멀티 에이전트 시스템 구축을 위한 에이전트 중심 아키텍처 패턴 (Agentic Architectural Patterns for Building

이곳은 Packt에서 출판한 Agentic Architectural Patterns for Building Multi-Agent Systems, 제1판의 코드 저장소입니다.

GenAI, 에이전트(Agents), RAG, LLMOps 및 엔터프라이즈 규모의 AI 시스템을 위한 검증된 디자인 패턴 및 실무 지침

Dr. Ali Arsanjani, Juan Pablo Bustos

생성형 AI (Generative AI)는 단순한 유행을 넘어섰으며, 이제 기업들은 프로토타입을 확장 가능한 솔루션으로 전환해야 하는 과제에 직면해 있습니다. 이 책은 LLM (Large Language Models) 기반의 지능형 에이전트를 구축하기 위한 가이드입니다. GenAI 성숙도 모델 (GenAI maturity model)을 시작으로, 조직의 준비 상태를 평가하고 에이전트 중심 AI (Agentic AI) 도입을 위한 로드맵을 작성하는 방법을 배우게 됩니다. 모델 선택 및 LLM 배포와 같은 기초적인 주제를 마스터한 후, 특히 에이전트 중심 AI의 맥락에서 RAG (Retrieval-Augmented Generation), 미세 조정 (Fine-tuning), 인컨텍스트 학습 (In-context learning), 그리고 LLMOps와 같은 고급 방법론으로 나아갑니다. 또한 조정 (Coordination), 설명 가능성 (Explainability), 결함 허용 (Fault tolerance), 그리고 인간-에이전트 상호작용 (Human-agent interaction) 문제를 해결하기 위한 풍부한 에이전트 중심 AI 디자인 패턴 라이브러리를 탐구합니다. 이 책은 고수준의 오케스트레이터 (Orchestrator) 에이전트가 전체 하위 프로세스를 전문화된 에이전트들에게 위임함으로써 복잡한 비즈니스 워크플로우를 관리하는 구체적이고 계층적인 멀티 에이전트 아키텍처 (Multi-agent architecture)를 소개합니다. 이러한 에이전트들이 에이전트 간 (Agent-to-Agent, A2A) 프로토콜을 사용하여 어떻게 협업하고 통신하는지 확인하게 될 것입니다. 시스템이 프로덕션 환경에 준비될 수 있도록, 라이프사이클 콜백 (Lifecycle callbacks)을 사용한 관찰 가능성 (Observability)에 대한 실무적인 프레임워크를 제공하여 디버깅, 컴플라이언스 (Compliance), 비용 관리에 필요한 세밀한 추적성을 제공합니다. 각 패턴은 오픈 소스인 에이전트 개발 키트 (Agent Development Kit, ADK)를 사용한 실제 시나리오와 코드 예제로 뒷받침됩니다.

• 지시문 드리프트 (Instruction Drift)를 처리하고, 협업을 개선하며, 결함 허용 (Fault-tolerant) AI 시스템을 구축하기 위해 디자인 패턴 적용

• 에이전트 스택 (Agentic Stack)의 세 가지 계층인 함수 호출 (Function Calling), 도구 프로토콜 (Tool Protocols, MCP), 에이전트 간 협업 (Agent-to-Agent Collaboration, A2A)을 통한 시스템 설계

• 책임감 있고 윤리적이며 거버넌스 (Governance)가 가능한 생성형 AI (GenAI) 애플리케이션 개발

• ADK, LangGraph, CrewAI와 같은 프레임워크를 코드 예제와 함께 사용

• 프롬프트 엔지니어링 (Prompt Engineering), LLMOps, 에이전트 운영 (AgentOps)의 베스트 프랙티스 마스터

• 검색 증강 생성 (RAG), 미세 조정 (Fine-tuning), 인컨텍스트 학습 (In-context Learning)을 사용하여 에이전트 중심 시스템 구축

• 기업 내 생성형 AI (GenAI): 환경, 성숙도 및 에이전트 중심 접근

• 에이전트 준비가 된 LLM: 선택, 배포 및 적응

• 에이전트를 위한 LLM 적응의 스펙트럼: RAG에서 미세 조정 (Fine-tuning)까지

• 에이전트 중심 AI 아키텍처: 구성 요소 및 상호작용

• 멀티 에이전트 협업 패턴

• 설명 가능성 (Explainability) 및 컴플라이언스 (Compliance) 에이전트 패턴

• 견고성 (Robustness) 및 결함 허용 (Fault Tolerance) 패턴

• 인간-에이전트 상호작용 패턴

• 에이전트 수준 패턴

• 프로덕션 준비를 위한 시스템 수준 패턴

• 고급 적응: 학습하는 에이전트 구축

• 실무 로드맵: 성숙도 수준별 에이전트 패턴 구현

• 유스케이스: 대출 처리를 위한 단일 에이전트

• 유스케이스: 대출 처리를 위한 멀티 에이전트 시스템

• 에이전트 프레임워크: 유스케이스: CrewAI 및 LangGraph를 사용한 대출 처리 멀티 에이전트 시스템

• 결론: 에이전트 중심 AI 여정의 설계

Ali Arsanjani 박사는 Google Cloud 제품 엔지니어링 조직 내에서 Applied AI Engineering 디렉터이자, GenAI Blackbelts 및 AI Center of Excellence의 책임자를 맡고 있습니다. Ali는 Cloud AI 파트너를 위한 전략적 추구를 이끌고 있으며, 사고 리더십 (thought leadership), 참여 (engagement), 역량 강화 (enablement) 및 실행 (execution)을 통해 고객과 파트너가 Google AI를 채택할 수 있도록 하는 Google Cloud 공동 혁신 및 공동 엔지니어링 프로그램의 프로그램 매니저를 맡고 있습니다. Google의 초기 GenAI 채택자들은 Dr. Arsanjani 및 그의 팀과 협력하여 유스케이스 (use cases) 및 도입을 진행해 왔습니다. 그는 고객과 파트너가 베스트 프랙티스 (best-practices)와 자산을 통해 Google Cloud AI 플랫폼의 역량을 활용하여 전술적 및 전략적 과제를 해결할 수 있도록 지원하고, 전략적 제품 공동 혁신을 통해 강력한 파트너십을 달성할 수 있게 하는 생성형 및 에이전트 중심 AI (Generative and Agentic AI) 이니셔티브를 이끌고 있습니다. Ali는 San Jose State University와 University of California, San Diego의 겸임 교수 (Adjunct Professor)로 재직 중이며, 각각 데이터 석사 프로그램과 데이터 사이언스 연구소 (Data Science Institute)에서 학생들을 가르치고 자문하고 있습니다. Google에 합류하기 전, Dr. Arsanjani는 AWS에서 Chief Principal Architect 및 WW Tech Lead를 역임했으며, 그 이전에는 IBM에서 Analytics and Machine Learning 분야의 CTO 및 Distinguished Engineer로 근무했습니다.

Juan Pablo Bustos는 다양한 산업 분야에서 혁신을 주도하고 영향력 있는 솔루션을 제공해 온 20년 이상의 경력을 가진 숙련된 기술 전문가입니다. Juan은 클라우드 컴퓨팅 (cloud computing), AI, 머신러닝 (machine learning)에 대한 전문 지식과 더불어 솔루션 아키텍처 (solution architecture), 제품 인큐베이션 (product incubation) 및 통합 (integration) 분야의 전문성을 보유하고 있습니다.