우리는 이번 주 동안 모든 단계를 미리 정의하며 구축해 왔습니다. 하지만 만약 사전에 단계를 알 수 없다면 어떨까요? 사용자의 질문에 따라 Google 검색, 데이터베이스 확인, 또는 계산기를 사용할지 AI 가 결정해야 한다면 어떨까요? 이것이 'Chain' 에서 'Agent' 로 넘어가는 지점입니다. Chain 이 고정된 철도 선로라면, Agent 는 자율주행차와 같습니다. 목적지 (당신의 목표) 와 도구 세트가 있으며, 그곳에 도달하는 가장 좋은 경로를 결정합니다. 🤔 AI 에이전트가 정확히 무엇인가요? 에이전트는 작업을 완료하기 위해 'Reasoning Loop' 을 사용하는 LLM 입니다. 공식 문서에서는 이를 ReAct 패턴 (Reason + Act) 으로 자주 부릅니다. 단순히 답변을 하는 것이 아니라, 에이전트는 이 사이클을 따릅니다: 1. Thought: "사용자가 비트코인의 현재 가격을 원합니다. 제가 알지 못하므로 검색 도구를 사용해야 합니다." 2. Action: 검색 도구를 호출합니다. 3. Observation: 검색 결과를 읽습니다. 4. Final Response: 관찰을 유용한 답변과 결합합니다. 🔧 도구의 힘 도구들은 AI 의 '손'입니다. 도구는 LLM 이 호출할 수 있는 Python 함수와 본질적으로 같습니다. LangChain 은 수 십 개의 내장 도구를 제공하지만, 사용자도 자체 도구를 생성할 수 있습니다! 일반적인 도구들: Tavily/Google 검색: 실시간 정보용. Wikipedia: 일반 지식용. Python REPL: 복잡한 수학 또는 데이터 분석 실행용. Custom APIs: 회사 데이터 연결용. 🏗️ 첫 번째 에이전트 구축 (2026 방식) 현대 LangChain 에서 우리는 루프를 관리하기 위해 전용 'Agent Executor' 를 사용합니다. 다음은 설정의 미리보기입니다:

from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain.agents import create_react_agent, AgentExecutor
from langchain import hub

1. 도구를 정의합니다

tools = [
TavilySearchResults(max_results=1)
]

2. LangChain Hub 에서 'Prompt Template' 을 가져옵니다

이 프롬프트는 AI 에게 도구를 어떻게 사용할지 알려줍니다

prompt = hub.pull("hwchase17/react")

3. 뇌 (LLM) 를 초기화합니다

llm = ChatOpenAI(model="gpt-4o")

4. 에이전트를 구성합니다

agent = create_react_agent(llm, tools, prompt)

5. 실행자를 생성합니다 (루프를 실행하는 엔진)

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

6. 실행합니다!

agent_executor.invoke({"input": "NVIDIA 의 현재 주가是多少?"})

🎯 Day 7 요약 오늘 배운 것: Agents: 스스로 추론하고 경로를 결정할 수 있는 AI. Tools: LLM 에 외부 세계에 대한 접근을 부여하는 방법. The ReAct Loop: 행동 전에 AI 가 어떻게 생각하는지. Agent Executor: 프로세스를 관리하는 런타임. 당신의 숙제: LangChain Tool Repository 로 이동하여 목록을 확인하세요. "개인 연구 보조원" 을 만들기 위해 어떤 두 도구를 결합할까요? 내일 다시 만나요! ☕