에이전트 기반 AI 엔지니어 로드맵
├── 01 Python & Software Engineering
│ ├── 고급 Python, Asyncio 및 동시성(Concurrency)
│ ├── Git, Linux, API 및 백엔드 개발(Backend Development)
│ └── OOP(객체 지향 프로그래밍), 디자인 패턴(Design Patterns) 및 시스템 설계(System Design)
│
├── 02 LLM Fundamentals
│ ├── 트랜스포머 아키텍처(Transformer Architecture) 및 어텐션(Attention)
│ ├── 토큰(Tokens), 임베딩(Embeddings) 및 컨텍스트 윈도우(Context Windows)
│ └── LLM API, 추론(Inference) 및 모델 선택
│
├── 03 Prompt & Context Engineering
│ ├── 프롬프트 디자인 및 구조화된 출력(Structured Outputs)
│ ├── 컨텍스트 윈도우 및 컨텍스트 관리(Context Management)
│ └── 동적 컨텍스트 및 프롬프트 최적화
│
├── 04 Tool Calling & Function Execution
│ ├── 함수 호출(Function Calling) 및 스키마 디자인(Schema Design)
│ ├── 외부 API 및 도구 통합(Tool Integration)
│ └── 병렬 도구 실행 및 오류 처리
│
├── 05 RAG & Knowledge Systems
│ ├── 임베딩 및 벡터 데이터베이스(Vector Databases)
│ ├── 하이브리드 검색(Hybrid Search) 및 재순위 지정(Reranking)
│ └── 그래프 RAG 및 검색 평가(Retrieval Evaluation)
│
├── 06 Agent Architecture & Design Patterns
│ ├── ReAct, 계획 수립(Planning) 및 성찰(Reflection)
│ ├── 라우터(Router), 플래너(Planner) 및 실행기(Executor) 패턴
│ └── 슈퍼바이저(Supervisor) 및 다중 에이전트 아키텍처(Multi-Agent Architectures)
│
├── 07 Agent Frameworks & Orchestration
│ ├── LangGraph 및 OpenAI Agents SDK
│ ├── CrewAI 및 AutoGen
│ └── 상태 기계(State Machines) 및 워크플로우 오케스트레이션(Workflow Orchestration)
│
├── 08 Memory & State Management
│ ├── 단기 메모리(Short-Term) 및 장기 메모리(Long-Term)
│ ├── 영구 상태(Persistent State) 및 체크포인팅(Checkpointing)
│ └── 메모리 검색 및 관리
│
├── 09 MCP & Agent Communication
│ ├── Model Context Protocol (MCP)
│ ├── MCP 서버, 클라이언트 및 도구 발견(Tool Discovery)
│ └── 에이전트 간 통신 (Agent-to-Agent, A2A) 커뮤니케이션
│
├── 10 Advanced Agent Engineering
│ ├── 다중 에이전트 조정(Coordination) 및 위임(Delegation)
│ ├── 인간 참여형(Human-in-the-Loop) 및 승인 워크플로우
│ └── 샌드박싱(Sandboxing), 브라우저 및 컴퓨터 사용
│
├── 11 Agent Evaluation & Reliability
│ ├── 에이전트 추적(Tracing) 및 관측 가능성(Observability)
│ ├── 궤적 평가(Trajectory Evaluation) 및 벤치마킹(Benchmarking)
│ └── 가드레일(Guardrails), 테스트 및 실패 복구
│
├── 12 Production & Infrastructure
│ ├── FastAPI, Docker 및 Kubernetes
│ └── 큐(Queues), Redis 및 백그라운드 워커(Background Workers)
│ └── CI/CD, 모니터링 및 비용 최적화(Monitoring & Cost Optimization)
└── 13가지 실제 에이전트 기반 프로젝트(Real-World Agentic Projects)
├── 자율 연구 에이전트 구축(Build an Autonomous Research Agent)
├── 다중 에이전트 코딩 시스템 개발(Develop a Multi-Agent Coding System)
├── AI 브라우저 자동화 에이전트 생성(Create an AI Browser Automation Agent)
└── 프로덕션 준비가 된 에이전트 기반 AI 시스템 배포(Deploy a Production-Ready Agentic AI System)
에이전트 기반 AI 엔지니어링은 단순히 LLM을 도구에 연결하는 것에 그치지 않습니다.
이는 추론하고(reason), 계획하며(plan), 작업을 실행하고(execute tasks), 다른 에이전트와 협력하며(coordinate with other agents), 실패로부터 복구하고(recover from failures) 프로덕션 환경에서 안정적으로 작동할 수 있는 자율 시스템을 설계하는 것입니다.
이 로드맵을 저장하세요. 한 번에 하나의 개념을 배우고, 진행함에 따라 실제 에이전트를 구축하세요.
목표는 단순히 AI 에이전트를 만드는 것이 아닙니다.
실제로 무언가를 해내는 자율적인 AI 시스템을 설계하는 것입니다.