책소개
이 책은 "AI 에이전트 개발 첫걸음: OpenAI API로 시작해서 RAG로 완성되는 AI 에이전트"를 완독하셨거나, 그에 준하는 LangChain 및 RAG 시스템에 대한 기초 지식을 갖춘 분들을 위해 쓰였습니다. 아래 항목 중 하나 이상에 해당된다면, 이 책이 여러분을 한 단계 더 높은 수준의 AI 에이전트 아키텍트로 성장시키는 괜찮은 안내서가 되어줄 것입니다.
1. 더 똑똑한 AI 에이전트를 만들고 싶은 개발자: 단선적인 RAG 시스템을 넘어, 스스로 생각하고 여러 단계를 거쳐 복잡한 문제를 해결하는 '상태 기반(Stateful)' AI 에이전트 구축에 도전하고 싶은 분
2. AI 시스템 설계 역량을 키우고 싶은 엔지니어: 단일 애플리케이션을 넘어, 여러 AI 기능이 독립적으로 작동하고 협업하는 '분산 AI 시스템' 설계 및 구축에 관심 있는 분
3. 실무 문제 해결 능력을 갖추고 싶은 기획자 및 개발자: LangGraph와 MCP 같은 최신 기술을 활용하여, 실제 비즈니스 현장의 복잡한 자동화 요구사항을 해결하는 실질적인 프로젝트 경험을 쌓고 싶은 분
4. 미래 기술을 선도하고 싶은 전문가: 에이전트가 다른 에이전트와 소통하는 '멀티 에이전트' 시스템의 개념을 이해하고, 미래형 AI 아키텍처의 표준이 될 MCP(Model Context Protocol)를 미리 경험하고 싶은 분
이 책은 1권에서 다진 기초 위에, 실제 현업에서 마주할 복잡한 문제들을 해결할 수 있는 고급 워크플로우 설계 및 시스템 아키텍처 구축 능력을 더해주는 심화 과정입니다.
목차
프롤로그
저자소개
학습 가이드
목차
PART 1: 자율적인 AI 시스템 구축
Chapter 1. AI 에이전트 개발 환경 세우기
1.1 아나콘다(Anaconda) 설치
1.2 가상 환경 생성 및 관리
1.3 Visual Studio Code 설치 및 가상 환경 연동
1.4 OpenAI API 키 발급 및 설정
1.4.1 OpenAI API 키 발급하기(2025년 8월 기준)
1.4.2 OpenAI API 사용량 및 요금에 대한 이해
1.4.3 API 키 안전하게 관리하기
1.5 핵심 라이브러리 설치
Chapter 2: 자율적인 AI 시스템을 구현하는 핵심 설계 도구: LangGraph
2.1 LangChain을 넘어서: 왜 LangGraph가 필요한가?
2.2 LangGraph의 핵심 개념: 상태(State), 노드(Node), 엣지(Edge)
2.2.1 심층 탐구: 상태(State) 정의, 그래프의 심장 설계하기
2.3 LangGraph의 기본 구조 이해하기
2.3.1 상태 정의: 작업 현황판 만들기
2.3.2 더 견고한 상태 관리: Pydantic
2.4 지능형 워크플로우의 핵심, 조건부 엣지
2.5 1권의 RAG 에이전트를 LangGraph로 업그레이드하기
2.5.1 시작하기 전에: 1권의 RAG 챗봇 복습하기
2.5.2 Level 1: TypedDict 기반 단일 노드 RAG
2.5.3 Level 2: Pydantic 기반으로 안정성 높이기
2.6 대화를 기억하는 AI 에이전트 만들기 (체크포인팅)
2.6.1 체크포인팅의 전제 조건: 비동기 실행 (Asynchronous Execution)
2.6.2 체크포인팅: AI 에이전트의 기억 장치
2.6.3 실습: SQLite와 체크포인팅을 이용한 대화형 RAG 챗봇
2.7 협력하는 AI 팀 만들기 (멀티 에이전트)
2.7.1 왜 싱글 에이전트가 아닌 멀티 에이전트인가?
2.7.2 실습: 역할 기반 멀티 에이전트 RAG 시스템
Chapter 3: RAG의 한계를 넘어 세상의 모든 것을 연결하는 MCP (Model Context Protocol)
3.1 기업용 AI 애플리케이션의 진화와 MCP의 필요성
3.2 서버-클라이언트 구조의 이해
3.3 MCP의 개념 및 궁극적 목표
3.4 MCP의 네 가지 핵심 구성 요소
3.5 FastMCP를 이용한 단일 서버-클라이언트 구현
3.5.1 실습: 도구 서버 구축
3.5.2 실습: 클라이언트 구현
PART 2: 나만의 AI 에이전트 프로젝트
Chapter 4: 프로젝트 1 - 시장 조사 및 보고서 작성 AI 에이전트
4.1 프로젝트 설계: 목표부터 아키텍처, 그리고 역할 정의까지
4.1.1 프로젝트 목표 및 해결 과제
4.1.2 시스템 아키텍처: 우리만의 AI 전문가 팀 구성
4.1.3 전문가(서버) 역할과 책임 명세
4.2 단계별 데이터 흐름과 규칙 상세 분석
4.3 실습: LangGraph와 MCP를 활용한 시장 조사 및 보고서 작성 애플리케이션 구현
4.3.1 시장 조사 전문가 서버 구축 (market_research_server.py)
4.3.2 보고서 작성 전문가 서버 구축 (report_writing_server.py)
4.3.3 감독관 클라이언트 구현 (multiserver_client.py)
Chapter 5: 프로젝트 2 - 비즈니스 인텔리전스(BI) 제공 AI 에이전트
5.1 프로젝트 개요: 데이터, 이제 대화의 대상이 되다
5.1.1 NL2SQL (Natural Language to SQL)
5.1.2 프로젝트 목표와 가상 시나리오
5.2 사전 준비: 서울 열린데이터 광장 API 키 발급
5.3 실습 1: 공공데이터 수집 및 데이터베이스 구축
5.4 실습 2: LangGraph를 이용한 통합형 분석 에이전트 개발
5.5 실습3: MCP를 이용한 분산형 분석 에이전트 개발
5.6 종합 및 결론: 어떤 아키텍처가 더 나은가?
맺음말: 이제 당신의 아이디어를 현실로 만들 시간
