Agentic AI 구축 개발의 모든 것

이준

경희대학교 컴퓨터공학과를 졸업하고, 동 대학원에서 네트워크 분야를 연구하며 석사 학위를 받았다. 졸업 후 현대자동차·기아, SK텔레콤 등에서 근무하며 대규모 프로젝트를 통해 클라우드 아키텍처 설계 및 개발, 실무 운영 경험을 풍부하게 축적했다. 클라우드와 인프라에 대한 깊은 이해를 바탕으로 기술 생태계의 변화를 기민하게 포착해 왔으며, 현재는 삼성SDS에서 생성형 AI 시대를 위한 LLM 서빙 플랫폼을 개발하고 있다. 또한 현업에서 다져진 탄탄한 전문성을 바탕으로 해외의 우수한 최신 기술 서적을 국내 개발자들에게 소개하는 번역 활동에 힘쓰고 있다. 역서로는 『개발자를 위한 쉬운 쿠버네티스』(위키북스, 2025), 『생성형 AI 인 액션』(위키북스, 2025) 등이 있다.

이형석

한양대학교 전자공학과를 졸업하고 KAIST 전기및전자공학과에서 컴퓨터 비전 연구로 석사 학위를 받았다. 현대자동차에서 자율주행, 스마트 팩토리, 로보틱스 분야의 AI 기술을 연구했으며, 이후 크레버스와 삼성SDS에서 생성형 AI 서비스와 멀티 에이전트 플랫폼을 개발했다. 10년 이상 음성, 비전, 대규모 언어 모델을 활용한 AI 서비스를 연구하고 실제 운영 환경에 적용해 왔다. 현재 AI Specialist Solutions Architect로 일하며 기업의 생성형 AI 도입과 서비스 설계를 지원하고 있다. 주요 관심 분야는 AI 에이전트, LLMOps, 클라우드 기반 AI 시스템이다.

• [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
•  

• GitHub 저장소: https://github.com/lhseokool/agentic-ai-code
• ZIP 형식으로 다운로드: https://github.com/lhseokool/agentic-ai-code/archive/refs/heads/main.zip