이해입니다.

토큰이 무엇인지, 컨텍스트 윈도우가 무엇을 의미하는지, 왜 프롬프트의 순서가 중요한지를 알아야 합니다. 이것은 마치 자동차를 운전하려면 엔진이 어떻게 작동하는지 알아야 하는 것과 같습니다.

원리를 모르면 문제가 발생했을 때 원인을 찾을 수 없습니다. 셋째, 시스템 설계 능력입니다. 에이전트에 어떤 도구를 제공할지, 메모리를 어떻게 관리할지, 에러가 발생했을 때 어떻게 대처할지를 설계해야 합니다.

이것은 단순한 코딩 능력이 아니라, 전체 시스템을 조망하는 아키텍처적 사고가 필요합니다. 위의 코드를 한 줄씩 살펴보겠습니다.

skills 딕셔너리는 세 가지 역량 영역으로 나뉘어 있습니다. 각 영역 아래에 구체적인 스킬이 나열되어 있고, True/False로 현재 수준을 표시합니다.

김개발 씨의 경우 Python 기본 문법과 타입 힌팅만 True입니다. 이 체크리스트를 활용하면 자신의 현재 수준을 객관적으로 파악하고, 부족한 부분을 집중적으로 학습할 수 있습니다.

실제 현업에서는 어떻게 활용할까요? 예를 들어 이커머스 플랫폼에서 에이전트 AI 팀을 구성한다고 가정해봅시다.

프로그래밍에 능통하지만 AI 지식이 없는 개발자는 에이전트의 뼈대를 만들 수 있지만, 프롬프트 최적화에는 어려움을 겪을 것입니다. 반대로 AI 전문가지만 프로그래밍이 약한 사람은 개념은 알지만 실제 구현이 어렵습니다.

따라서 이 세 가지 역량을 모두 갖춘 엔지니어가 가장 높은 평가를 받습니다. 하지만 주의할 점도 있습니다.

초보 개발자들이 흔히 하는 실수 중 하나는 한 가지 역량에만 집중하는 것입니다. 프로그래밍만 파다 보면 AI 원리를 이해하지 못하고, AI 이론만 공부하다 보면 실제 구현을 할 수 없습니다.

또한 모든 것을 한 번에 완벽하게 배우려고 하지 마세요. 이 코스에서는 세 가지 역량을 균형 있게, 단계별로 쌓아갑니다. 다시 김개발 씨의 이야기로 돌아가 봅시다.

박시니어 씨의 도움으로 체크리스트를 작성한 김개발 씨는 한숨을 쉬었습니다. "할 게 많네..." 하지만 박시니어 씨가 웃으며 말했습니다.

"걱정 마. 이 코스가 바로 그걸 위한 거니까.

하나씩, 제대로 하면 돼." 에이전트 AI 엔지니어의 필수 역량을 미리 파악하면, 학습의 방향성을 잡을 수 있습니다. 어디에 시간을 투자해야 할지 알고, 무엇을 먼저 배워야 할지 우선순위를 정할 수 있습니다.

이 코스가 여러분의 체크리스트를 True로 채워드리겠습니다.

실전 팁

💡 - 자신의 현재 역량을 위 체크리스트처럼 점검해보세요. 어디서부터 시작해야 할지 명확해집니다.

세 역량 중 가장 취약한 부분부터 집중 투자하는 것이 효율적입니다.
이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다

4. 로드맵 전체 구조 소개

김개발 씨는 드디어 학습을 시작하려고 앉았지만, 코스의 전체 구조를 먼저 파악하고 싶었습니다. "16개 소주제라고 했는데, 어떤 순서로 배우는 거지?" 전체 지도를 보지 않고 산을 오르면 길을 잃기 쉽다는 것을 김개발 씨도 알고 있었습니다.

이 코스는 총 16개 소주제로 구성되어 있으며, 크게 네 가지 단계로 진행됩니다. 1단계: 기초 다지기(Python, LLM 원리), 2단계: 프레임워크 실전(도구 사용, 체인 구성), 3단계: 고급 아키텍처(RAG, 다중 에이전트), 4단계: 프로덕션 배포(최적화, 모니터링)입니다.

각 단계는 이전 단계의 지식을 기반으로 쌓아 올라갑니다.

다음 코드를 살펴봅시다.

# 에이전트 AI 엔지니어 로드맵 전체 구조
roadmap = {
    "1단계: 기초 다지기": [
        "Python 기본 사항 - 프로젝트 구조와 타이핑",
        "LLM 기초 - 트랜스포머와 토큰 이해",
        "프롬프트 엔지니어링 핵심 기법",
        "에이전트 개념과 기본 구조",
    ],
    "2단계: 프레임워크 실전": [
        "도구(Tools) 정의와 사용법",
        "체인(Chain)으로 작업 연결하기",
        "메모리와 컨텍스트 관리",
        "LangChain/LangGraph 기본 활용",
    ],
    "3단계: 고급 아키텍처": [
        "RAG 시스템 구축",
        "벡터 데이터베이스 활용",
        "다중 에이전트 시스템",
        "에이전트 평가와 테스트",
    ],
    "4단계: 프로덕션 배포": [
        "성능 최적화 기법",
        "보안과 안전 가드레일",
        "모니터링과 로깅",
        "실제 서비스 배포 사례",
    ],
}
# 각 단계는 이전 단계를 기반으로 심화됩니다

김개발 씨는 산을 등반하기 전, 항상 등산로 지도를 먼저 확인하는 습관이 있습니다. 어느 골짜기를 지나야 하는지, 어디서 쉬어야 하는지, 정상까지 얼마나 남았는지를 미리 알면 불안함이 줄어들기 때문입니다.

에이전트 AI 학습도 마찬가지입니다. 전체 지도를 보면 학습이 훨씬 수월해집니다.

그렇다면 이 코스의 전체 구조는 어떻게 되어 있을까요? 쉽게 비유하자면, 이 로드맵은 마치 건물을 짓는 과정과 같습니다.

먼저 기초를 다지고(1단계), 골조를 세우고(2단계), 내부 인테리어를 하고(3단계), 마지막으로 사람들이 들어올 수 있게 문을 엽니다(4단계). 순서를 바꾸면 건물은 무너집니다.

이처럼 학습에도 올바른 순서가 있습니다. 1단계: 기초 다지기에서는 Python 프로그래밍 기초와 LLM의 작동 원리를 배웁니다.

에이전트를 이해하려면 먼저 **에이전트를 구현하는 언어(Python)**와 에이전트의 뇌 역할을 하는 LLM을 알아야 합니다. 기초가 탄탄하지 않으면 나중에 프레임워크를 다룰 때마다 막힙니다.

2단계: 프레임워크 실전에서는 실제로 에이전트를 구축하는 방법을 배웁니다. 도구를 정의하고, 여러 작업을 체인으로 연결하고, 대화 컨텍스트를 유지하는 방법을 익힙니다.

이 단계에서 이론이 실제 코드로 변환되는 경험을 하게 됩니다. 가장 재미있는 단계이기도 합니다.

3단계: 고급 아키텍처에서는 실전에서 필수적인 고급 기법을 다룹니다. RAG(Retrieval-Augmented Generation) 시스템으로 에이전트에 외부 지식을 제공하고, 벡터 데이터베이스로 효율적으로 정보를 검색하며, 여러 에이전트가 협력하는 다중 에이전트 시스템을 구축합니다.

이 단계를 마치면 실무 수준의 에이전트를 설계할 수 있습니다. 4단계: 프로덕션 배포에서는 개발한 에이전트를 실제 서비스에 배포하는 방법을 배웁니다.

성능을 최적화하고, 보안 가드레일을 설치하고, 모니터링 시스템을 구축합니다. 데모와 프로덕션의 가장 큰 차이는 안정성과 신뢰성입니다.

이 단계에서 그 차이를 메웁니다. 위의 코드를 한 줄씩 살펴보겠습니다.

roadmap 딕셔너리는 네 단계의 학습 구조를 한눈에 보여줍니다. 각 단계마다 4개의 소주제가 있고, 총 16개입니다.

1단계: 기초 다지기에서는 Python 기본 사항부터 시작해 LLM 원리, 프롬프트 엔지니어링, 에이전트 개념을 다룹니다. 이어지는 단계들은 점진적으로 심화되며, 최종적으로 실제 서비스 배포까지 도달합니다.

실제 현업에서는 어떻게 활용할까요? 예를 들어 스타트업에서 에이전트 AI 팀을 새로 구성한다고 가정해봅시다.

팀원들이 이 로드맵을 공유하면, 각자의 현재 수준에 맞는 단계에서 학습을 시작할 수 있습니다. 시니어는 3단계에서 바로 시작하고, 주니어는 1단계부터 차근차근 올라갑니다.

또한 면접에서 "에이전트 AI를 어떻게 공부할 계획인가?"라는 질문에 이 로드맵을 제시하면, 체계적인 학습 계획을 가진 사람으로 평가받을 수 있습니다. 하지만 주의할 점도 있습니다.

초보 개발자들이 흔히 하는 실수 중 하나는 뒤쪽 단계만 먼저 보는 것입니다. "RAG가 요즘 유행하니까 RAG부터 배워야지!"라고 생각하지만, RAG를 제대로 이해하려면 Python 비동기 프로그래밍과 벡터 데이터베이스 지식이 필요합니다.

계단을 건너뛰면 넘어지기 마련입니다. 반드시 1단계부터 순서대로 진행하세요.

다시 김개발 씨의 이야기로 돌아가 봅시다. 로드맵 전체를 훑어본 김개발 씨는 안도의 한숨을 내쉬었습니다.

"1단계부터 4단계까지, 순서대로 가면 되는구나." 막연했던 불안감이 구체적인 학습 계획으로 바뀌었습니다. 이 코스의 로드맵은 단순한 목차가 아닙니다.

수많은 시행착오를 거친 뒤 도출한 최적의 학습 경로입니다. 각 단계가 다음 단계의 튼튼한 기반이 되도록 설계되었습니다.

이 지도를 손에 들고, 하나씩 정복해나가세요.

실전 팁

💡 - 로드맵 전체를 먼저 한 번 훑어보세요. 어디로 가는지 알면 학습 동기가 유지됩니다.

각 단계를 마칠 때마다 스스로 간단한 프로젝트를 만들어보세요. 실습이 이론보다 중요합니다.
이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다

5. 학습 환경 구축하기

김개발 씨는 드디어 코딩을 시작하려고 터미널을 열었습니다. 하지만 막상 Python을 실행하려고 하니 버전 문제가 발생했습니다.

"3.8인데, 3.12가 필요하다고?" 학습을 시작하기 전에 제대로 된 환경을 구축하는 것이 생각보다 중요했습니다.

에이전트 AI 개발을 위해서는 Python 3.10 이상과 가상 환경, 그리고 필수 라이브러리 설치가 필요합니다. 최신 에이전트 프레임워크들은 대부분 타입 힌팅과 비동기 기능을 적극 활용하므로, 구버전 Python에서는 정상적으로 동작하지 않습니다.

환경 구축은 지루하지만, 모든 것의 출발점입니다.

다음 코드를 살펴봅시다.

# 에이전트 AI 개발 환경 구축 스크립트
# 1. Python 버전 확인 (3.10 이상 필요)
python --version  # Python 3.12.x 권장

# 2. 가상 환경 생성 및 활성화
python -m venv agent-env
source agent-env/bin/activate  # Linux/Mac

# 3. 필수 라이브러리 설치
pip install langchain langchain-openai
pip install langgraph python-dotenv
pip install pydantic httpx asyncio

# 4. 프로젝트 기본 구조 생성
mkdir -p src/{agents,tools,memory}
touch src/__init__.py
touch .env  # API 키는 여기에 저장

김개발 씨는 새 노트북을 샀을 때마다 드는 생각이 있습니다. "환경 설정이 제일 귀찮다." 운영체제를 설치하고, 에디터를 깔고, 개발 도구를 세팅하는 과정은 재미없고 지루합니다.

하지만 박시니어 씨는 늘 이렇게 말합니다. "환경 설정에 시간을 아끼면, 나중에 디버깅에 그 열 배를 쓰게 돼." 그렇다면 왜 환경 구축이 이렇게 중요할까요?

쉽게 비유하자면, 개발 환경은 마치 요리사의 주방과 같습니다. 날카로운 칼, 제대로 된 가스레인지, 깨끗한 도마가 갖춰지지 않은 주방에서는 요리사도 맛있는 음식을 만들 수 없습니다.

마찬가지로 올바른 Python 버전과 필수 도구가 없으면 에이전트 AI 개발은 시작조차 할 수 없습니다. 에이전트 AI 개발 환경이 없던 시절에는 어땠을까요? 과거에는 Python 2와 Python 3가 공존했고, 프로젝트마다 다른 버전이 필요했습니다.

전역에 설치된 Python 하나로 모든 프로젝트를 처리하다 보니 의존성 충돌이 끊임없이 발생했습니다. 프로젝트 A에서는 라이브러리 버전 1.0이 필요한데, 프로젝트 B에서는 2.0이 필요한 상황이 흔했습니다.

개발자들은 이 문제를 해결하기 위해 가상 환경이라는 개념을 도입했습니다. 바로 이런 문제를 해결하기 위해 체계적인 환경 관리가 필요합니다.

위의 코드에서 볼 수 있듯, 먼저 Python 3.12를 설치합니다. 3.10 이상이면 되지만, 3.12가 현재 가장 안정적이고 최신 기능을 지원합니다.

다음으로 python -m venv agent-env로 가상 환경을 생성합니다. 가상 환경은 프로젝트마다 독립적인 Python 공간을 만들어주어, 의존성 충돌을 방지합니다.

위의 코드를 한 줄씩 살펴보겠습니다. pip install 명령어로 필수 라이브러리들을 설치합니다.

langchain과 langchain-openai는 에이전트 프레임워크의 핵심이고, langgraph는 복잡한 워크플로우를 구성하는 데 사용됩니다. pydantic은 데이터 검증에, httpx는 비동기 HTTP 통신에, asyncio는 비동기 프로그래밍에 각각 필요합니다.

마지막으로 mkdir -p src/{agents,tools,memory}로 프로젝트 기본 디렉토리 구조를 생성합니다. 에이전트 코드, 도구 코드, 메모리 관리 코드를 각각 분리하여 관리하는 것이 좋은 습관입니다.

실제 현업에서는 어떻게 활용할까요? 예를 들어 4명의 팀원이 에이전트 프로젝트를 함께 개발한다고 가정해봅시다.

모두가 동일한 Python 버전과 라이브러리를 사용해야 코드가 일관되게 동작합니다. 이때 requirements.txt나 pyproject.toml 파일로 의존성을 문서화하면, 새로 합류한 팀원도 pip install -r requirements.txt 한 번으로 동일한 환경을 구축할 수 있습니다.

Docker를 사용하면 환경 차이로 인한 문제를 원천적으로 방지할 수 있습니다. 하지만 주의할 점도 있습니다.

초보 개발자들이 흔히 하는 실수 중 하나는 가상 환경 없이 전역에 라이브러리를 설치하는 것입니다. 당장은 문제가 없어 보이지만, 프로젝트가 여러 개가 되면 의존성 지옥에 빠집니다.

또한 API 키를 코드에 직접 하드코딩하는 것은 절대 안 됩니다. .env 파일에 저장하고, .gitignore에 추가해서 GitHub에 올라가지 않게 해야 합니다.

API 키가 유출되면 심각한 보안 문제가 발생할 수 있습니다. 다시 김개발 씨의 이야기로 돌아가 봅시다.

반나절 동안 환경을 구축한 김개발 씨는 드디어 터미널에 python --version을 입력했습니다. Python 3.12.3이 깔끔하게 출력되었습니다.

pip list를 확인하니 langchain, langgraph, pydantic이 모두 설치되어 있었습니다. "드디어 준비 완료!" 김개발 씨의 에이전트 AI 여정이 시작되었습니다.

환경 구축은 가장 지루한 단계이지만, 가장 중요한 단계이기도 합니다. 제대로 된 환경에서 시작하면 앞으로 만날 수많은 환경 관련 에러를 피할 수 있습니다.

지금 투자한 반나절이 나중에는 며칠의 디버깅 시간을 아껴줄 것입니다.

실전 팁

💡 - 반드시 가상 환경을 사용하세요. 프로젝트마다 독립적인 환경을 유지하는 것이 전문가의 기본입니다.

API 키는 절대 코드에 하드코딩하지 마세요. .env 파일과 python-dotenv를 사용하세요.
이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다

6. 이 코스를 어떻게 활용해야 할까

김개발 씨는 코스의 전체 구조와 학습 환경까지 모두 준비했습니다. 이제 본격적으로 학습을 시작하면 되는데, 한 가지 고민이 남았습니다.

"이 코스를 어떻게 공부하는 게 가장 효율적일까?" 책을 읽기만 해도 되는 걸까요, 아니면 직접 코드를 쳐봐야 할까요?

이 코스를 최대한 활용하려면 세 가지 원칙을 지키세요. 첫째, 직접 코드를 작성하세요.

복사 붙여넣기가 아닌 직접 타이핑하는 것만으로도 근육 기억이 형성됩니다. 둘째, 각 카드뉴스의 코드를 수정해보세요.

매개변수를 바꾸고, 에러를 일부러 만들어보며 어떤 일이 일어나는지 관찰하세요. 셋째, 작은 프로젝트를 만들어보세요. 배운 내용을 조합해서 하나의 완성된 결과물을 만드는 것이 가장 강력한 학습법입니다.

다음 코드를 살펴봅시다.

# 학습 진도 관리 스크립트
import json
from datetime import datetime

class StudyTracker:
    def __init__(self):
        self.progress = {}   # 학습 진도 저장
        self.notes = []      # 학습 노트

    def complete_topic(self, topic_num, topic_name):
        # 완료한 소주제를 기록합니다
        self.progress[topic_num] = {
            "name": topic_name,
            "completed_at": datetime.now().isoformat(),
            "status": "completed",
        }
        print(f"[{topic_num}/16] {topic_name} 완료!")

    def get_progress(self):
        # 전체 진도율을 계산합니다
        done = len(self.progress)
        total = 16
        rate = (done / total) * 100
        print(f"진도율: {done}/{total} ({rate:.1f}%)")

# 사용 예시
tracker = StudyTracker()
tracker.complete_topic(1, "에이전트 AI 로드맵 소개")
tracker.get_progress()  # 진도율: 1/16 (6.3%)

김개발 씨는 대학 시절, 교수님께서 항상 강조하시던 말이 있습니다. "백 번 듣는 것보다 한 번 직접 해봐라." 당시에는 그 말의 무게를 몰랐지만, 실무에서 부딪히며 그 의미를 깨달았습니다.

프로그래밍은 스포츠와 같습니다. 테니스 강의를 백 번 듣는 것보다, 라켓을 한 번 잡아보는 것이 훨씬 낫습니다.

그렇다면 이 코스를 가장 효율적으로 활용하는 방법은 무엇일까요? 쉽게 비유하자면, 이 코스는 마치 건강 클럽의 운동 프로그램과 같습니다.

트레이너가 운동 루틴을 짜주지만, 실제로 근육이 생기려면 직접 땀을 흘려야 합니다. 코스를 읽기만 하면 지식은 얻겠지만, 실력은 오지 않습니다. 반드시 손으로 코드를 작성하고, 머리로 생각하고, 에러와 씨름해야 합니다.

단순히 읽기만 하는 학습 방식에는 한계가 있었습니다. 많은 초보 개발자들이 기술 블로그를 읽고 "이해했다"고 착각합니다.

하지만 막상 비슷한 문제를 해결하려고 하면 코드를 짜지 못합니다. 이른바 "읽고 이해한 것"과 "직접 구현할 수 있는 것" 사이의 거대한 간극입니다.

이 간극을 좁히는 유일한 방법은 직접 코딩하는 것뿐입니다. 바로 이런 문제를 해결하기 위해 세 가지 학습 원칙을 제안합니다.

첫째, 직접 코드를 작성하세요. 위의 코드에서 볼 수 있는 StudyTracker 클래스를 직접 타이핑해보세요. 복사 붙여넣기가 아니라, 한 글자 한 글자 직접 치는 것이 중요합니다.

오타가 나면 고치고, 에러가 발생하면 원인을 찾고, 이 과정에서 손가락 끝에서 뇌로 연결되는 회로가 만들어집니다. 놀랍게도, 직접 타이핑한 코드는 복사한 코드보다 훨씬 오래 기억에 남습니다.

둘째, 코드를 수정해보세요. 예제 코드를 그대로 실행하는 것으로 끝내지 마세요. complete_topic 메서드에 difficulty 매개변수를 추가해보고, 난이도별로 별점을 매기는 기능을 넣어보세요.

get_progress 메서드에서 완료되지 않은 주제도 함께 보여주도록 수정해보세요. 에러를 일부러 만들어보는 것도 좋은 학습법입니다.

self.progress를 self.progres로 오타를 내면 어떤 에러가 발생하는지 직접 확인해보세요. 셋째, 작은 프로젝트를 만드세요. 각 단계를 마칠 때마다 배운 내용을 조합해서 하나의 완성된 결과물을 만들어보세요.

예를 들어 1단계를 마치면 **"나만의 학습 진도 관리 에이전트"**를 만들어보세요. 2단계를 마치면 그 에이전트에 도구를 추가해보세요.

단계가 진행될수록 에이전트가 점점 더 똑똑해지는 것을 경험할 수 있습니다. 위의 코드를 한 줄씩 살펴보겠습니다.

StudyTracker 클래스는 학습 진도를 관리하는 간단한 도구입니다. complete_topic 메서드로 완료한 소주제를 기록하고, get_progress 메서드로 전체 진도율을 확인합니다.

datetime.now().isoformat()은 완료 시간을 기록하여, 언제 어떤 주제를 완료했는지 추적할 수 있습니다. 이 코드를 기반으로 자신만의 학습 관리 도구를 만들어보세요.

기능을 하나씩 추가하다 보면, 어느새 꽤 쓸만한 앱이 완성되어 있을 것입니다. 실제 현업에서는 어떻게 활용할까요?

예를 들어 에이전트 AI 스터디 그룹을 운영한다고 가정해봅시다. 이 StudyTracker를 활용해 팀원들의 학습 진도를 공유할 수 있습니다.

"이번 주에 3번까지 완료한 사람?"이라고 물어볼 필요 없이, 시스템이 자동으로 각자의 진도를 보여줍니다. 이처럼 배운 내용을 실제로 사용하는 상황에 적용하는 것이 가장 효과적인 학습법입니다.

하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 완벽하게 이해할 때까지 넘어가지 않는 것입니다.

모든 것을 100% 이해하려고 하면 진도가 너무 느려집니다. 70% 정도 이해했다면 다음으로 넘어가세요.

나중에 전체 그림이 보이면 이전에 이해하지 못했던 부분이 자연스럽게 이해됩니다. 완벽주의는 학습의 적입니다.

다시 김개발 씨의 이야기로 돌아가 봅시다. 김개발 씨는 학습 계획을 세웠습니다.

매일 저녁 1시간, 각 카드뉴스의 코드를 직접 타이핑하고, 하나씩 수정해보고, 주말에는 그주에 배운 내용으로 작은 프로젝트를 만들기로 했습니다. "하루하루 조금씩, 하지만 매일." 작은 습관이 큰 변화를 만듭니다.

이 코스를 활용하는 방법은 간단합니다. 읽고, 치고, 고치고, 만드세요. 이 네 단계를 반복하면 16개 소주제가 끝날 때쯤, 여러분은 어느새 에이전트 AI 엔지니어로 성장해 있을 것입니다.

다음 카드뉴스에서는 Python의 기본 사항, 특히 프로젝트 구조와 타이핑에 대해 배워보겠습니다. 본격적인 코딩의 시작입니다.

실전 팁

💡 - 코드는 반드시 직접 타이핑하세요. 복사 붙여넣기는 학습 효과가 거의 없습니다.

70% 이해하면 다음으로 넘어가세요. 완벽주의는 학습의 적입니다.
각 단계를 마칠 때마다 배운 내용을 조합한 작은 프로젝트를 만들어보세요.
이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다

7. 기대효과와 성공 사례

김개발 씨의 동료 최신입 씨는 3개월 전부터 에이전트 AI를 독학하고 있었습니다. 그런데 어느 날, 최신입 씨가 만든 에이전트가 팀의 업무 프로세스를 자동화하는 데 성공했습니다.

"이걸 혼자 만든 거야?" 김개발 씨는 깜짝 놀랐습니다. 3개월 전까지만 해도 AI는 안경도 안 쓰던 최신입 씨가 말이죠.

에이전트 AI를 체계적으로 학습하면 개인의 업무 생산성이 극적으로 향상됩니다. 실제로 많은 개발자들이 에이전트 AI를 도입하여 반복 작업을 자동화하고, 문서 검색 시간을 단축하며, 고객 응대 품질을 향상시켰습니다.

이 코스를 완주하면, 여러분도 그들과 같은 성과를 낼 수 있습니다.

다음 코드를 살펴봅시다.

# 에이전트 AI 도입 전후 업무 효율 비교
# 도입 전: 수동 처리
tasks_before = {
    "고객 문의 분류": "직원이 수동 분석 (10분/건)",
    "관련 정보 검색": "여러 시스템 조회 (15분/건)",
    "답변 작성": "템플릿 + 수동 편집 (8분/건)",
    "총 소요 시간": "약 33분/건",
}

# 도입 후: 에이전트 자동화
tasks_after = {
    "고객 문의 분류": "에이전트가 자동 분류 (1분/건)",
    "관련 정보 검색": "RAG로 즉시 검색 (30초/건)",
    "답변 작성": "에이전트가 초안 생성 (2분/건)",
    "총 소요 시간": "약 3.5분/건 (인간 검증 포함)",
}
# 생산성 약 9.4배 향상

김개발 씨는 최신입 씨의 사례에 큰 충격을 받았습니다. 3개월 전까지만 해도 둘은 비슷한 수준의 주니어 개발자였습니다.

하지만 최신입 씨는 에이전트 AI를 집중적으로 학습하면서, 팀 내에서 가장 생산성이 높은 멤버로 변모했습니다. 비결이 무엇일까요?

쉽게 비유하자면, 에이전트 AI를 배우는 것은 마치 엑셀을 배우는 것과 같습니다. 엑셀을 모르는 사람은 숫자를 일일이 수기로 계산하지만, 엑셀을 아는 사람은 수식 한 줄로 같은 작업을 1초 만에 끝냅니다.

에이전트 AI는 엑셀의 수천 배 버전이라고 생각하시면 됩니다. 복잡한 작업을 자동화하는 능력이 비교할 수 없을 정도로 강력합니다.

에이전트 AI가 도입되기 전의 업무 환경은 어떠했을까요? 고객 문의가 들어오면 담당자가 내용을 읽고, 적절한 카테고리로 분류하고, 여러 시스템에서 관련 정보를 찾고, 적절한 답변을 작성해야 했습니다.

한 건당 약 30분이 소요되었고, 하루에 처리할 수 있는 문의는 한정되어 있었습니다. 숙련된 직원일수록 더 많은 문의를 처리할 수 있었지만, 그것도 물리적인 한계가 있었습니다.

바로 이런 한계를 에이전트 AI가 깨뜨렸습니다. 위의 코드에서 볼 수 있듯, 에이전트 도입 전에는 한 건당 약 33분이 소요되었습니다.

하지만 에이전트가 자동으로 문의를 분류하고, RAG 시스템으로 관련 정보를 검색하고, 답변 초안을 생성한 뒤, 인간이 최종 검증만 하면 되도록 바뀌었습니다. 소요 시간은 약 3.5분으로 줄어들었고, 생산성은 약 9.4배 향상되었습니다.

위의 코드를 한 줄씩 살펴보겠습니다. tasks_before 딕셔너리는 에이전트 도입 전의 수동 작업 흐름을 보여줍니다.

각 단계별로 소요 시간이 명시되어 있으며, 총 33분이 걸립니다. 반면 tasks_after는 에이전트 도입 후의 자동화된 흐름입니다.

에이전트가 1분 만에 문의를 분류하고, RAG로 30초 만에 정보를 검색하며, 2분 만에 답변 초안을 생성합니다. 여기에 인간의 검증 시간(약 1분)을 더해 총 3.5분이 소요됩니다.

물론 이것은 이상적인 수치이며, 실제로는 초기 세팅과 학습 곡선이 필요합니다. 실제 현업에서는 어떻게 활용할까요?

최신입 씨의 사례 외에도 다양한 성공 사례가 있습니다.某 금융 기관은 에이전트 AI를 도입하여 대출 심사 소요 시간을 70% 단축했습니다. 某 헬스케어 스타트업은 환자의 증상을 분석하고 적절한 진료과를 안내하는 에이전트를 구축하여 환자 대기 시간을 50% 줄였습니다. 某 IT 기업은 코드 리뷰 에이전트를 만들어 리뷰 품질은 유지하면서 리뷰 시간을 60% 단축했습니다.

이런 사례들의 공통점은 무엇일까요? 바로 **"작게 시작해서 점진적으로 확장"**했다는 것입니다.

하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 처음부터 너무 복잡한 에이전트를 만들려는 것입니다.

모든 것을 자동화하려고 하면 실패 확률이 높아집니다. 성공한 사례들은 모두 하나의 작은 문제부터 시작해서, 성공을 확인한 뒤 점진적으로 범위를 넓혔습니다.

또한 에이전트의 결정을 검증하는 프로세스를 반드시 마련해야 합니다. 에이전트가 100% 정확하지 않기 때문에, 인간의 검증 단계는 필수적입니다.

다시 김개발 씨의 이야기로 돌아가 봅시다. 최신입 씨의 성공을 본 김개발 씨는 더 이상 망설일 이유가 없었습니다.

"3개월이면 나도 저 정도는 할 수 있겠지?" 물론 그렇습니다. 이 코스는 여러분이 체계적이고 실전적인 방식으로 에이전트 AI를 마스터할 수 있도록 설계되었습니다.

기초부터 프로덕션 배포까지, 16개 소주제를 완주하면 여러분도 에이전트 AI 엔지니어로 성장할 수 있습니다. 기대효과를 미리 그려보는 것은 학습 동기를 유지하는 좋은 방법입니다.

**"3개월 뒤, 내가 만든 에이전트가 팀의 업무를 자동화하고 있다"**는 상상을 해보세요. 그 상상이 현실이 되려면, 오늘부터 첫 번째 단추를 끼우면 됩니다.

다음 카드뉴스에서는 Python의 기본 사항부터 시작합니다. 준비되셨나요?

실전 팁

💡 - 에이전트 AI 도입은 "작게 시작해서 점진적으로 확장"하는 것이 성공의 열쇠입니다.

인간의 검증 단계(Human-in-the-Loop)는 에이전트 시스템에서 절대 생략하면 안 됩니다.
이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다

이상으로 학습을 마칩니다. 위 내용을 직접 코드로 작성해보면서 익혀보세요!

#Python#AI#LLM#Agent#Roadmap

에이전트 AI 엔지니어 로드맵 소개 및 학습 방법

# 에이전트 AI 엔지니어 로드맵 소개 및 학습 방법 2026년 에이전트 AI 엔지니어가 되기 위한 완벽 로드맵을 소개합니다. Python 기초부터 고급 에이전트 아키텍처, RAG 시스템, 다중 에이전트까지 16개 소주제로 구성된 코스의 전체 흐름과 학습 방법을 안내합니다. --- ## 목차 1. [에이전트_AI란_무엇인가](#에이전트-ai란-무엇인가) 2. [왜_2026년에_에이전트_AI인가](#왜-2026년에-에이전트-ai인가) 3. [에이전트_AI_엔지니어의_필수_역량](#에이전트-ai-엔지니어의-필수-역량) 4. [로드맵_전체_구조_소개](#로드맵-전체-구조-소개) 5. [학습_환경_구축하기](#학습-환경-구축하기) 6. [이_코스를_어떻게_활용해야_할까](#이-코스를-어떻게-활용해야-할까) 7. [기대효과와_성공_사례](#기대효과와-성공-사례) --- ## 1. 에이전트_AI란_무엇인가 김개발 씨는 최근 회사에서 "에이전트 AI"라는 단어를 자주 듣게 되었습니다. 사내 기술 블로그에도, 팀 미팅에서도 누구나 한 번쯤 언급하는 이 용어. 도대체 에이전트 AI가 무엇이길래 모두가 이렇게 열광하는 걸까요? **에이전트 AI**는 스스로 생각하고, 도구를 사용하고, 복잡한 작업을 수행할 수 있는 **자율적 AI 시스템**을 말합니다. 마치 팀원에게 업무를 맡기면 알아서 자료를 조사하고, 코드를 작성하고, 결과를 보고하는 것과 같습니다. 단순한 챗봇과 달리 **목표를 설정하면 스스로 계획을 세워 실행**하는 능력이 핵심입니다. 다음 코드를 살펴봅시다. ```python # 에이전트 AI의 핵심 구조 (개념 예시) class Agent: def __init__(self, name, tools): self.name = name # 에이전트의 이름 self.tools = tools # 사용 가능한 도구 목록 self.memory = [] # 대화 기록과 컨텍스트 def think(self, task): # 주어진 작업을 분석하고 실행 계획을 수립합니다 plan = self.analyze(task) # 계획에 따라 도구를 선택하고 실행합니다 result = self.execute(plan) return result ``` 김개발 씨는 입사 2년 차 백엔드 개발자입니다. 최근 회사의 기술 전략 회의에서 CTO가 이런 발표를 했습니다. "올해부터 우리 서비스에 에이전트 AI를 도입하겠습니다." 그날 이후, 김개발 씨는 "에이전트 AI"라는 단어가 머릿속에서 떠나지 않았습니다. 평소에 ChatGPT로 코드를 도움 받곤 했지만, 에이전트 AI는 뭔가 다르게 느껴졌습니다. 무엇이 다른 걸까요? 그렇다면 에이전트 AI란 정확히 무엇일까요? 쉽게 비유하자면, 에이전트 AI는 마치 **능숙한 비서**와 같습니다. 비서에게 "다음 주 고객 미팅을 준비해줘"라고 말하면, 비서는 혼자서 관련 자료를 찾고, 일정을 조율하고, 보고서를 작성합니다. 당신이 일일이 지시하지 않아도 되는 것이죠. 이처럼 에이전트 AI도 **목표만 주면 알아서 단계를 밟아 결과를 만들어냅니다**. 기존의 챗봇과는 근본적으로 다릅니다. 챗봇은 질문에 대답하는 것이 전부입니다. "오늘 날씨 어때?"라고 물으면 날씨만 알려줍니다. 하지만 에이전트 AI에게 "내일 소풍 계획을 세워줘"라고 말하면, 날씨를 확인하고, 장소를 검색하고, 예산을 계산하고, 일정표까지 만들어줍니다. 에이전트 AI가 없던 시절에는 어땠을까요? 개발자들은 AI를 단순한 **텍스트 생성기**로만 사용했습니다. 프롬프트를 입력하면 답변이 나오고, 그걸 복사해서 코드에 붙여넣는 식이었습니다. 더 복잡한 작업이 필요하면 사람이 직접 여러 단계를 거쳐야 했습니다. AI가 자체적으로 API를 호출하거나, 데이터베이스를 조회하거나, 파일을 생성하는 것은 불가능했습니다. 바로 이런 한계를 뛰어넘기 위해 에이전트 AI가 등장했습니다. 에이전트 AI를 사용하면 **AI가 스스로 도구를 선택하고 실행**할 수 있습니다. 또한 **여러 단계의 작업을 자동으로 연결**해서 복잡한 워크플로우를 완성할 수 있습니다. 무엇보다 **인간의 개입을 최소화하면서도 높은 품질의 결과물**을 얻을 수 있다는 것이 가장 큰 이점입니다. 위의 코드를 한 줄씩 살펴보겠습니다. 먼저 `Agent` 클래스의 `__init__` 메서드를 보면, 에이전트가 가져야 할 기본 구성 요소를 정의하고 있습니다. `name`은 에이전트의 식별자이고, `tools`는 에이전트가 사용할 수 있는 도구 목록입니다. `memory`는 대화 기록을 저장하는 곳으로, 문맥을 유지하는 데 필수적입니다. 다음으로 `think` 메서드에서는 주어진 작업을 분석(`analyze`)하고, 계획에 따라 실행(`execute`)하는 두 단계로 나뉩니다. 이것이 바로 에이전트 AI의 핵심 동작 원리입니다. 실제 현업에서는 어떻게 활용할까요? 예를 들어 고객 지원 시스템을 개발한다고 가정해봅시다. 단순한 FAQ 챗봇 대신 에이전트 AI를 도입하면, 고객의 문의를 분석하고, 관련 주문 정보를 데이터베이스에서 조회하고, 교환 절차를 안내하며, 필요시 직원에게 에스컬레이션까지 자동으로 처리할 수 있습니다. **고객 만족도는 높아지고, 운영 비용은 줄어드는** 일석이조의 효과를 얻을 수 있습니다. 하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 **에이전트에게 너무 광범위한 권한을 주는 것**입니다. 에이전트가 데이터베이스를 직접 수정하거나, 중요 시스템에 접근할 수 있게 두면, 잘못된 결정으로 치명적인 문제가 발생할 수 있습니다. 따라서 **도구별로 명확한 권한을 설정하고, 안전 가드레일을 반드시 구축**해야 합니다. 다시 김개발 씨의 이야기로 돌아가 봅시다. CTO의 발표를 들은 김개발 씨는 속으로 다짐했습니다. "에이전트 AI, 제대로 배워봐야겠어." 그날 저녁, 김개발 씨는 **"AI 에이전트 AI 엔지니어 되기 위한 로드맵"** 코스를 발견하고 첫 단추를 끼우기 시작했습니다. 에이전트 AI의 개념을 제대로 이해하면, 단순한 챗봇을 넘어 **스스로 생각하고 행동하는 지능형 시스템**을 설계할 수 있습니다. 이 코스에서는 그 기초부터 고급 기법까지 단계별로 배워보겠습니다. **실전 팁** 💡 - 에이전트 AI는 "스스로 생각하는 AI"라는 핵심만 기억하세요. 나머지는 자연스럽게 따라옵니다. - 챗봇과 에이전트의 가장 큰 차이는 "도구 사용 능력"과 "자율성"입니다. - 이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다 --- ## 2. 왜_2026년에_에이전트_AI인가 김개발 씨가 기술 블로그를 둘러보던 중, 눈길을 사로잡은 기사가 있었습니다. "2026년, 에이전트 AI 시대가 본격적으로 열린다." 과연 왜 지금이 에이전트 AI를 배워야 할 타이밍일까요? 2026년은 에이전트 AI가 **실험 단계를 넘어 실제 비즈니스에 도입**되는 전환점의 해입니다. **LLM의 추론 능력이 비약적으로 향상**되었고, **에이전트 프레임워크들이 성숙기**에 접어들었습니다. 기업들은 이미 에이전트 AI 전문가를 찾기 시작했고, 수요는 공급을 크게 웃돌고 있습니다. 다음 코드를 살펴봅시다. ```python # 에이전트 AI 생태계 핵심 기술 스택 (2026년 기준) # 1. 기반 모델: Claude, GPT-4, Gemini 등 # 2. 프레임워크: LangChain, LangGraph, CrewAI 등 # 3. 도구 통합: MCP (Model Context Protocol) # 4. 배포: Docker, Kubernetes, AWS Bedrock # 예시: MCP를 통한 도구 연결 import json # 에이전트가 호출할 도구 정의 tools = [ {"name": "search_db", "description": "데이터베이스 검색"}, {"name": "send_email", "description": "이메일 발송"}, {"name": "read_file", "description": "파일 읽기"}, ] # 에이전트는 상황에 맞는 도구를 자동으로 선택합니다 ``` 김개발 씨의 친구 이신입 씨는 최근 이직 시장을 알아보고 있었습니다. "요즘 채용 공고마다 '에이전트 AI 경험자 우대'라는 말이 붙어 있어." 이신입 씨의 말에 김개발 씨는 고개를 끄덕였습니다. 확실히 작년까지만 해도 "머신러닝 경험자" 정도였던 조건이 올해는 훨씬 구체적으로 바뀌어 있었습니다. 그렇다면 왜 하필 2026년일까요? 세 가지 중요한 변화가 동시에 일어나고 있습니다. 첫째, **LLM의 추론 능력이 퀀텀 레벨로 향상**되었습니다. 2023년에는 긴 문맥을 유지하는 것조차 어려웠지만, 이제는 수십 페이지의 문서를 읽고 복잡한 추론을 수행할 수 있게 되었습니다. 둘째, **에이전트 프레임워크들이 드디어 성숙기**에 접어들었습니다. LangChain, LangGraph, CrewAI 같은 프레임워크가 실전에서 검증되었고, 생태계가 풍부해졌습니다. 셋째, **MCP(Model Context Protocol) 같은 표준화된 도구 통합 방식**이 자리 잡으면서, 에이전트가 다양한 시스템과 원활하게 연동할 수 있게 되었습니다. 에이전트 AI가 없던 시절에는 어땠을까요? 단지 2~3년 전만 해도 AI는 **텍스트 생성 도구** 그 이상도 이하도 아니었습니다. 개발자가 직접 프롬프트를 작성하고, 결과를 검수하고, 다음 단계를 수동으로 진행해야 했습니다. AI가 API를 호출하거나, 파일 시스템에 접근하거나, 여러 시스템을 오가며 작업을 수행하는 것은 상상조차 하기 어려웠습니다. AI의 능력은 있었지만, 그 능력을 실제 시스템과 연결하는 **"손과 발"**이 없었던 것입니다. 바로 이런 문제를 해결하기 위해 에이전트 AI 생태계가 폭발적으로 성장했습니다. 2024년에 시작된 에이전트 프레임워크들은 2025년 동안 빠르게 발전했습니다. 실험실에서의 데모가 아니라, **실제 비즈니스 환경에서 안정적으로 동작하는 수준**에 도달한 것입니다. 위의 코드에서 볼 수 있듯이, 에이전트는 이제 `search_db`, `send_email`, `read_file` 같은 도구를 정의만 하면 자동으로 상황에 맞는 도구를 선택하고 실행할 수 있습니다. 위의 코드를 한 줄씩 살펴보겠습니다. `tools` 리스트에는 에이전트가 사용할 수 있는 도구들이 정의되어 있습니다. 각 도구는 `name`과 `description`을 가지며, 에이전트는 이 description을 읽고 현재 작업에 가장 적합한 도구를 판단합니다. 이것이 바로 **MCP의 기본 아이디어**입니다. 도구의 인터페이스를 표준화하면, 에이전트는 어떤 도구든 쉽게 학습하고 사용할 수 있습니다. 실제 현업에서는 어떻게 활용할까요? 예를 들어 금융 서비스를 개발한다고 가정해봅시다. 에이전트 AI를 도입하면, 고객의 자산 현황을 분석하고, 시장 동향을 조사하고, 맞춤형 투자 제안을 생성하는 과정을 자동화할 수 있습니다. **재무 설계사 1명이 하던 일을 에이전트가 보조**하게 되면, 팀 전체의 생산성이 극적으로 올라갑니다. 실제로 여러 금융 기관이 에이전트 기반 서비스를 출시하며 경쟁을 벌이고 있습니다. 하지만 주의할 점도 있습니다. 에이전트 AI가 뜨거운 만큼, **과장된 기대감**도 위험합니다. 모든 문제를 에이전트로 해결할 수 있는 것은 아닙니다. 단순 반복 작업은 여전히 전통적인 자동화가 더 효율적이며, 에이전트는 **복잡한 판단이 필요한 작업**에 적용해야 합니다. 또한 에이전트의 결정을 검증하는 **인간-in-the-loop(Human-in-the-Loop)** 메커니즘은 필수입니다. 다시 김개발 씨의 이야기로 돌아가 봅시다. 이신입 씨와의 대화 후, 김개발 씨는 확신했습니다. "지금이 바로 에이전트 AI를 배울 타이밍이야." 시장은 이미 움직이고 있었고, 기다릴수록 기회는 멀어질 것입니다. 2026년의 에이전트 AI 생태계는 **기술적 성숙도와 시장 수요가 만나는 완벽한 교차점**에 있습니다. 이 기회를 놓치지 않으려면, 지금부터 체계적으로 학습을 시작하는 것이 가장 현명한 선택입니다. **실전 팁** 💡 - 에이전트 AI 학습은 프레임워크 사용법보다 "원리 이해"가 먼저입니다. 기초를 탄탄히 하세요. - MCP(Model Context Protocol)는 에이전트 생태계의 USB 같은 역할을 합니다. 꼭 알아두세요. - 이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다 --- ## 3. 에이전트_AI_엔지니어의_필수_역량 김개발 씨는 에이전트 AI를 배우기로 마음먹었지만, 막상 어디서부터 시작해야 할지 막막했습니다. "Python은 해본 적이 있는데, AI는 처음이라..." 박시니어 씨가 그런 김개발 씨에게 다가와 말했습니다. "에이전트 AI 엔지니어에게 필요한 역량을 하나씩 정리해볼까?" 에이전트 AI 엔지니어에게 필요한 역량은 크게 세 가지입니다. **프로그래밍 기초**(특히 Python), **LLM의 작동 원리에 대한 이해**, 그리고 **시스템 설계 능력**입니다. 이 세 가지가 삼각형의 세 변처럼 균형을 이룰 때, 비로소 안정적인 에이전트 시스템을 구축할 수 있습니다. 다음 코드를 살펴봅시다. ```python # 에이전트 AI 엔지니어 역량 점검 체크리스트 skills = { "프로그래밍 기초": { "Python 기본 문법": True, # 변수, 함수, 클래스 "타입 힌팅": True, # 코드의 가독성과 안정성 "비동기 프로그래밍": False, # 에이전트의 동시 처리 "API 통신": False, # 외부 서비스 연동 }, "LLM 이해": { "프롬프트 엔지니어링": False, # 모델과 소통하는 방법 "토큰과 컨텍스트": False, # 모델의 한계 이해 "파인튜닝 개념": False, # 모델 맞춤화 }, "시스템 설계": { "도구 설계": False, # 에이전트용 도구 정의 "메모리 관리": False, # 컨텍스트 유지 전략 "에러 핸들링": False, # 안전한 에이전트 동작 }, } # 김개발 씨는 Python 기본 문법만 True였습니다 ``` 김개발 씨의 컴퓨터 모니터 앞에는 수많은 탭이 열려 있었습니다. "에이전트 AI 입문", "LangChain 튜토리얼", "Python AI 개발", "RAG 시스템 구축"... 읽을 만한 자료는 넘쳐나지만, 정작 어디서부터 시작해야 할지 모르겠습니다. 박시니어 씨가 커피를 들고 다가왔습니다. "자, 하나씩 정리해보자." 그렇다면 에이전트 AI 엔지니어에게 정확히 어떤 역량이 필요할까요? 쉽게 비유하자면, 에이전트 AI 엔지니어는 마치 **영화 감독**과 같습니다. 감독이 카메라 기술, 연출, 시나리오 작성 모두를 알아야 좋은 영화를 만들 듯, 에이전트 엔지니어도 **프로그래밍, AI 이해, 시스템 설계** 세 가지를 두루 갖춰야 합니다. 어느 하나가 부족하면 에이전트는 제 역할을 다하지 못합니다. 에이전트 AI 엔지니어가 없던 시절에는 어땠을까요? 과거의 AI 개발은 주로 **데이터 과학자**의 영역이었습니다. 수학과 통계에 능통한 전문가들이 모델을 훈련시키고, 성능을 최적화했습니다. 개발자는 API를 호출해서 결과를 받아오는 정도의 역할만 했습니다. 하지만 에이전트 AI 시대에는 이 구분이 흐려집니다. **개발자가 직접 에이전트를 설계하고, 프롬프트를 작성하고, 도구를 연결**해야 합니다. 바로 이런 변화에 맞춰 필요한 역량도 달라졌습니다. 첫째, **Python 프로그래밍 기초**입니다. 위의 코드에서 볼 수 있듯, 김개발 씨는 Python 기본 문법과 타입 힌팅은 알지만, 비동기 프로그래밍과 API 통신은 아직 부족합니다. 에이전트는 여러 도구를 동시에 호출해야 하므로 **비동기 프로그래밍(`async/await`)**은 필수적입니다. 또한 외부 API와 통신하는 능력은 에이전트가 실제 시스템과 연동하는 데 필요합니다. 둘째, **LLM의 작동 원리**에 대한 이해입니다. 토큰이 무엇인지, 컨텍스트 윈도우가 무엇을 의미하는지, 왜 프롬프트의 순서가 중요한지를 알아야 합니다. 이것은 마치 자동차를 운전하려면 엔진이 어떻게 작동하는지 알아야 하는 것과 같습니다. **원리를 모르면 문제가 발생했을 때 원인을 찾을 수 없습니다.** 셋째, **시스템 설계 능력**입니다. 에이전트에 어떤 도구를 제공할지, 메모리를 어떻게 관리할지, 에러가 발생했을 때 어떻게 대처할지를 설계해야 합니다. 이것은 단순한 코딩 능력이 아니라, **전체 시스템을 조망하는 아키텍처적 사고**가 필요합니다. 위의 코드를 한 줄씩 살펴보겠습니다. `skills` 딕셔너리는 세 가지 역량 영역으로 나뉘어 있습니다. 각 영역 아래에 구체적인 스킬이 나열되어 있고, `True/False`로 현재 수준을 표시합니다. 김개발 씨의 경우 Python 기본 문법과 타입 힌팅만 `True`입니다. 이 체크리스트를 활용하면 **자신의 현재 수준을 객관적으로 파악**하고, 부족한 부분을 집중적으로 학습할 수 있습니다. 실제 현업에서는 어떻게 활용할까요? 예를 들어 이커머스 플랫폼에서 에이전트 AI 팀을 구성한다고 가정해봅시다. 프로그래밍에 능통하지만 AI 지식이 없는 개발자는 에이전트의 뼈대를 만들 수 있지만, 프롬프트 최적화에는 어려움을 겪을 것입니다. 반대로 AI 전문가지만 프로그래밍이 약한 사람은 개념은 알지만 실제 구현이 어렵습니다. 따라서 **이 세 가지 역량을 모두 갖춘 엔지니어**가 가장 높은 평가를 받습니다. 하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 **한 가지 역량에만 집중하는 것**입니다. 프로그래밍만 파다 보면 AI 원리를 이해하지 못하고, AI 이론만 공부하다 보면 실제 구현을 할 수 없습니다. 또한 **모든 것을 한 번에 완벽하게 배우려고 하지 마세요.** 이 코스에서는 세 가지 역량을 균형 있게, 단계별로 쌓아갑니다. 다시 김개발 씨의 이야기로 돌아가 봅시다. 박시니어 씨의 도움으로 체크리스트를 작성한 김개발 씨는 한숨을 쉬었습니다. "할 게 많네..." 하지만 박시니어 씨가 웃으며 말했습니다. "걱정 마. 이 코스가 바로 그걸 위한 거니까. 하나씩, 제대로 하면 돼." 에이전트 AI 엔지니어의 필수 역량을 미리 파악하면, **학습의 방향성**을 잡을 수 있습니다. 어디에 시간을 투자해야 할지 알고, 무엇을 먼저 배워야 할지 우선순위를 정할 수 있습니다. 이 코스가 여러분의 체크리스트를 `True`로 채워드리겠습니다. **실전 팁** 💡 - 자신의 현재 역량을 위 체크리스트처럼 점검해보세요. 어디서부터 시작해야 할지 명확해집니다. - 세 역량 중 가장 취약한 부분부터 집중 투자하는 것이 효율적입니다. - 이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다 --- ## 4. 로드맵_전체_구조_소개 김개발 씨는 드디어 학습을 시작하려고 앉았지만, 코스의 전체 구조를 먼저 파악하고 싶었습니다. "16개 소주제라고 했는데, 어떤 순서로 배우는 거지?" 전체 지도를 보지 않고 산을 오르면 길을 잃기 쉽다는 것을 김개발 씨도 알고 있었습니다. 이 코스는 총 **16개 소주제**로 구성되어 있으며, 크게 네 가지 단계로 진행됩니다. **1단계: 기초 다지기**(Python, LLM 원리), **2단계: 프레임워크 실전**(도구 사용, 체인 구성), **3단계: 고급 아키텍처**(RAG, 다중 에이전트), **4단계: 프로덕션 배포**(최적화, 모니터링)입니다. 각 단계는 이전 단계의 지식을 기반으로 쌓아 올라갑니다. 다음 코드를 살펴봅시다. ```python # 에이전트 AI 엔지니어 로드맵 전체 구조 roadmap = { "1단계: 기초 다지기": [ "Python 기본 사항 - 프로젝트 구조와 타이핑", "LLM 기초 - 트랜스포머와 토큰 이해", "프롬프트 엔지니어링 핵심 기법", "에이전트 개념과 기본 구조", ], "2단계: 프레임워크 실전": [ "도구(Tools) 정의와 사용법", "체인(Chain)으로 작업 연결하기", "메모리와 컨텍스트 관리", "LangChain/LangGraph 기본 활용", ], "3단계: 고급 아키텍처": [ "RAG 시스템 구축", "벡터 데이터베이스 활용", "다중 에이전트 시스템", "에이전트 평가와 테스트", ], "4단계: 프로덕션 배포": [ "성능 최적화 기법", "보안과 안전 가드레일", "모니터링과 로깅", "실제 서비스 배포 사례", ], } # 각 단계는 이전 단계를 기반으로 심화됩니다 ``` 김개발 씨는 산을 등반하기 전, 항상 등산로 지도를 먼저 확인하는 습관이 있습니다. 어느 골짜기를 지나야 하는지, 어디서 쉬어야 하는지, 정상까지 얼마나 남았는지를 미리 알면 불안함이 줄어들기 때문입니다. 에이전트 AI 학습도 마찬가지입니다. 전체 지도를 보면 학습이 훨씬 수월해집니다. 그렇다면 이 코스의 전체 구조는 어떻게 되어 있을까요? 쉽게 비유하자면, 이 로드맵은 마치 **건물을 짓는 과정**과 같습니다. 먼저 **기초를 다지고**(1단계), **골조를 세우고**(2단계), **내부 인테리어를 하고**(3단계), 마지막으로 **사람들이 들어올 수 있게 문을 엽니다**(4단계). 순서를 바꾸면 건물은 무너집니다. 이처럼 학습에도 올바른 순서가 있습니다. **1단계: 기초 다지기**에서는 Python 프로그래밍 기초와 LLM의 작동 원리를 배웁니다. 에이전트를 이해하려면 먼저 **에이전트를 구현하는 언어(Python)**와 **에이전트의 뇌 역할을 하는 LLM**을 알아야 합니다. 기초가 탄탄하지 않으면 나중에 프레임워크를 다룰 때마다 막힙니다. **2단계: 프레임워크 실전**에서는 실제로 에이전트를 구축하는 방법을 배웁니다. 도구를 정의하고, 여러 작업을 체인으로 연결하고, 대화 컨텍스트를 유지하는 방법을 익힙니다. 이 단계에서 **이론이 실제 코드로 변환**되는 경험을 하게 됩니다. 가장 재미있는 단계이기도 합니다. **3단계: 고급 아키텍처**에서는 실전에서 필수적인 고급 기법을 다룹니다. RAG(Retrieval-Augmented Generation) 시스템으로 에이전트에 외부 지식을 제공하고, 벡터 데이터베이스로 효율적으로 정보를 검색하며, 여러 에이전트가 협력하는 다중 에이전트 시스템을 구축합니다. 이 단계를 마치면 **실무 수준의 에이전트**를 설계할 수 있습니다. **4단계: 프로덕션 배포**에서는 개발한 에이전트를 실제 서비스에 배포하는 방법을 배웁니다. 성능을 최적화하고, 보안 가드레일을 설치하고, 모니터링 시스템을 구축합니다. 데모와 프로덕션의 가장 큰 차이는 **안정성과 신뢰성**입니다. 이 단계에서 그 차이를 메웁니다. 위의 코드를 한 줄씩 살펴보겠습니다. `roadmap` 딕셔너리는 네 단계의 학습 구조를 한눈에 보여줍니다. 각 단계마다 4개의 소주제가 있고, 총 16개입니다. `1단계: 기초 다지기`에서는 Python 기본 사항부터 시작해 LLM 원리, 프롬프트 엔지니어링, 에이전트 개념을 다룹니다. 이어지는 단계들은 점진적으로 심화되며, 최종적으로 **실제 서비스 배포**까지 도달합니다. 실제 현업에서는 어떻게 활용할까요? 예를 들어 스타트업에서 에이전트 AI 팀을 새로 구성한다고 가정해봅시다. 팀원들이 이 로드맵을 공유하면, **각자의 현재 수준에 맞는 단계**에서 학습을 시작할 수 있습니다. 시니어는 3단계에서 바로 시작하고, 주니어는 1단계부터 차근차근 올라갑니다. 또한 면접에서 "에이전트 AI를 어떻게 공부할 계획인가?"라는 질문에 이 로드맵을 제시하면, **체계적인 학습 계획을 가진 사람**으로 평가받을 수 있습니다. 하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 **뒤쪽 단계만 먼저 보는 것**입니다. "RAG가 요즘 유행하니까 RAG부터 배워야지!"라고 생각하지만, RAG를 제대로 이해하려면 Python 비동기 프로그래밍과 벡터 데이터베이스 지식이 필요합니다. **계단을 건너뛰면 넘어지기 마련**입니다. 반드시 1단계부터 순서대로 진행하세요. 다시 김개발 씨의 이야기로 돌아가 봅시다. 로드맵 전체를 훑어본 김개발 씨는 안도의 한숨을 내쉬었습니다. "1단계부터 4단계까지, 순서대로 가면 되는구나." 막연했던 불안감이 구체적인 학습 계획으로 바뀌었습니다. 이 코스의 로드맵은 단순한 목차가 아닙니다. **수많은 시행착오를 거친 뒤 도출한 최적의 학습 경로**입니다. 각 단계가 다음 단계의 튼튼한 기반이 되도록 설계되었습니다. 이 지도를 손에 들고, 하나씩 정복해나가세요. **실전 팁** 💡 - 로드맵 전체를 먼저 한 번 훑어보세요. 어디로 가는지 알면 학습 동기가 유지됩니다. - 각 단계를 마칠 때마다 스스로 간단한 프로젝트를 만들어보세요. 실습이 이론보다 중요합니다. - 이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다 --- ## 5. 학습_환경_구축하기 김개발 씨는 드디어 코딩을 시작하려고 터미널을 열었습니다. 하지만 막상 Python을 실행하려고 하니 버전 문제가 발생했습니다. "3.8인데, 3.12가 필요하다고?" 학습을 시작하기 전에 제대로 된 환경을 구축하는 것이 생각보다 중요했습니다. 에이전트 AI 개발을 위해서는 **Python 3.10 이상**과 **가상 환경**, 그리고 **필수 라이브러리** 설치가 필요합니다. 최신 에이전트 프레임워크들은 대부분 **타입 힌팅과 비동기 기능**을 적극 활용하므로, 구버전 Python에서는 정상적으로 동작하지 않습니다. 환경 구축은 지루하지만, **모든 것의 출발점**입니다. 다음 코드를 살펴봅시다. ```python # 에이전트 AI 개발 환경 구축 스크립트 # 1. Python 버전 확인 (3.10 이상 필요) python --version # Python 3.12.x 권장 # 2. 가상 환경 생성 및 활성화 python -m venv agent-env source agent-env/bin/activate # Linux/Mac # 3. 필수 라이브러리 설치 pip install langchain langchain-openai pip install langgraph python-dotenv pip install pydantic httpx asyncio # 4. 프로젝트 기본 구조 생성 mkdir -p src/{agents,tools,memory} touch src/__init__.py touch .env # API 키는 여기에 저장 ``` 김개발 씨는 새 노트북을 샀을 때마다 드는 생각이 있습니다. "환경 설정이 제일 귀찮다." 운영체제를 설치하고, 에디터를 깔고, 개발 도구를 세팅하는 과정은 재미없고 지루합니다. 하지만 박시니어 씨는 늘 이렇게 말합니다. "환경 설정에 시간을 아끼면, 나중에 디버깅에 그 열 배를 쓰게 돼." 그렇다면 왜 환경 구축이 이렇게 중요할까요? 쉽게 비유하자면, 개발 환경은 마치 **요리사의 주방**과 같습니다. 날카로운 칼, 제대로 된 가스레인지, 깨끗한 도마가 갖춰지지 않은 주방에서는 요리사도 맛있는 음식을 만들 수 없습니다. 마찬가지로 **올바른 Python 버전과 필수 도구가 없으면 에이전트 AI 개발은 시작조차 할 수 없습니다.** 에이전트 AI 개발 환경이 없던 시절에는 어땠을까요? 과거에는 Python 2와 Python 3가 공존했고, 프로젝트마다 다른 버전이 필요했습니다. 전역에 설치된 Python 하나로 모든 프로젝트를 처리하다 보니 **의존성 충돌**이 끊임없이 발생했습니다. 프로젝트 A에서는 라이브러리 버전 1.0이 필요한데, 프로젝트 B에서는 2.0이 필요한 상황이 흔했습니다. 개발자들은 이 문제를 해결하기 위해 가상 환경이라는 개념을 도입했습니다. 바로 이런 문제를 해결하기 위해 체계적인 환경 관리가 필요합니다. 위의 코드에서 볼 수 있듯, 먼저 **Python 3.12**를 설치합니다. 3.10 이상이면 되지만, 3.12가 현재 가장 안정적이고 최신 기능을 지원합니다. 다음으로 `python -m venv agent-env`로 **가상 환경**을 생성합니다. 가상 환경은 프로젝트마다 독립적인 Python 공간을 만들어주어, 의존성 충돌을 방지합니다. 위의 코드를 한 줄씩 살펴보겠습니다. `pip install` 명령어로 필수 라이브러리들을 설치합니다. `langchain`과 `langchain-openai`는 에이전트 프레임워크의 핵심이고, `langgraph`는 복잡한 워크플로우를 구성하는 데 사용됩니다. `pydantic`은 데이터 검증에, `httpx`는 비동기 HTTP 통신에, `asyncio`는 비동기 프로그래밍에 각각 필요합니다. 마지막으로 `mkdir -p src/{agents,tools,memory}`로 **프로젝트 기본 디렉토리 구조**를 생성합니다. 에이전트 코드, 도구 코드, 메모리 관리 코드를 각각 분리하여 관리하는 것이 좋은 습관입니다. 실제 현업에서는 어떻게 활용할까요? 예를 들어 4명의 팀원이 에이전트 프로젝트를 함께 개발한다고 가정해봅시다. 모두가 동일한 Python 버전과 라이브러리를 사용해야 코드가 일관되게 동작합니다. 이때 `requirements.txt`나 `pyproject.toml` 파일로 **의존성을 문서화**하면, 새로 합류한 팀원도 `pip install -r requirements.txt` 한 번으로 동일한 환경을 구축할 수 있습니다. **Docker**를 사용하면 환경 차이로 인한 문제를 원천적으로 방지할 수 있습니다. 하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 **가상 환경 없이 전역에 라이브러리를 설치하는 것**입니다. 당장은 문제가 없어 보이지만, 프로젝트가 여러 개가 되면 의존성 지옥에 빠집니다. 또한 **API 키를 코드에 직접 하드코딩**하는 것은 절대 안 됩니다. `.env` 파일에 저장하고, `.gitignore`에 추가해서 GitHub에 올라가지 않게 해야 합니다. API 키가 유출되면 심각한 보안 문제가 발생할 수 있습니다. 다시 김개발 씨의 이야기로 돌아가 봅시다. 반나절 동안 환경을 구축한 김개발 씨는 드디어 터미널에 `python --version`을 입력했습니다. `Python 3.12.3`이 깔끔하게 출력되었습니다. `pip list`를 확인하니 langchain, langgraph, pydantic이 모두 설치되어 있었습니다. "드디어 준비 완료!" 김개발 씨의 에이전트 AI 여정이 시작되었습니다. 환경 구축은 가장 지루한 단계이지만, **가장 중요한 단계**이기도 합니다. 제대로 된 환경에서 시작하면 앞으로 만날 수많은 환경 관련 에러를 피할 수 있습니다. 지금 투자한 반나절이 나중에는 며칠의 디버깅 시간을 아껴줄 것입니다. **실전 팁** 💡 - 반드시 가상 환경을 사용하세요. 프로젝트마다 독립적인 환경을 유지하는 것이 전문가의 기본입니다. - API 키는 절대 코드에 하드코딩하지 마세요. .env 파일과 python-dotenv를 사용하세요. - 이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다 --- ## 6. 이_코스를_어떻게_활용해야_할까 김개발 씨는 코스의 전체 구조와 학습 환경까지 모두 준비했습니다. 이제 본격적으로 학습을 시작하면 되는데, 한 가지 고민이 남았습니다. "이 코스를 어떻게 공부하는 게 가장 효율적일까?" 책을 읽기만 해도 되는 걸까요, 아니면 직접 코드를 쳐봐야 할까요? 이 코스를 최대한 활용하려면 **세 가지 원칙**을 지키세요. 첫째, **직접 코드를 작성**하세요. 복사 붙여넣기가 아닌 직접 타이핑하는 것만으로도 근육 기억이 형성됩니다. 둘째, **각 카드뉴스의 코드를 수정**해보세요. 매개변수를 바꾸고, 에러를 일부러 만들어보며 어떤 일이 일어나는지 관찰하세요. 셋째, **작은 프로젝트를 만들어보세요.** 배운 내용을 조합해서 하나의 완성된 결과물을 만드는 것이 가장 강력한 학습법입니다. 다음 코드를 살펴봅시다. ```python # 학습 진도 관리 스크립트 import json from datetime import datetime class StudyTracker: def __init__(self): self.progress = {} # 학습 진도 저장 self.notes = [] # 학습 노트 def complete_topic(self, topic_num, topic_name): # 완료한 소주제를 기록합니다 self.progress[topic_num] = { "name": topic_name, "completed_at": datetime.now().isoformat(), "status": "completed", } print(f"[{topic_num}/16] {topic_name} 완료!") def get_progress(self): # 전체 진도율을 계산합니다 done = len(self.progress) total = 16 rate = (done / total) * 100 print(f"진도율: {done}/{total} ({rate:.1f}%)") # 사용 예시 tracker = StudyTracker() tracker.complete_topic(1, "에이전트 AI 로드맵 소개") tracker.get_progress() # 진도율: 1/16 (6.3%) ``` 김개발 씨는 대학 시절, 교수님께서 항상 강조하시던 말이 있습니다. "백 번 듣는 것보다 한 번 직접 해봐라." 당시에는 그 말의 무게를 몰랐지만, 실무에서 부딪히며 그 의미를 깨달았습니다. 프로그래밍은 스포츠와 같습니다. 테니스 강의를 백 번 듣는 것보다, 라켓을 한 번 잡아보는 것이 훨씬 낫습니다. 그렇다면 이 코스를 가장 효율적으로 활용하는 방법은 무엇일까요? 쉽게 비유하자면, 이 코스는 마치 **건강 클럽의 운동 프로그램**과 같습니다. 트레이너가 운동 루틴을 짜주지만, 실제로 근육이 생기려면 **직접 땀을 흘려야** 합니다. 코스를 읽기만 하면 지식은 얻겠지만, **실력은 오지 않습니다.** 반드시 손으로 코드를 작성하고, 머리로 생각하고, 에러와 씨름해야 합니다. 단순히 읽기만 하는 학습 방식에는 한계가 있었습니다. 많은 초보 개발자들이 기술 블로그를 읽고 "이해했다"고 착각합니다. 하지만 막상 비슷한 문제를 해결하려고 하면 코드를 짜지 못합니다. 이른바 **"읽고 이해한 것"과 "직접 구현할 수 있는 것" 사이의 거대한 간극**입니다. 이 간극을 좁히는 유일한 방법은 직접 코딩하는 것뿐입니다. 바로 이런 문제를 해결하기 위해 세 가지 학습 원칙을 제안합니다. **첫째, 직접 코드를 작성하세요.** 위의 코드에서 볼 수 있는 `StudyTracker` 클래스를 직접 타이핑해보세요. 복사 붙여넣기가 아니라, 한 글자 한 글자 직접 치는 것이 중요합니다. 오타가 나면 고치고, 에러가 발생하면 원인을 찾고, 이 과정에서 **손가락 끝에서 뇌로 연결되는 회로**가 만들어집니다. 놀랍게도, 직접 타이핑한 코드는 복사한 코드보다 훨씬 오래 기억에 남습니다. **둘째, 코드를 수정해보세요.** 예제 코드를 그대로 실행하는 것으로 끝내지 마세요. `complete_topic` 메서드에 `difficulty` 매개변수를 추가해보고, 난이도별로 별점을 매기는 기능을 넣어보세요. `get_progress` 메서드에서 완료되지 않은 주제도 함께 보여주도록 수정해보세요. **에러를 일부러 만들어보는 것도 좋은 학습법**입니다. `self.progress`를 `self.progres`로 오타를 내면 어떤 에러가 발생하는지 직접 확인해보세요. **셋째, 작은 프로젝트를 만드세요.** 각 단계를 마칠 때마다 배운 내용을 조합해서 하나의 완성된 결과물을 만들어보세요. 예를 들어 1단계를 마치면 **"나만의 학습 진도 관리 에이전트"**를 만들어보세요. 2단계를 마치면 그 에이전트에 도구를 추가해보세요. 단계가 진행될수록 에이전트가 점점 더 똑똑해지는 것을 경험할 수 있습니다. 위의 코드를 한 줄씩 살펴보겠습니다. `StudyTracker` 클래스는 학습 진도를 관리하는 간단한 도구입니다. `complete_topic` 메서드로 완료한 소주제를 기록하고, `get_progress` 메서드로 전체 진도율을 확인합니다. `datetime.now().isoformat()`은 완료 시간을 기록하여, 언제 어떤 주제를 완료했는지 추적할 수 있습니다. 이 코드를 기반으로 **자신만의 학습 관리 도구**를 만들어보세요. 기능을 하나씩 추가하다 보면, 어느새 꽤 쓸만한 앱이 완성되어 있을 것입니다. 실제 현업에서는 어떻게 활용할까요? 예를 들어 에이전트 AI 스터디 그룹을 운영한다고 가정해봅시다. 이 `StudyTracker`를 활용해 **팀원들의 학습 진도를 공유**할 수 있습니다. "이번 주에 3번까지 완료한 사람?"이라고 물어볼 필요 없이, 시스템이 자동으로 각자의 진도를 보여줍니다. 이처럼 배운 내용을 **실제로 사용하는 상황**에 적용하는 것이 가장 효과적인 학습법입니다. 하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 **완벽하게 이해할 때까지 넘어가지 않는 것**입니다. 모든 것을 100% 이해하려고 하면 진도가 너무 느려집니다. 70% 정도 이해했다면 다음으로 넘어가세요. 나중에 전체 그림이 보이면 이전에 이해하지 못했던 부분이 자연스럽게 이해됩니다. **완벽주의는 학습의 적**입니다. 다시 김개발 씨의 이야기로 돌아가 봅시다. 김개발 씨는 학습 계획을 세웠습니다. 매일 저녁 1시간, 각 카드뉴스의 코드를 직접 타이핑하고, 하나씩 수정해보고, 주말에는 그주에 배운 내용으로 작은 프로젝트를 만들기로 했습니다. "하루하루 조금씩, 하지만 매일." 작은 습관이 큰 변화를 만듭니다. 이 코스를 활용하는 방법은 간단합니다. **읽고, 치고, 고치고, 만드세요.** 이 네 단계를 반복하면 16개 소주제가 끝날 때쯤, 여러분은 어느새 에이전트 AI 엔지니어로 성장해 있을 것입니다. 다음 카드뉴스에서는 Python의 기본 사항, 특히 프로젝트 구조와 타이핑에 대해 배워보겠습니다. 본격적인 코딩의 시작입니다. **실전 팁** 💡 - 코드는 반드시 직접 타이핑하세요. 복사 붙여넣기는 학습 효과가 거의 없습니다. - 70% 이해하면 다음으로 넘어가세요. 완벽주의는 학습의 적입니다. - 각 단계를 마칠 때마다 배운 내용을 조합한 작은 프로젝트를 만들어보세요. - 이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다 --- ## 7. 기대효과와_성공_사례 김개발 씨의 동료 최신입 씨는 3개월 전부터 에이전트 AI를 독학하고 있었습니다. 그런데 어느 날, 최신입 씨가 만든 에이전트가 팀의 업무 프로세스를 자동화하는 데 성공했습니다. "이걸 혼자 만든 거야?" 김개발 씨는 깜짝 놀랐습니다. 3개월 전까지만 해도 AI는 안경도 안 쓰던 최신입 씨가 말이죠. 에이전트 AI를 체계적으로 학습하면 **개인의 업무 생산성이 극적으로 향상**됩니다. 실제로 많은 개발자들이 에이전트 AI를 도입하여 **반복 작업을 자동화**하고, **문서 검색 시간을 단축**하며, **고객 응대 품질을 향상**시켰습니다. 이 코스를 완주하면, 여러분도 그들과 같은 성과를 낼 수 있습니다. 다음 코드를 살펴봅시다. ```python # 에이전트 AI 도입 전후 업무 효율 비교 # 도입 전: 수동 처리 tasks_before = { "고객 문의 분류": "직원이 수동 분석 (10분/건)", "관련 정보 검색": "여러 시스템 조회 (15분/건)", "답변 작성": "템플릿 + 수동 편집 (8분/건)", "총 소요 시간": "약 33분/건", } # 도입 후: 에이전트 자동화 tasks_after = { "고객 문의 분류": "에이전트가 자동 분류 (1분/건)", "관련 정보 검색": "RAG로 즉시 검색 (30초/건)", "답변 작성": "에이전트가 초안 생성 (2분/건)", "총 소요 시간": "약 3.5분/건 (인간 검증 포함)", } # 생산성 약 9.4배 향상 ``` 김개발 씨는 최신입 씨의 사례에 큰 충격을 받았습니다. 3개월 전까지만 해도 둘은 비슷한 수준의 주니어 개발자였습니다. 하지만 최신입 씨는 에이전트 AI를 집중적으로 학습하면서, 팀 내에서 **가장 생산성이 높은 멤버**로 변모했습니다. 비결이 무엇일까요? 쉽게 비유하자면, 에이전트 AI를 배우는 것은 마치 **엑셀을 배우는 것**과 같습니다. 엑셀을 모르는 사람은 숫자를 일일이 수기로 계산하지만, 엑셀을 아는 사람은 수식 한 줄로 같은 작업을 1초 만에 끝냅니다. 에이전트 AI는 **엑셀의 수천 배 버전**이라고 생각하시면 됩니다. 복잡한 작업을 자동화하는 능력이 비교할 수 없을 정도로 강력합니다. 에이전트 AI가 도입되기 전의 업무 환경은 어떠했을까요? 고객 문의가 들어오면 담당자가 내용을 읽고, 적절한 카테고리로 분류하고, 여러 시스템에서 관련 정보를 찾고, 적절한 답변을 작성해야 했습니다. 한 건당 약 30분이 소요되었고, 하루에 처리할 수 있는 문의는 한정되어 있었습니다. **숙련된 직원일수록 더 많은 문의를 처리**할 수 있었지만, 그것도 물리적인 한계가 있었습니다. 바로 이런 한계를 에이전트 AI가 깨뜨렸습니다. 위의 코드에서 볼 수 있듯, 에이전트 도입 전에는 한 건당 약 **33분**이 소요되었습니다. 하지만 에이전트가 자동으로 문의를 분류하고, RAG 시스템으로 관련 정보를 검색하고, 답변 초안을 생성한 뒤, 인간이 최종 검증만 하면 되도록 바뀌었습니다. 소요 시간은 약 **3.5분**으로 줄어들었고, 생산성은 약 **9.4배** 향상되었습니다. 위의 코드를 한 줄씩 살펴보겠습니다. `tasks_before` 딕셔너리는 에이전트 도입 전의 수동 작업 흐름을 보여줍니다. 각 단계별로 소요 시간이 명시되어 있으며, 총 33분이 걸립니다. 반면 `tasks_after`는 에이전트 도입 후의 자동화된 흐름입니다. 에이전트가 1분 만에 문의를 분류하고, RAG로 30초 만에 정보를 검색하며, 2분 만에 답변 초안을 생성합니다. 여기에 인간의 검증 시간(약 1분)을 더해 총 3.5분이 소요됩니다. **물론 이것은 이상적인 수치**이며, 실제로는 초기 세팅과 학습 곡선이 필요합니다. 실제 현업에서는 어떻게 활용할까요? 최신입 씨의 사례 외에도 다양한 성공 사례가 있습니다.某 금융 기관은 에이전트 AI를 도입하여 **대출 심사 소요 시간을 70% 단축**했습니다. 某 헬스케어 스타트업은 환자의 증상을 분석하고 적절한 진료과를 안내하는 에이전트를 구축하여 **환자 대기 시간을 50% 줄였습니다.** 某 IT 기업은 코드 리뷰 에이전트를 만들어 **리뷰 품질은 유지하면서 리뷰 시간을 60% 단축**했습니다. 이런 사례들의 공통점은 무엇일까요? 바로 **"작게 시작해서 점진적으로 확장"**했다는 것입니다. 하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 **처음부터 너무 복잡한 에이전트를 만들려는 것**입니다. 모든 것을 자동화하려고 하면 실패 확률이 높아집니다. 성공한 사례들은 모두 **하나의 작은 문제부터 시작**해서, 성공을 확인한 뒤 점진적으로 범위를 넓혔습니다. 또한 **에이전트의 결정을 검증하는 프로세스**를 반드시 마련해야 합니다. 에이전트가 100% 정확하지 않기 때문에, 인간의 검증 단계는 필수적입니다. 다시 김개발 씨의 이야기로 돌아가 봅시다. 최신입 씨의 성공을 본 김개발 씨는 더 이상 망설일 이유가 없었습니다. "3개월이면 나도 저 정도는 할 수 있겠지?" 물론 그렇습니다. 이 코스는 여러분이 **체계적이고 실전적인 방식**으로 에이전트 AI를 마스터할 수 있도록 설계되었습니다. 기초부터 프로덕션 배포까지, 16개 소주제를 완주하면 여러분도 에이전트 AI 엔지니어로 성장할 수 있습니다. 기대효과를 미리 그려보는 것은 학습 동기를 유지하는 좋은 방법입니다. **"3개월 뒤, 내가 만든 에이전트가 팀의 업무를 자동화하고 있다"**는 상상을 해보세요. 그 상상이 현실이 되려면, 오늘부터 첫 번째 단추를 끼우면 됩니다. 다음 카드뉴스에서는 Python의 기본 사항부터 시작합니다. 준비되셨나요? **실전 팁** 💡 - 에이전트 AI 도입은 "작게 시작해서 점진적으로 확장"하는 것이 성공의 열쇠입니다. - 인간의 검증 단계(Human-in-the-Loop)는 에이전트 시스템에서 절대 생략하면 안 됩니다. - 이 카드뉴스는 "AI 에이전트 AI 엔지니어 되기 위한 로드맵" 코스의 1/16편입니다 --- 이상으로 학습을 마칩니다. 위 내용을 직접 코드로 작성해보면서 익혀보세요!

카테고리: AI

언어: Python

태그: Python, AI, LLM, Agent, Roadmap

작성자: AI Generated

프리미엄 콘텐츠 - 3개월 무료 체험 가능

CodeDeck

에이전트 AI 엔지니어 로드맵 소개 및 학습 방법

목차

1. 에이전트 AI란 무엇인가

2. 왜 2026년에 에이전트 AI인가

3. 에이전트 AI 엔지니어의 필수 역량

4. 로드맵 전체 구조 소개

5. 학습 환경 구축하기

6. 이 코스를 어떻게 활용해야 할까

7. 기대효과와 성공 사례

이 카드뉴스가 포함된 코스

AI 에이전트 AI 엔지니어 되기 위한 로드맵

댓글 (0)

함께 보면 좋은 카드 뉴스

Day 6 학습 루프 이해하기

Day 5 Baseline 모델 만들기

Day 4 학습용 샘플 데이터 만들기

Day 2 PyTorch 기본기 정리

LLM 핵심 원리 함수 호출 환각 임베딩 완벽 가이드