한빛미디어 <만들면서 배우는 AI 에이전트 개발 입문+실전> - 나만의 AI Agent 만들기

“한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다.”

 

총평

- 책의 난이도  : ★★★☆☆
- 추천 별점     : ★★★★★
- 추천 독자     : AI 트랜드 및 AI 에이전트 개발에 관심이 많은 개발자 혹은 사람들
- 지은이         : 박나연
- 출판사         : 한빛미디어

 

---

난 이 책 정말 마음에 들었다. AI에 요즘 트랜드 기술이라고 하는 개념들은 전부다 담았을 뿐아니라.

늘 내가 제일 좋아하는 '국내 저자' 이기 때문이다.

 

AI 가 더 발달하니 이제 너도나도 AI로 돈벌기 / 딸깍 이라는 주제로 근본이랑 멀어지고 자극적인 주제에 집착한다.

자극적이더라도 교육적 내용이 있으면 다행인데, 그냥 대충 설치해놓고 개념 적어놓으면서 AI 개발이라고 적어놓은 책을 정말 싫어한다.

책의 절반이 프롬프트 답변인 책도 초기에는 진짜 많았고, 솔직히 리뷰하면서 정말 싫었다. 그렇게 적기도 했고.

 

이 책은 AI를 학습하기 위한 기본적인 개념을 차근차근 가장 밑바닥부터 들어가는 책 같았다.

1장부터 차근차근 읽기를 추천한다.

 

 

AI 에이전트를 알기 위해서는 결국 AI가 무엇인지 부터 들어가야한다. 그래서 LLM이 무엇이고 어떻게 작동하는지 부터 알게 되어있고, 점차적으로 에이전트의 개념과 에이전트를 만들어가는 과정을 배울 수 있다.

 

다음은 책에서 내가 메모한 것들인데, 이런 내용들을 다루는 구나 이렇게 생각해주면 좋겠다.

 

1.1 LLM의 개념

LLM은 방대한 텍스트 데이터를 학습해 자연어를 이해하고 생성하는 인공신경망 기반 모델이다. 모델은 학습 과정을 통해 파라미터를 생성하며, 이 파라미터를 바탕으로 문장의 의미와 맥락을 분석한다.

파라미터란 모델 내부에 존재하는 수많은 가중치와 편향값이 만들어내는 값을 의미한다. 파라미터 수가 많을수록 모델은 단어 간 관계, 문장의 흐름, 의미적 연결을 더 섬세하게 분석하고 추론할 수 있다.

 

1.2 LLM의 작동 기반

LLM은 자연어 이해와 추론을 담당한다. 이를 위해 트랜스포머라는 인공신경망 아키텍처를 기반으로 하며, 문장 안에서 단어들이 서로 어떤 관계를 갖는지 파악한다.

트랜스포머는 어텐션 메커니즘을 통해 문장 내 단어 간 관계를 분석한다. 이 구조 덕분에 LLM은 단어 하나만 보는 것이 아니라, 문장 전체의 맥락 속에서 의미를 이해할 수 있다.

1.3 에이전트의 개념

에이전트는 LLM이 추론한 내용을 바탕으로 행동을 계획하고 실행하는 시스템이다. LLM이 언어를 이해하고 판단하는 역할을 한다면, 에이전트는 그 판단을 실제 행동으로 연결하는 역할을 한다.

에이전트는 구체적인 목표를 지정하고, 그 목표를 달성하기 위한 행동을 설계하며, 필요한 절차를 수행한다. 따라서 에이전트는 단순히 답변을 생성하는 수준을 넘어 목표 달성을 위한 실행 구조를 포함한다.

1.4 ReAct의 개념

ReAct는 에이전트의 사고 구조를 설명하는 방식으로, Thought, Action, Observation의 사이클로 구성된다. 이는 LLM 기반 에이전트가 실제 문제를 해결할 때 어떻게 판단하고 다음 행동을 결정하는지 단계별로 보여준다.

Thought는 현재 상황을 해석하고 다음 행동을 판단하는 사고 단계다. Action은 판단을 바탕으로 실제 행동을 수행하는 단계이며, Observation은 수행 결과를 확인하고 다시 다음 판단에 반영하는 단계다.

이 구조를 통해 에이전트는 한 번의 응답으로 끝나는 것이 아니라, 생각하고 행동하고 결과를 확인하는 과정을 반복하며 목표에 접근한다.

1.5 메모리 구조

각 학습 모델은 단기 메모리와 장기 메모리 구조를 가질 수 있다. 메모리는 모델이나 에이전트가 이전 정보를 어떻게 유지하고 활용하는지를 설명하는 개념이다.

단기 메모리는 하나의 세션 대화 안에서만 내용을 기억하는 구조다. 현재 대화의 맥락을 유지하는 데 사용되며, 세션이 종료되면 해당 기억은 더 이상 유지되지 않는다.

장기 메모리는 전반적인 내용을 지속적으로 기억하는 구조다. 여러 대화나 작업에서 축적된 정보를 바탕으로 사용자 선호, 반복되는 맥락, 장기적인 목표 등을 활용할 수 있게 한다.

1.6 Single Agent의 개념

Single Agent는 하나의 에이전트가 독립적으로 모든 추론과 행동을 수행하는 시스템을 의미한다. 하나의 주체가 스스로 판단하고 행동하며, 다른 에이전트와 협력하거나 역할을 분리하지 않는다는 점이 핵심이다.

Single Agent 구조에서는 문제 분석, 의사결정, 행동 실행, 결과 확인이 하나의 에이전트 안에서 이루어진다. 따라서 시스템 구조가 비교적 단순하고, 작업 흐름을 한 곳에서 관리할 수 있다.

이 방식의 장점은 의사결정이 빠르다는 점이다. 여러 에이전트가 의견을 주고받거나 역할을 조율할 필요가 없기 때문에 판단과 실행이 직접적으로 이어진다.

또한 불필요한 소통 비용이 발생하지 않는다. 에이전트 간 메시지 교환, 역할 분배, 결과 통합 과정이 없기 때문에 단일 작업을 처리할 때 효율적이다.

Single Agent는 문제의 범위가 명확하고 목적이 분명한 경우에 적합하다. 수행해야 할 작업이 복잡하게 분산되지 않고, 하나의 에이전트가 전체 흐름을 충분히 판단할 수 있을 때 사용할 수 있다.

1.7 LangGraph의 개념

LangGraph는 AI Agent의 작업 흐름을 그래프 구조로 구현하기 위한 프레임워크다. 에이전트가 어떤 정보를 가지고 있고, 어떤 작업을 수행하며, 다음 단계로 어떻게 이동할지를 State, Node, Edge로 나누어 표현한다.

LangGraph에서 에이전트의 실행 흐름은 단순한 일회성 호출이 아니라 상태가 변화하는 과정으로 이해할 수 있다. 각 단계는 상태를 읽고, 필요한 작업을 수행한 뒤, 변경된 상태를 다음 단계로 전달한다.

이 구조는 ReAct 기반 에이전트처럼 생각, 행동, 관찰이 반복되는 흐름을 구현할 때 적합하다. 상태를 중심으로 각 작업 단계를 연결하기 때문에 단일 에이전트뿐 아니라 여러 역할을 가진 Multi-Agent 구조로도 확장할 수 있다.

 

난 특히 랭체인, 랭그래프 등 이게 뭔가 했더니 프레임워크였다.

 

실습

나는 결국 LLM 에서 핵심적인 부분 중 하나는 메모리를 어떻게 관리하느냐이다. 일관성과 맥락을 잡기 위해서는 이전의 대화를 잘 기억해야하지만 이는 토큰의 문제와 용량의 문제로 잘못관리할시 가장 큰 문제가 되고있기 때문이다.

 

 

책에서 제시한 단기메모리 예시를 실습해보았다.

실제로 내 이름을 입력하고 나이대를 입력하니 내 정보가 기록되는 것을 확인할 수 있었다.

 

여기서 생성되는 대화는 thread를 통해서 영역을 구분할 수 있으며, 여기서 나눈 대화는 postgreSQL로 저장을 시킬 수 있다. 이를 통해서 장기기억으로 넘어가게 되는 것이다.

 

추후에는 이런 대화가 쌓이니 이것을 summarize하여 다시 저장한다 그럼 이전 대화의 맥락을 기록하면서도 토큰을 최적화 할 수 있다. 토큰은 단순히 비용의 문제 뿐 아니라 컨텍스트 오류를 방지하기도 한다.

 

총평

이 책은 AI Agent를 직접 만들어보면서 그 개념을 명확하게 익힐 수 있도록 아주 잘 짜여진 책이다. 근래에 보기 힘든 단순히 프롬프트를 안내하는 책이 아니라 우리가 직접 Agent를 만들어보면서 이해할 수 있어 매우 추천한다.

 

책 바로보기

https://www.hanbit.co.kr/store/books/look.php?p_code=B5614034531

만들면서 배우는 AI 에이전트 개발 입문+실전