홈앤서비스 SK BROADBAND

[01부] 에이전틱 패러다임: AI, 도구에서 주체로 ▣ 01장: 새로운 패러다임의 등장 - 에이전틱 AI 1.1 똑똑하지만 수동적인 도구: 생성형 AI의 한계 1.2 지능을 넘어 행동으로: AI 에이전트의 정의와 본질 1.3 왜 지금이 에이전틱 AI 시대인가? __첫 번째 동력: LLM 기반의 범용 추론 엔진 __두 번째 동력: API 생태계의 성숙과 도구 활용 __세 번째 동력: 사용자 요구의 변화와 업무 위임 ▣ 02장: AI 에이전트 시스템의 설계 원리 2.1 AI 에이전트의 핵심 컴포넌트 __LLML: 전략 수립과 추론 엔진 __LLM의 핵심 추론 기능 __메모리: 지식의 축적과 문맥의 유지 __도구: 외부 세계와의 상호작용 및 실행 엔진 2.2 계층형 아키텍처: 단순 실행에서 복잡한 추론까지 __인지 계층: 환경 데이터 수집 및 해석 __추론 계층: 전략적 사고의 중추 __메모리 계층: 맥락의 유지와 지식의 인출 __행동 계층: 외부 세계와의 상호 작용 __성찰 계층: 사후 평가 및 자기 개선 2.3 에이전틱 워크플로: 작업의 흐름을 설계하는 법 __계획: LLM의 추론을 통한 전략 수립 __행동: LLM의 판단에 따른 도구 호출 __성찰: LLM의 자기 비판과 루프 완성 2.4 디자인 패턴: 자율성을 구현하는 설계 공식 __계획 패턴: 복잡한 목표를 하위 태스크로 구조화 __도구 사용 패턴: LLM의 한계를 넘어서는 외부 기능 연동 __자기 성찰 패턴: 결과의 무결성을 위한 검증 루프 __멀티 에이전트 협업 패턴: 역할 분담과 집단 지성의 구현 2.5 싱글 에이전트 vs 멀티 에이전트 __싱글 에이전트: 집중된 지능의 효율과 한계 __멀티 에이전트: 전문화와 협업이 만드는 시너지 [02부] 핵심 메커니즘: 에이전트의 뇌, 기억, 그리고 손발 ▣ 03장: 에이전트의 두뇌 - 추론 엔진 3.1 추론 엔진으로서의 LLM과 그 역량 __환경 인지: 다양한 형태의 데이터 수집 및 해석 __추론 및 의사 결정: 주어진 맥락과 최종 목표 분석 __실행 및 소통을 위한 출력 생성 3.2 CoT(Chain of Thought): 사고의 연쇄를 이끌어내는 법 3.3 ReAct 프레임워크: 추론과 행동의 유기적 결합 3.4 성찰: 스스로 피드백하고 개선하는 지능 ▣ 04장: 에이전트의 기억과 지식 - Memory & Knowledge 4.1 에이전트 메모리의 계층 구조와 작동 원리 __단기 메모리: 에이전트의 실시간 작업 메모장 __장기 메모리: 에이전트의 지속적인 지식 창고 4.2 단기 메모리: 컨텍스트 관리와 실시간 최적화 4.3 장기 메모리: 데이터베이스를 활용한 지식 저장 __Docker를 이용한 PostgreSQL 환경 구축 __필수 패키지 및 드라이버 설치 __데이터베이스 구조 설계 __정보 추출용 프롬프트 설계 __PostgreSQL 데이터 업데이트 로직 __통합 실행 흐름: “기억의 동기화” ▣ 05장: 에이전트의 손과 발 - 도구 활용 5.1 도구호출: 언어 모델의 한계를 넘는 도구 호출의 본질 __1. 도구(Tool) __2. 함수 호출(Function Calling) __3. 도구 호출(Tool Calling) __1단계: 도구(함수) 정의 __2단계: LLM의 판단과 요청(도구 호출) __3단계: 애플리케이션의 실행 __4단계: 결과 전달 및 최종 답변 5.2 코드 실행: 도구를 넘어 직접 문제를 해결하는 메커니즘 ▣ 06장: 에이전트 기능의 확장과 심화 6.1 MCP(Model Context Protocol): 에이전트 연결의 새로운 표준 __리소스(Resources): 읽을 수 있는 정보(콘텐츠)를 제공 __리소스 목록 조회: resources/list __리소스 읽기: resources/read __도구(Tools): 실행 가능한 함수(행동)를 제공 __도구 목록 조회: tools/list __도구 호출: tools/call (get_weather_forecast) __도구 호출: tools/call (search_flights) __프롬프트(Prompt): 재사용 가능한 프롬프트 템플릿(대화/작업양식) 제공 __프롬프트 나열: prompts/list __프롬프트 가져오기 및 인자 주입: prompts/get __도구를 통한 동적 데이터 접근 __리소스를 통한 논리적 판단 근거 __프롬프트를 통한 작업 최적화 __Node.js 및 npm 설치 __MCP 서버 선행 실행 __MCP Inspector 실행 __SSE 연결 설정 (Connect) __MCP Inspector를 활용한 3단계 테스트 __OpenAI 모델을 MCP 호스트로 구현하기 __호스트의 작동 원리와 흐름 __MCP 서버 준비: weather_server.py (Stdio 모드) __MCP 호스트 구현: 대화의 루프 완성하기 6.2 A2A(Agent-to-Agent): 에이전트 간 협업과 통신 __A2A 협업의 실무적 메커니즘: 계획에서 상태 관리까지 __사전 설치 __서버 구축: Weather Agent __서버 실행 __에이전트 카드(Well-known JSON) 확인 __출력 결과(예시) __클라이언트 구축: User Agent 6.3 에이전트 스킬: 에이전트에게 업무 절차를 가르치는 법 6.4 하네스 엔지니어링: 장기 자율 작업을 위한 관리 프레임워크 __프로젝트 구조 __스킬 정의(SKILL.md) __하네스 엔지니어링 로직 구현(main_harness.py) [03부] 프레임워크 실전: Google ADK를 활용한 에이전트 구축 ▣ 07장: Google ADK로 시작하는 에이전트 개발 7.1 Google ADK 개요: 에이전트를 위한 새로운 운영체제 7.2 왜 ADK인가? 에이전트 구축의 효율 극대화 7.3 핵심 아키텍처와 구성 요소 훑어보기 __작업 수행의 기본 단위: 에이전트 __두뇌 컴포넌트: 모델과 계획 __손발 컴포넌트: 도구와 코드 실행 __기억과 산출물: 세션, 메모리, 아티팩트 __운영 및 신뢰성: 추적, 평가, 배포 __지휘자: 오케스트레이션 7.4 Hello, Agent! 나만의 첫 에이전트 만들기 __Google ADK 설치 및 환경 구성 __첫 번째 ADK 프로젝트 생성 __agent.py 코드 분석 __CLI로 실행하기 __웹 인터페이스를 통해 실행하기 __실행 결과 및 접속 __웹 UI의 주요 구성 및 활용 __직접 확인해 보기 __“Hello, Agent!” 수정하기 (Instruction Engineering) __변경된 에이전트 확인하기 ▣ 08장: 지능적 행동 설계: 지식과 행동의 결합 8.1 두뇌 연결: LLM 모델 등록 및 최적화 관리 __방법 1: 간편하게 문자열로 지정하기 __방법 2: 객체로 정밀하게 제어하기 __방법 3: 타사 모델 연결하기(LiteLLM) 8.2 구조 설계: 에이전트 프레임워크 심층 분석 __두뇌형 에이전트: LlmAgent __감독형 에이전트: WorkflowAgent __CustomAgent (개발자 정의 에이전트) 8.3 기능 구현: 복잡한 도구(Tools)를 능숙하게 다루는 법 __Prebuilt Tool(내장 도구): 즉시 사용 가능한 강력한 감각 __Custom Tool(Function Tool): 맞춤형 비즈니스 로직의 손발 __OpenAPI Tool: 거대한 외부 생태계와의 연결 __Code Execution(코드 실행): 논리적 오류를 잡는 연산 샌드박스 __MCP Tool(시스템 연결): 에이전트 생태계의 새로운 표준 __Prebuilt Tool: 즉시 사용 가능한 강력한 도구 __Prebuilt Tool의 가치와 동작 원리 __Custom Tool(Function Tool): “맞춤형 비즈니스 로직의 손발” __OpenAPI Tool: 거대한 외부 생태계와의 연결 __Code Execution(코드 실행): 논리적 오류를 잡는 연산 샌드박스 __로컬 환경의 가장 빠른 시작: BuiltInCodeExecutor 실습 __사전 준비 및 도구 초기화 __로컬 환경의 완벽한 격리: Docker 기반 샌드박스 구축 실습 __사전 준비 (Prerequisites) __ContainerCodeExecutor 초기화 및 에이전트 연동 __클라우드 환경의 매니지드 샌드박스: AgentEngine 기반 코드 실행 __실습 전 사전 준비 __MCP Tool(시스템 연결): “에이전트 생태계의 새로운 표준” 8.4 동적 계획: 플래너를 활용한 능동적 작업 수립 __BuiltInPlanner: 모델의 본능을 깨우는 내장형 플래너 __작동 원리: 보이지 않는 손 __PlanReActPlanner: 사고의 전 과정을 설계하는 명시적 플래너 ▣ 09장: 맥락 유지와 결과물 관리 9.1 세션과 메모리: 대화의 흐름과 맥락을 유지하는 법 __수동적 기억: Events 로그 활용하기 __능동적 기억: State 메모장 활용하기 __사전 준비: 세션 기능이 추가된 코드 준비 __실습 전 사전 준비 __세션 영속성 검증 시나리오 9.2 효율적인 메모리 관리와 최적화 기법 __InMemoryMemoryService: 로컬에서 기억력 테스트하기 __VertexAiMemoryBankService: 클라우드 기반의 영구적 장기 기억 __실습 전 사전 준비 9.3 아티팩트: 작업 결과물을 체계적으로 관리하는 노하우 ▣ 10장: 에이전트 운영 - 평가와 관측(Observability) 10.1 평가: 에이전트 평가 프레임워크 __트래젝터리(Trajectory): 정답보다 중요한 ‘풀이 과정’ __최종 응답 품질(Response Quality): 사용자가 받는 성적표 __테스트 파일(*.test.json): 가볍고 빠른 단위 테스트 __이발셋(*.evalset.json): 깊이 있는 통합 테스트 __빠른 검증을 위한 단위 테스트: 테스트 파일 __실전 시뮬레이션을 위한 통합 테스트: 이발셋(Evalset) __EvalConfig 작성 예시 (sample_config.json) 10.2 관측 가능성: 에이전트의 사고 과정을 추적하고 디버깅하기 __로깅(Logging): 사고의 기록 __INFO 레벨 실행(adk web --log_level=INFO) __DEBUG 레벨 실행(adk web --log_level=DEBUG) __데이터 통합을 위한 사전 준비 ▣ 11장: 에이전트 협업의 확장 - A2A(Agent to Agent) 11.1 ADK의 A2A 아키텍처와 구성 요소 11.2 에이전트 노출하기: A2AServer (Exposing) __[사전 준비] A2A 모듈 설치 __에이전트 구현 (remote_weather_agent/agent.py) __AgentSkill: 전문 분야의 구체적 정의 __AgentCard: 에이전트의 종합 명세서 11.3 에이전트 연결하기: RemoteA2aAgent(Consuming) [04부] 실전 프로젝트: 상상을 현실로 만드는 에이전트 ▣ 12장: 실전 프로젝트 - 나만의 AI 리서치 분석가 구축 12.1 프로젝트 정의: 최신 정보 수집 및 리포트 자동 생성 프로세스 12.2 플래너 에이전트: 사용자 요청 분석과 리서치 전략 수립 12.3 리서처 에이전트 구현: 뉴스 및 웹 데이터 스크래핑 자동화 12.4 작가 에이전트: 정보 요약과 구조화된 리포트 출력 12.5 오케스트레이터 에이전트: 전체 파이프라인 연결