에이전트 설계 원리와 109개 실험 코드를 함께 다루는 오픈소스 교재
모델이 맥락을 읽고 도구를 쓰는 방식을 코드와 함께 파헤쳐 보며, 에이전트 시스템을 직접 구축해 볼 수 있습니다. 이 책은 '에이전트 = LLM + 컨텍스트 + 도구'라는 공식 하나를 중심으로, 이론을 넘어 실제 동작하는 시스템을 만드는 방법을 단계별로 보여줍니다. 2.0 버전에서는 다중 모드와 비동기 처리 내용을 통합해 구조를 개편했으며, 최신 PDF와 15개 언어 번역본을 제공합니다.
2.0 버전의 구조 개편과 최신 내용
이 저장소는 최근 1.4 버전에서 2.0 버전으로 업데이트되었습니다. 가장 큰 변화는 기존 4장의 '비동기 상호작용'과 9장의 '다중 모드 에이전트' 내용을 합쳐 새로운 6장 '상호작용: 관찰과 행동 공간의 확장'으로 재구성한 것입니다. 이로 인해 평가, 모델 후학습, 지속적 진화 장이 각각 7, 8, 9장으로 순번이 바뀌었습니다. 구버전 PDF를 보고 있다면 최신 버전으로 교체하는 것이 좋으며, 이번 업데이트에는 내용 수정과 조정도 포함되어 있습니다. 또한 이 책과 함께 읽을 수 있는 AI 인프라 관련 자매 서적도 공개되어 있어 모델 기반 애플리케이션의 기반 구조를 이해하는 데 도움이 됩니다.
10개 장으로 이어지는 학습 경로
전체 내용은 에이전트의 기본 개념부터 생산 환경 적용까지 10개 장으로 나뉩니다. 1장은 에이전트의 핵심 구성 요소를 정의하고, 2장은 컨텍스트 엔지니어링을 통해 모델의 능력 한계를 어떻게 높이는지 다룹니다. 3장은 사용자 기억과 RAG(검색 증강 생성)를 통해 외부 지식을 연결하는 방법을, 4장은 MCP 프로토콜과 도구 발견 메커니즘을 설명합니다. 5장은 코딩 에이전트를 중심으로 도구를 생성하는 도구의 역할을 강조하며, 6장은 음성, 컴퓨터 사용, 로봇 조작 등 관찰과 행동의 범위를 넓히는 방법을 다룹니다. 7장은 에이전트 성능을 측정하는 평가 체계를, 8장은 SFT와 RL을 활용한 모델 후학습 전략을, 9장은 실행 궤적에서 학습 신호를 얻어 에이전트를 진화시키는 방법을, 10장은 다중 에이전트 협업과 사회적 현상을 각각 설명합니다.
실험 환경 설정과 실행 방법
모든 실험은 Python 3.11~3.13을 지원합니다. 의존성 설치에는 uv를 권장하며, uv sync --locked --extra ch1 명령으로 해당 장의 환경을 재현 가능하게 설정할 수 있습니다. uv가 없다면 python -m pip install -e ".[ch1]"을 사용할 수 있습니다. 모델 호출이 필요한 실험은 .env.example을 복사해 .env로 만들고 API 키를 입력해야 합니다. 일부 실험은 로컬 Ollama를 사용하도록 명시되어 있으며, 이 경우 --provider ollama 옵션을 추가해야 합니다.
실행 전 확인해야 할 사항과 요구 사항
이 책은 수학이나 기계 학습에 대한 깊은 지식을 요구하지 않지만, 중간 수준의 Python 코드를 읽고 수정할 수 있어야 합니다. ChatGPT나 Claude 같은 LLM 제품 사용 경험과 AI 보조 코딩 도구(Claude Code, Codex 등)에 익숙한 것이 도움이 됩니다. 8장의 후학습 실험은 Python 3.12 이상과 GPU 환경이 필요할 수 있으며, 일부 외부 저장소(로봇 시뮬레이터, 브라우저 자동화 도구 등)는 별도로 클론해야 합니다. 실험 코드는 모두 코딩 에이전트가 생성한 것이므로, 모든 줄을 이해하려 하기보다 아키텍처와 설계 원칙을 파악하는 데 집중하는 것이 좋습니다.
