상세정보
AI 에이전트와 애플리케이션
- 저자
- 로베르토 인판테
- 출판사
- 에이콘출판사
- 출판일
- 2026-07-30
- 등록일
- 2026-11-03
- 파일포맷
- PDF
- 파일크기
- 0
- 공급사
- 북큐브
- 지원기기
-
PC
PHONE
TABLET
프로그램 수동설치
뷰어프로그램 설치 안내
책소개
이 책은 5부에 걸친 모두 14개의 장으로 구성되어 있다. 각 부는 LLM의 기초 활용 기술에서 시작해 LangChain, LangGraph, MCP를 활용한 출시 모델 수준의 에이전트까지 구축하도록 구성되어 있다. 1부는 LLM이 어떤 영역에서 강점을 보이고 어떤 한계를 지니는지, 그리고 실제 응용 시스템을 구축할 때 왜 프레임워크가 필수적인지를 살펴보면서 기초적 지식을 제공한다. 2부에서는 LLM의 핵심 활용 사례 가운데 하나인 대량의 텍스트에서 핵심 정보를 추려 실제 활용 가능한 형태로 정리하는 방법을 다룬다. MapReduce 전략과 LangChain Expression Language(LCEL) 파이프라인을 구성해 보며, 웹을 탐색하여, 출처를 수집하고, 이를 요약한 뒤, 간결하면서도 근거를 갖춘 보고서를 생성하는 연구 요약 엔진을 구축하고 Agent의 기본 개념을 소개한다.
3부는 OpenAI와 ChromaDB를 사용하여 RAG를 기본 원리를 다루고 임베딩(embeddings), 문맥 기반 검색(semantic search) 그리고 수집?질의 루프와 벡터 저장소와 검색기(retriever)의 역할을 보여주는 최소한의 Q&A 챗봇을 구현하며, LangSmith 추적 기능을 소개한다.
4부에서는 데이터와 사용자 규모가 커질 때 검색 시스템을 어떻게 확장할 수 있는지 살펴본다. 정교한 조각화(chunking), 다중 임베딩, 그리고 목표 지향적 확장을 통해 인덱싱과 반정형 데이터와 멀티모달 콘텐츠에 맞게 검색 전략을 조정하는 방법도 살펴본다. 또한 검색 성능을 높이는 재작성-검색-읽기(rewrite?retrieve?read) 패턴, 스텝백(step-back) 프롬프트, 가설 문서임베딩(Hypothetical Document Embeddings(HyDE)), 질문 분해 등의 기법을 활용해, 검색 과정에서 더 관련성이 높고 충분한 정보를 안정적으로 찾아내는 방법과 상호순위 융합(Reciprocal Rank Fusion(RRF))으로 결과를 후 처리하여 LLM에 가장 관련성이 높은 문맥을 제공하는 방법론도 익힌다.
5부는 에이전트 시스템을 본격적으로 탐색하는데 시스템이 어떻게 의사결정을 내리고 행동을 수행하는지를 살펴본다. 도구를 사용하는 에이전트와 멀티 에이전트 시스템을 구축하고, 이를 MCP로 확장하며, 실제 운영 환경에 배포할 수 있도록 준비하는 과정을 다룬다. 또한supervisor 패턴을 사용해 멀티 에이전트 시스템을 구성하는 방법을 다루며, 각 하위 작업을 가장 적절한 전문 에이전트가 처리하도록 설계한다. 모델 문맥 프로토콜(Model Context Protocol(MCP))이 무엇인지, MCP 서버를 직접 구축해 보고 외부에서 제공되는 MCP 도구를 활용하는 방법도 살펴본다.
저자소개
로베르토 인판테(Roberto Infante)
25년이 넘는 경력을 지닌 소프트웨어 엔지니어로, 주로 금융 분야에서 활동해왔으며 투자은행, 자산운용사, 브로커, 거래소 등 금융 산업 전반을 두루 경험했다.
현재 헤지펀드의 재무 기능을 위한 퀀트 개발을 총괄하는 동시에 여러 생성형 AI 이니셔티브도 이끌고 있다. 『Building Ethereum Dapps』(매닝, 2019)의 저자이기도 하다.
이병욱
경영학 박사(Ph.D & MBA)
카이스트 전산학 학사/석사
스위스 플랭크린대학교 경영학 박사
서울과학종합대학원 AI첨단대학원 주임교수
카이스트(KAIST) 겸직교수
SOFT AI 대표이사
금융위원회 금융규제혁신회의 위원
금융위원회 법령해석심의위원회 위원
금융위원회 적극행정위원회 위원
금융위원회 디지털자산 자문위원
한국핀테크 지원센터 혁신금융 전문위원
AI경영학회 부회장
전) BNP 파리바 카디프 전무
전) 삼성생명 마케팅 개발 수석
2021년 혁신금융 부문 대통령 표창
서울과학종합대학원 AI대학원 주임교수와 카이스트 겸직교수를 맡고 있으며, SOFT AI의 대표이사다. 카이스트(KAIST) 전산학과 계산이론 연구실에서 학사/석사를 취득했고, 스위스 플랭클린대학교에서 경영학 박사 학위를 받았다. 현재는 기업 대상으로 인공지능 기술 컨설팅을 비롯해 성공적인 AI 기술 도입을 통한 DT 전환 컨설팅을 하고 있다.
공학을 전공한 금융 전문가로, 세계 최초의 핸드헬드-PC(Handheld-PC) 개발에 참여해 한글 윈도우 CE 1.0과 2.0을 미국 마이크로소프트 본사에서 공동 개발했다. 1999년에는 핀테크 전문회사 ㈜보험넷을 창업했고, 이후 삼성생명을 비롯한 생명 보험사 및 손해 보험사에서 CMO(마케팅 총괄 상무), CSMO(영업 및 마케팅 총괄 전무) 등을 역임하면서 혁신적인 상품과 서비스를 개발하고 총괄했다.
인공지능연구원에서 머신러닝 기반의 금융 솔루션 개발에 관련된 다양한 활동을 하고 있으며 금융위원회, 금융정보분석원 등에 다양한 자문을 하고 있다. 2021년에는 혁신금융 부문 대통령 표창을 수상한 바 있다.
저서로는 『비트코인과 블록체인, 탐욕이 삼켜버린 기술』(에이콘, 2018)과 대한민국학술원이 ‘2019 교육부 우수학술도서’로 선정한 『블록체인 해설서』(에이콘, 2019), 2022년 문체부의 ‘세종도서’로 선정된 『돈의 정체』(에이콘, 2019), 한국금융연수원의 핀테크 전문 교재인 공저 『헬로, 핀테크!』(2020)와 『헬로, 핀테크! - 인공지능 편』(2021)이 있다.
목차
1부 LLM 시작하기
1장 AI 에이전트와 그 응용 소개
1.1 LLM 기반의 응용과 에이전트 구축
1.1.1 LLM 기반 애플리케이션과 엔진
1.1.2 LLM 기반 챗봇
1.1.3 AI 에이전트
1.2 LangChain 소개
1.2.1 LangChain 아키텍처
1.2.2 LangChain의 핵심 객체 모델
1.3 전형적인 LLM 사용 사례
1.4 LLM을 요구 사항에 맞게 조정하는 방법
1.4.1 프롬프트 공학
1.4.2 RAG
1.4.3 파인튜닝
1.5 LLM 선택
1.6 이 책에서 배우게 될 내용
요약
2장 프로그래밍 방식으로 프롬프트 실행
2.1 프롬프트를 프로그래밍 방식으로 실행하기
2.1.1 이 장을 위한 환경 설정
2.1.2 최소한의 프롬프트 실행
2.2 LangChain으로 프롬프트 실행하기
2.3 프롬프트 템플릿
2.3.1 파이썬 함수로 프롬프트 템플릿 구현하기
2.3.2 LangChain의 PromptTemplate 사용하기
2.4 프롬프트 형식
2.4.1 텍스트 분류
2.4.2 감정 분석
2.4.3 텍스트 요약
2.4.4 텍스트 구성
2.4.5 질의응답
2.4.6 추론
2.5 상세 추론
2.5.1 원샷 학습
2.5.2 투샷 학습
2.5.3 단계 제시
2.5.4 퓨샷 학습
2.5.5 LangChain으로 퓨샷 학습 구현하기
2.5.6 사고 체인
2.6 프롬프트 구조
요약
2부 요약
3장 LangChain을 사용한 문서 요약
3.1 문맥 창보다 큰 문서 요약하기
3.1.1 텍스트를 조각으로 나눠 Document 객체로 만들기
3.1.2 분할
3.1.3 맵
3.1.4 Reduce
3.1.5 MapReduce 결합 체인
3.1.6 MapReduce 실행
3.2 문서 간 요약
3.2.1 Document 객체 목록 생성
3.2.2 위키피디아 콘텐츠
3.2.3 파일 기반 콘텐츠
3.2.4 Document 리스트 생성
3.2.5 최종 요약 점진적으로 Refine하기
3.3 요약 흐름도
요약
4장 연구 요약 엔진 구축
4.1 연구 요약 엔진 개요
4.2 프로젝트 설정
4.3 핵심 기능 구현
4.3.1 웹 검색 구현
4.3.2 웹 스크래핑 구현
4.3.3 LLM 클라이언트 인스턴스 생성
4.3.4 JSON을 파이썬 객체로 변환하는 변환기
4.4 질의 재작성으로 아키텍처 고도화
4.5 프롬프트 공학
4.5.1 웹 검색 프롬프트 작성
4.5.2 요약 프롬프트 작성
4.5.3 연구 리포트 프롬프트
4.6 초기 구현
4.6.1 함수와 프롬프트 템플릿 임포트
4.6.2 상수와 입력 변수 설정
4.6.3 LLM 클라이언트 인스턴스 생성
4.6.4 웹 검색 질의 생성 및 결과 수집
4.6.5 웹 결과 스크래핑
4.6.6 웹 결과 요약
4.6.7 연구 보고서 생성
4.7 LCEL로 연구 요약 엔진 다시 구현하기
4.7.1 어시스턴트 지시 체인
4.7.2 웹 검색 체인
4.7.3 검색 및 요약 체인
4.7.4 웹 연구 체인
요약
5장 LangGraph를 활용한 에이전트 워크플로
5.1 에이전틱 워크플로와 에이전트에 대한 이해
5.1.1 워크플로
5.1.2 에이전트
5.1.3 에이전트 기반 아키텍처를 사용할 경우
5.1.4 에이전트 개발 프레임워크
5.2 LangGraph 기초
5.3 LangChain 체인에서 LangGraph로 이동하기
5.4 LangGraph 핵심 구성 요소
5.4.1 상태 그래프 구조
5.4.2 상태 관리와 타입 지정
5.4.3 노드 함수와 엣지 정의
5.4.4 시작 지점과 종료 조건
5.5 웹 연구 어시스턴트를 AI 에이전트로 전환하기
5.5.1 기존 LangChain 구현 개요
5.5.2 변환을 위한 구성 요소 식별
5.5.3 단계별 변환 절차
5.5.4 코드 비교와 얻은 이점들
요약
3부 Q&A 챗봇
6장 ChromaDB를 활용한 RAG 기초
6.1 문맥 기반 검색
6.1.1 단일 문서를 대상으로 한 기본적인 질의응답 챗봇
6.1.2 지식 기반을 대상으로 한 보다 복잡한 질의응답 챗봇
6.1.3 RAG 설계 패턴
6.2 벡터 저장소
6.2.1 벡터 저장소란 무엇인가?
6.2.2 벡터 저장소의 작동 원리
6.2.3 벡터 라이브러리 vs. 벡터 데이터베이스
6.2.4 가장 널리 사용되는 벡터 저장소
6.2.5 Chroma를 사용한 텍스트 저장 및 문맥 기반 검색 수행
6.3 RAG 처음부터 구현하기
6.3.1 벡터 데이터베이스에서 콘텐츠 검색
6.3.2 LLM 호출
6.3.3 챗봇 구축
6.3.4 RAG 용어 정리
요약
7장 LangChain과 LangSmith를 활용한 질의응답 챗봇
7.1 질의응답 챗봇을 위한 LangChain 객체 모델
7.1.1 콘텐츠 수집(인덱싱) 단계
7.1.2 질의응답(검색 및 생성) 단계
7.2 벡터 저장소 콘텐츠 수집
7.2.1 문서 분할 및 저장
7.2.2 중복 제거
7.2.3 폴더에서 여러 문서 수집
7.3 저장된 문서에 대한 질의응답
7.3.1 벡터 저장소 직접 질의
7.3.2 LangChain 체인을 통한 질문 수행
7.3.3 RAG 체인 설정 마무리
7.3.4 후속 질문
7.4 챗봇의 메시지 이력 기억
7.4.1 프롬프트 수정
7.4.2 채팅 메시지 이력 갱신
7.4.3 채팅 이력을 RAG 체인에 주입하기
7.4.4 전체를 하나로 통합하기
7.5 LangSmith로 실행 추적하기
요약
4부 고급 RAG
8장 고급 인덱싱
8.1 RAG 정확도 개선
8.1.1 콘텐츠 수집 단계
8.1.2 질문-응답 단계
8.2 고급 문서 인덱싱
8.3 분할 전략
8.3.1 분할 전략들
8.3.2 고려해야 할 요소
8.3.3 적절한 전략 선택
8.3.4 HTML 헤더 기준 분할
8.4 임베딩 전략
8.4.1 ParentDocumentRetriever를 사용한 하위 조각 임베딩
8.4.2 MultiVectorRetriever를 사용한 자식 조각 임베딩
8.4.3 문서 요약들 임베딩
8.4.4 가설 질문 임베딩
8.5 세분화 조각 확장
8.6 반정형 콘텐츠
8.7 멀티모달 RAG
요약
9장 질문 변환
9.1 재작성-검색-읽기
9.1.1 사용자 원시 질문을 사용한 콘텐츠 검색
9.1.2 질의 재작성기 체인 설정
9.1.3 재작성한 질의로 콘텐츠 검색하기
9.1.4 모든 요소를 하나의 RAG 체인으로 결합하기
9.2 다중 질의 생성
9.2.1 다중 질의를 생성하는 체인 구성하기
9.2.2 사용자 정의 다중 질의 검색기 설정
9.2.3 표준 MultiQueryRetriever 인스턴스 사용하기
9.3 스텝백 질문
9.3.1 스텝백 질문을 생성하는 체인 구성하기
9.3.2 스텝백 질문 생성을 RAG 체인에 통합하기
9.4 가설 문서 임베딩
9.4.1 사용자 질문을 위한 가설 문서 생성하기
9.4.2 HyDE 체인을 RAG 체인에 통합하기
9.5 단일 단계 및 다단계 분해
요약
10장 질의 생성, 라우팅 및 검색 후처리
10.1 콘텐츠 데이터베이스 질의 생성
10.2 셀프 질의(메타데이터 질의 확장)
10.2.1 수집: 메타데이터 확장
10.2.2 메타데이터가 확장된 컬렉션에 대한 질의응답
10.3 정형 SQL 질의 생성하기
10.3.1 SQLite 설치
10.3.2 데이터베이스 설정 및 연결
10.3.3 자연어로부터 SQL 질의 생성
10.3.4 SQL 질의 실행하기
10.4 문맥적 SQL 질의 생성하기
10.4.1 표준 SQL 질의
10.4.2 문맥적 SQL 질의
10.4.3 임베딩 생성
10.4.4 문맥적 SQL 검색 수행
10.4.5 문맥적 SQL 검색 자동화
10.4.6 문맥적 SQL 검색의 이점
10.5 그래프 데이터베이스를 위한 질의 생성
10.6 체인 라우팅
10.6.1 데이터 검색기 설정
10.6.2 질의 라우터 설정
10.6.3 체인 라우터를 전체 RAG 체인에 통합하기
10.7 검색 후처리
10.7.1 유사도 기반 후처리기
10.7.2 키워드 기반 후처리기
10.7.3 시간 가중치
10.7.4 RAG 퓨전(상호 순위 융합)
요약
5부 AI 에이전트
11장 LangGraph로 도구 기반 에이전트 구축
11.1 간단한 시작: 단일 도구 기반 여행 정보 에이전트 구축
11.1.1 프로젝트 설정
11.1.2 환경 변수 로드
11.1.3 여행 정보 벡터 저장소 준비
11.2 에이전트가 도구를 호출하도록 하기
11.2.1 함수 호출에서 도구 호출로
11.2.2 LLM에서 도구 호출이 동작하는 방식
11.2.3 LLM에 도구 등록하기
11.2.4 에이전트 상태: 대화 추적
11.2.5 도구 호출 실행
11.2.6 LLM 노드: 추론과 행동의 조정
11.3 에이전트 그래프 구성
11.4 에이전트 그래프 구조 이해하기
11.5 에이전트 챗봇 실행: Read-Eval-Print 루프
11.6 요청 실행하기
11.6.1 단계별 디버깅
11.7 에이전트 확장: 날씨 예보 도구 추가
11.7.1 모의 날씨 서비스 구현
11.7.2 날씨 예보 도구 만들기
11.7.3 다중 도구 지원을 위한 에이전트 갱신
11.8 다중 도구 에이전트 실행
11.8.1 다중 도구 에이전트 실행(초기 동작)
11.8.2 시스템 지침을 통한 LLM 도구 사용 개선
11.9 빠른 개발을 위한 사전 구축 컴포넌트 활용
11.9.1 LangGraph ReAct 에이전트를 사용하도록 리팩터링
11.9.2 사전 구축 에이전트 실행
11.9.3 LangSmith를 활용한 관찰과 디버깅
11.9.4 LangSmith 추적 활성화
요약
12장 다중 에이전트 시스템
12.1 숙소 예약 에이전트 구축
12.1.1 호텔 예약 도구
12.1.2 B&B 예약 툴
12.1.3 ReAct 방식의 숙소 예약 에이전트
12.2 라우터 기반 여행 어시스턴트 구축
12.2.1 라우터 에이전트 설계
12.2.2 라우팅 로직
12.2.3 다중 에이전트 그래프 구축
12.2.4 라우터 에이전트 실행
12.3 Supervisor 컴포넌트를 활용한 다중 에이전트 요청 처리
12.3.1 Supervisor 패턴: 에이전트를 관리하는 에이전트
12.3.2 ‘일방향’에서 ‘양방향’ 상호작용으로
12.3.3 Supervisor 에이전트 실행
요약
13장 MCP 서버 구축과 활용
13.1 MCP 서버 소개
13.1.1 문제: 대규모 문맥 통합
13.1.2 해결책: 모델 문맥 프로토콜
13.1.3 MCP 생태계
13.2 MCP 서버 구축 방법
13.2.1 MCP 서버 개발을 위한 핵심 자료
13.2.2 공식 언어별 MCP SDK
13.2.3 LLM 애플리케이션과 에이전트에서 MCP 서버 활용
13.3 날씨 MCP 서버 구축
13.3.1 MCP 서버 구현
13.3.2 MCP Inspector로 MCP 서버 살펴보기
13.3.3 테스트용 MCP 호스트에서 MCP 서버 사용하기
13.4 에이전트에 날씨 MCP 도구 통합하기
13.4.1 실시간 날씨 데이터를 쓰도록 여행 에이전트 준비하기
13.4.2 AccuWeather MCP 도구 통합하기
13.4.3 에이전트 채팅 루프 갱신하기
13.4.4 로컬 도구와 원격 도구 결합하기
13.4.5 테스트 및 검증
13.4.6 복합 질의에 에이전트 사용하기
요약
14장 AI 에이전트의 운영 환경 적용: 기억, 가드레일 및 추가 고려 사항
14.1 기억
14.1.1 기억의 유형
14.1.2 단기 기억이 필요한 이유
14.1.3 LangGraph의 체크포인트
14.1.4 여행 도우미에 단기 기억 추가하기
14.1.5 체크포인터를 적용한 도우미 실행하기
14.1.6 과거 체크포인트로 상태 되감기
14.2 가드레일
14.2.1 여행과 무관한 질문을 차단하는 가드레일 구현하기
14.2.2 에이전트 수준에서 더 엄격한 가드레일 구현하기
14.3 추가 고려 사항
14.3.1 장기 사용자 기억과 애플리케이션 기억
14.3.2 인간 개입 구조
14.3.3 모델 사후 가드레일
14.3.4 AI 에이전트와 애플리케이션 평가
14.3.5 LangGraph 플랫폼과 OAP 배포
요약
