STEP 1. LLM · RAG · Agent 기초 개념
목표
•
“에이전트란 무엇인가?”를 개념적으로 정확히 이해
핵심 내용
•
LLM의 구조적 한계
◦
Hallucination (그럴듯한 거짓)
◦
Stateless / Memory 부재
◦
최신 정보 접근 불가
•
RAG (Retrieval-Augmented Generation)
◦
External Knowledge + LLM 결합
◦
Vector DB 기반 검색
•
Agentic RAG
◦
“검색 → 판단 → 재검색” 루프
◦
단순 QA를 넘어선 의사결정
•
Tool Calling
◦
함수 호출 개념
◦
외부 시스템 제어
•
JSON Output
◦
구조화된 응답
◦
에이전트 자동화의 핵심
키워드
•
Hallucination, Stateless LLM
•
RAG / Agentic RAG
•
Tool Calling, Function Calling
•
Structured Output, JSON Schema
STEP 2. 노코드 에이전트 만들기 (n8n)
목표
•
“에이전트의 흐름”을 코드 없이 체감
핵심 내용
•
n8n 기본 구조
◦
Trigger / Node / Workflow
•
RAG 챗봇 실습
◦
문서 업로드
◦
Vector Store 연결
◦
질문 → 검색 → 답변
•
자동화형 뉴스레터 Agent
◦
웹 크롤링
◦
요약
◦
이메일/슬랙 발송
•
노코드의 장단점
◦
빠른 검증
◦
확장성 한계
키워드
•
No-code Agent
•
Workflow Orchestration
•
RAG Chatbot
•
Automation Agent
STEP 3. SDK 기반 에이전트 만들기 (OpenAI Agent SDK)
목표
•
“진짜 코드로 에이전트 만들기” 시작
핵심 내용
•
Agent SDK 개념
◦
Agent / Tool / Instruction
•
Agent Builder 개요
•
File Search 기반 RAG
◦
파일 업로드
◦
임베딩 & 검색
•
CS 챗봇 (싱글 에이전트)
◦
고객 질의 분류
◦
문서 기반 응답
키워드
•
Agent SDK
•
File Search RAG
•
Single Agent
•
Instruction Design
STEP 4. 프로덕션 에이전트 시작 (LangGraph)
목표
•
“에이전트의 실행 흐름”을 제어
핵심 내용
•
LangGraph 개념
◦
Node / Edge / State
•
ReAct 패턴
◦
Reason → Act → Observe
•
Prompt Chaining
◦
단계별 프롬프트 분리
•
2-Agent 워크플로우
◦
Web Search Agent
◦
Summarizer Agent
키워드
•
LangGraph
•
ReAct Pattern
•
State Machine
•
Prompt Chain
STEP 5. Multi-Agent 아키텍처 이해
목표
•
싱글 에이전트의 한계 극복
핵심 내용
•
Orchestrator–Worker 구조
•
Router
◦
요청 분기
•
Planner
◦
작업 계획 수립
•
Evaluator
◦
결과 품질 판단
•
Multi-Agent의 장점
◦
복잡한 문제 분해
◦
병렬 처리
키워드
•
Multi-Agent System
•
Orchestrator / Worker
•
Router / Planner / Evaluator
STEP 6. MCP · A2A 기반 모듈형 에이전트 사고
목표
•
“에이전트를 시스템처럼 설계”
핵심 내용
•
MCP (Model Context Protocol)
◦
표준화된 컨텍스트 공유
•
A2A (Agent-to-Agent)
◦
에이전트 간 직접 통신
•
Shared Tools / Actions
•
모듈형 에이전트 설계
◦
재사용 가능한 Agent
키워드
•
MCP
•
A2A Protocol
•
Modular Agent
•
Shared Context
STEP 7. LangGraph 심화
목표
•
복잡한 그래프 기반 에이전트 구현
핵심 내용
•
Conditional Routing
•
Loop / Retry
•
Long-running Agent
•
State 관리 전략
키워드
•
Graph-based Agent
•
Conditional Flow
•
State Persistence
STEP 8. DeepResearch 실전 아키텍처
목표
•
“논문급·리포트급 에이전트” 구현
핵심 내용
•
MOA (Mixture of Agents)
◦
답변 합성
•
DeepResearch / Manus 구조
•
CodeAct
◦
코드 실행 기반 문제 해결
•
역할 기반 Agent
◦
Researcher
◦
Writer
◦
Outliner
◦
Evaluator
◦
Optimizer
•
자율 개선 Loop
•
File-system 기반 Context 관리
키워드
•
DeepResearch
•
MOA
•
CodeAct
•
Self-improving Agent
•
File-based Context
STEP 9. 컨텍스트 엔지니어링
목표
•
“기억을 설계하는 법”
핵심 내용
•
Short-term Memory
•
Long-term Memory
•
File-based State Passing
•
Context Compaction
◦
요약
◦
중복 제거
키워드
•
Context Engineering
•
Memory Design
•
Compaction
STEP 10. Langfuse – Observability
목표
•
에이전트를 보이고, 측정하고, 개선
핵심 내용
•
Trace / Log 수집
•
비용 모니터링
•
병목 구간 탐지
•
응답 품질 분석
키워드
•
Observability
•
Tracing
•
Cost Monitoring
•
Quality Metrics
STEP 11. LiteLLM · vLLM 최적화
목표
•
비용·속도·보안 최적화
핵심 내용
•
모델 라우팅
•
Fallback 전략
•
비용 대비 성능 최적화
•
vLLM
◦
로컬 서빙
◦
폐쇄망 대응
키워드
•
LiteLLM
•
vLLM
•
Model Routing
•
Cost Optimization
STEP 12. 프로덕션 Multi-Agent 완성
목표
•
“실제 서비스 가능한 에이전트”
핵심 내용
•
Orchestrator + Sub-agents 통합
•
Instruction-following 강화
•
FastAPI 서버 구성
•
Streamlit UI
•
E2E 파이프라인 완성
키워드
•
Production Agent
•
E2E Pipeline
•
FastAPI
•
Streamlit
안녕하세요
•
관련 기술 문의와 R&D 공동 연구 사업 관련 문의는 “glory@keti.re.kr”로 연락 부탁드립니다.
Hello
•
For technical and business inquiries, please contact me at “glory@keti.re.kr”