2026 지속 업데이트 중 · 「지상 최강」 AI Agent 튜토리얼 제작 목표 —— 시스템 튜토리얼 + 실행 가능한 소스 코드 + 면접 문제 은행 + 기업급 실전 프로젝트 + 장기적인 기술 스택 업데이트를 통해, 「AI 에이전트 (AI Agent) / 대규모 언어 모델 (LLM) 애플리케이션 개발 엔지니어」 교육 과정 및 채용 JD(Job Description)에 완전히 부합하는 일괄 학습 경로를 제공합니다.

📢 업데이트 안내: AI는 멈추지 않으며, 업데이트도 멈추지 않습니다. 본 저장소는 AI 대규모 언어 모델 (LLM) 기술 스택의 지속적인 진화에 발맞추어, 오픈 소스, 시스템화, 장기 업데이트를 고수합니다. 모델, 프레임워크, Agent, 실전 프로젝트는 생태계 변화에 따라 지속적으로 보완되고 업그레이드될 것입니다. 단순히 입문을 돕는 것을 넘어, 기초부터 실제 적용이 가능한 수준까지 여러분의 성장을 함께할 것입니다.

현재 개념 편은 모두 업데이트가 완료되었으며, 두 개의 완전한 실전 프로젝트도 업데이트되었습니다: NL2SQL + LangGraph

실전 프로젝트인 이커머스 데이터 질의 (소스 코드 저장소)는 5월 3일에 완료되었습니다. DeepAgents

멀티 에이전트 (Multi-Agent) 실전 프로젝트인 심층 연구 검색 (소스 코드 저장소)은 5월 17일에 완료되었습니다. 업데이트 로그를 클릭하여 최신 저장소 동향을 확인할 수 있습니다.

시중에는 AI 대규모 언어 모델 애플리케이션 관련 콘텐츠가 많지만, 대부분 파편화된 게시물이나 유료 캠프 형태입니다. 본 저장소는 여러분이 수천, 수만 위안을 먼저 지불하지 않고도 대규모 언어 모델 애플리케이션 개발에 시스템적으로 진입할 수 있도록 돕습니다. 도움이 되었다면 Star ⭐를 눌러주세요~

가성비 높은 Agent Plan 선택
|
감사 🎁 전달 |

🌱 전 세계 최초의 시스템화된 오픈 소스 AI 에이전트 (AI Agent) 튜토리얼: 이는 장기적으로 유지 관리되는 AI 대규모 언어 모델 애플리케이션 개발 로드맵입니다. 시중에 흩어진 게시물이나 유료 캠프는 많지만, 튜토리얼 + 소스 코드 + 실전 프로젝트 + 면접 문제 은행을 모두 아우르며 시스템적이고 지속적으로 업데이트되는 AI 대규모 언어 모델 애플리케이션 튜토리얼은 매우 드뭅니다. 본 저장소의 목표는 이 경로를 공개하고, 깊이 있게 만들며, 완전하게 구축하여 여러분이 입문, 심화, 프로젝트 실전까지 성장할 수 있도록 돕는 것입니다. 🧭 대규모 언어 모델 애플리케이션 풀스택을 하나로 연결: 대규모 언어 모델과 프롬프트 (Prompt)부터, 로우 코드 (Low-code, Coze/Dify) 및 코드 프레임워크 (LangChain/LangGraph), 그리고 기업급 RAG/Agent, 미세 조정 (Fine-tuning) 및 엔지니어링 규격까지 — 지식 체계에 따라 통일성 있게 구성되어 있으며, **전체 링크 (Full Link)**가 폐쇄 루프를 형성하여 파편화된 수집이 아닌 시스템적인 학습에 적합합니다. 🐍 Python 생태계에 집중하여 Agent 엔지니어링을 정조준: 많은 강의가 Spring AI, langchain4j를 중심으로 전개되어 Java 기술 스택에 치우쳐 있습니다. 본 튜토리얼은 Python + LangChain + LangGraph에 주력하여, 현재 AI Agent / 대규모 언어 모델 애플리케이션 개발에서 가장 많이 사용되는 엔지니어링 경로와 직접적으로 일치합니다. 📘 초보자도 진입 가능하며, 엔지니어도 깊게 파고들 수 있음: 전체 튜토리얼은 쉬운 단계에서 어려운 단계로 구성되어 있습니다. 먼저 대규모 언어 모델, Agent, RAG, MCP, Tool Calling과 같은 핵심 개념을 명확히 설명한 후, 소스 코드, 프레임워크, 배포 및 프로젝트 설계로 들어갑니다. 모호한 전문 용어보다는 "왜 이렇게 설계했는지, 코드가 어떻게 돌아가는지, 프로젝트를 어떻게 적용하는지"를 중점적으로 다룹니다. 💼 기업급 실전, 「실무 능력」에 맞춤: 이커머스 데이터 질의, 심층 연구 검색, 점장 지식 창고, 이커머스 매니저 등을 주요 라인으로 하여 의도 해석 (Intent Parsing), 다중 소스 지식, 상담원 전환, 복기 및 모니터링을 연결합니다. **다중 경로 검색 (Multi-way Retrieval), 평가 (Evaluation), 관측 (Observability), 비용 (Cost), 가드레일 (Guardrails)**을 실제 맥락 속에서 연습합니다. 이력서를 작성하거나 프로젝트를 설명할 때 구체적인 근거를 가질 수 있습니다. ✅ 모든 사례는 "실행 가능함"을 기준으로 함: 단순히 개념을 설명하거나 의사 코드 (Pseudo-code)를 붙여넣는 것이 아니라, 최대한 실행 가능한 사례, 소스 코드, 환경 설명 및 일반적인 문제 해결 방법을 제공합니다. 사례 내용은 모두 사람이 실제로 실행해 본 사고방식에 따라 정리되어, 시행착오를 줄이고 빠르게 익힐 수 있도록 돕습니다. 📚 튜토리얼, 소스 코드, 면접의 삼위일체: 단순히 "보는 것"을 넘어 "실행"하고 "답할 수" 있게 합니다. 실행 가능한 사례와 소스 코드, 프롬프트 템플릿 (Prompt Template) 및 배포 전략을 제공하여 「개념만 설명하는 것」을 거부합니다. 면접 문제 은행은 교육 과정 및 JD에서 흔히 요구되는 역량 영역별로 문제를 분류하였으며, 그중 상당수는 대기업의 실제 면접 문제, 공개된 면접 후기 및 빈도가 높은 질문 시나리오에서 정리되었습니다. 이직이나 신입 취업 준비 시 집중 복습하기에 적합합니다. 🚀 2026년을 향해, 지속적으로 진화하며 강력하게: 기술 스택과 빈출 질문 방식은 생태계의 반복에 따라 업데이트되며, 「AI 애플리케이션 개발 엔지니어」의 고가 교육 과정 수준에 맞춥니다. 단순히 "무엇을 배울지"뿐만 아니라 "프로젝트를 어떻게 수행하고, 어떻게 설명하며, 면접에 어떻게 답할지"까지 알려드립니다. 유용하다면, Star로 응원해 주세요 ⭐.

카테고리	기술/플랫폼	설명
대규모 언어 모델(LLM) 및 기초	LLM, Transformer, MoE, Self-Attention	LLaMA/Qwen/GPT, 멀티모달 (Multimodal), 사전 학습 (Pre-training)/미세 조정 (Fine-tuning)/추론 (Inference)
프롬프트 및 오케스트레이션	프롬프트 엔지니어링 (Prompt Engineering), Tool Calling, Skills	다회차 대화 (Multi-turn Dialogue), 메시지 템플릿, 구조화된 출력 (Structured Output), 도구 호출 (Tool Calling), 스킬화된 능력 축적
로우코드 플랫폼	Coze, Dify	워크플로우 (Workflow), Agent, 지식 베이스 (Knowledge Base), 플러그인, Python 호출 및 로컬 배포
개발 프레임워크	LangChain, LangGraph, DeepAgents	Model I/O, Runnable / LCEL, 메모리 (Memory), 도구 (Tools), 에이전트 (Agents), 그래프 기반 워크플로우, 멀티 에이전트 (Multi-Agent)
프로토콜 및 통신	MCP (Model Context Protocol), A2A	함수 호출 (Function Calling), 서비스 디커플링 (Decoupling), 외부 도구 연동, 에이전트 간 협업
RAG 및 검색	벡터 데이터베이스 (Vector Database), 희소 검색 (Sparse Retrieval), 하이브리드 검색 (Hybrid Search), BGE-Rerank	다중 경로 호출 (Multi-way Recall), 재정렬 (Reranking), 지식 그래프 (Knowledge Graph), RAGAS 평가, 고급 RAG 최적화
문서 및 멀티모달	MinerU, OCR	이미지-텍스트 혼합 PDF 파싱, 장비 매뉴얼 및 사후 서비스(AS) 가이드
배포 및 운영	Docker, Ollama, Xinference, vLLM	Tencent Cloud/Alibaba Cloud, AutoDL, Coze 로컬 배포
미세 조정 및 학습	PEFT, LoRA, QLoRA, DeepSpeed, Llama-Factory	Alpaca/ShareGPT 데이터 형식, Safetensors/ONNX
프로그래밍 및 도구	Python; Codex, Cursor	주 언어는 Python; AI 프로그래밍 도구, Agent Skills, 멀티 모델 API, MCP 연동 및 디버깅 포함
취업 및 면접	면접 문제 은행	직무 역량 영역별 질문 + 답변 구성; 온라인 교육 수료 역량 및 JD(직무 기술서) 빈출 핵심 포인트와 정렬

실무 투입 가능한 프로젝트 역량: AI Agent 애플리케이션을 독립적으로 인도(Delivery)할 수 있으며(환경 구축부터 배포까지), '단순히 API를 호출하는 수준'에서 '실제 구현 가능한 엔지니어링 실무' 단계로 진화합니다. 체계적인 아키텍처 표현 능력: RAG, Agent, MCP 등의 설계 방식과 트레이드오프(Trade-off)를 명확히 설명할 수 있어, 면접과 이력서에서 심층 질문에 대응할 수 있습니다. 면접 및 JD 최적화: 독립적인 면접 문제 은행을 제공하며 본문 문제 번호와 상호 링크되어 있습니다. 직무 역량 영역별로 질문과 답변을 구성하여 신입 및 직무 전환자들의 답변 논리를 정리하기에 적합합니다. 엔지니어링 및 이력서 소재: 기업형 사례와 다중 경로 호출, 관측성(Observability), 비용 관리 등의 표현을 포함하여, 프로젝트를 시연하거나 이력서에 작성하기 용이합니다. 검색 가능한 지식 지도: 체계적인 디렉토리와 사례 소스 코드를 제공하며, 일반적인 '에이전트/애플리케이션 개발' 커리큘럼 차원과 일치하여 부족한 부분을 대조하며 보완하기 쉽고, '글만 읽고 직접 실행해보지 못하는' 실수를 방지합니다. 명확한 직무 타겟팅: AI 애플리케이션 개발자, AI Agent 엔지니어, AI 자동화 프로세스 개발자 및 AI 제품 기술 책임자 등의 방향에 적합합니다. 특히 프론트엔드/백엔드/기획자 배경의 인원이 AI 및 에이전트 개발로 전환하는 데 매우 유용합니다.

이 개요는 고정된 목차가 아닙니다. 향후 AI 기술 스택의 진화에 따라 새로운 핵심 지식, 새로운 프레임워크, 새로운 프로젝트 실무가 이 로드맵에 계속 추가될 예정입니다.

장(Chapter) 명칭	내용 요약
대규모 언어 모델(LLM) 이해 및 환경 준비	기원과 발전, AGI와의 관계, 주요 모델의 특징 및 적용 시나리오, 사전 학습/미세 조정/추론
...
장(Chapter) 명칭	내용 요약
---	---
Coze 플랫폼	인터페이스 및 기능, 플러그인/지식 베이스/워크플로우/에이전트, Python 호출 워크플로우
...
장(Chapter) 명칭	내용 요약
---	---
LangChain 프레임워크 원리 및 응용	Model I/O, Prompt, Parser, Runnable / LCEL, Memory, Tools, Retrieval, Agent
...
장(Chapter) 명칭	내용 요약
---	---
지식 창고 (Knowledge Base)	LangGraph RAG 워크플로우, MinerU/OCR, 벡터+희소+Neo4j 다중 경로 호출, HyDE/BGE-Rerank, RAGAS 평가
...

완료된 실전 프로젝트 추천:

장(Chapter) 명칭	내용 요약
대규모 언어 모델 미세 조정 핵심	데이터 및 형식 (Alpaca, ShareGPT), PEFT/LoRA/QLoRA, 전체 파라미터 미세 조정 및 DeepSpeed, vLLM 배포, 평가
...
장(Chapter) 명칭	내용 요약
---	---
기업형 대규모 언어 모델 개발 프로세스	기술 조사, 솔루션 및 프레임워크 설계, RAG 및 파이프라인 (Pipeline), 평가 및 역할, 프로젝트 착수 및 요구사항 정의서
대규모 언어 모델 최신 트렌드	Agent/RAG 주요 기술, 최신 기술 및 트렌드 추적

온라인 문서를 함께 활용하여 학습하세요. 사례를 즉시 실행해보고 싶다면 아래 단계를 따르세요. 더 자세한 환경 설명, API 신청, 일반적인 오류 처리 방법은 [초보자 가이드 및 FAQ]를 참조하세요.

저장소 클론 및 프로젝트 디렉토리 진입
git clone https://github.com/didilili/ai-agents-from-zero.git cd ai-agents-from-zero

환경 준비 (Python 3.10 권장, 3.10–3.13 지원)
python3.10 -m venv .venv
source .venv/bin/activate # macOS/Linux
.venv\Scripts\activate # Windows CMD
pip install -r requirements.txt

API Key 설정

• 루트 디렉토리의 .env-example 파일을 .env로 복사합니다.

• .env 파일에 사용자의 API Key(예: Tongyi Qianwen/Alibaba Bailian, DeepSeek 등)를 입력합니다. 변수명은 코드와 일치해야 합니다 (예: aliQwen-api, QWEN_API_KEY, deepseek-api).

• 각 플랫폼의 Key 신청 방식은 [초보자 가이드 및 FAQ] - [각 API 플랫폼별 Key 신청 방법]을 참조하세요.

프로젝트 루트 디렉토리에서 첫 번째 사례 실행
python 案例与源码-2-LangChain框架/01-helloworld/StandardDesc.py

주의: 반드시 프로젝트 루트 디렉토리에서 python 명령어를 실행해야 합니다. 그렇지 않으면 .env 파일을 읽을 수 없습니다. 클라우드 API를 사용하고 싶지 않다면, Ollama 로컬 모델(Key 불필요)을 사용할 수 있습니다.

ModuleNotFoundError, API Key 오류, .env 파일을 찾을 수 없는 등의 문제가 발생하면 [초보자 가이드 및 FAQ] - [자주 발생하는 문제 및 해결 방법]을 확인하세요.

더 많은 독자들과 AI 프로그래밍, Agent / RAG 실전, 면접 경험을 공유하고 싶으신가요? GitHub의 입단 신청 게시글에 댓글을 남겨 위챗(WeChat) 교류방 참여를 신청해 주세요.

목표: 개념을 명확히 설명할 뿐만 아니라 사례를 직접 실행해 볼 수 있는, 입문에 최적화되고 체계적이며 지속적으로 업데이트되는 AI 에이전트(AI Agent) 실전 속성 튜토리얼을 만드는 것입니다. 이를 통해 여러분이 0에서부터 RAG / Agent / 멀티 에이전트 (Multi-Agent) 유형의 프로젝트를 독립적으로 수행하고, 자신의 솔루션과 프로젝트를 엔지니어링 관점에서 명확하게 설명할 수 있도록 돕습니다.

기술적 포지셔닝: Python 에이전트 개발 경로에 집중하며, LangChain / LangGraph 및 관련 엔지니어링 실무를 중점적으로 다룹니다. Spring AI / langchain4j와 같은 Java 경로를 따르지 않으며, Python 기반의 대규모 언어 모델 (LLM) 애플리케이션 개발에 바로 뛰어들고자 하는 분들에게 더 적합합니다.

튜토리얼 출처: Shangguigu(尚硅谷)의 《대규모 언어 모델 에이전트 속성반》 등의 강의 자료를 참고하였으며, 이를 바탕으로 공개 문서, 커뮤니티 실무 및 프로젝트 경험을 결합하여 지속적으로 재구성, 보완 및 유지보수하고 있습니다. 이를 통해 점진적으로 Python 에이전트 애플리케이션 개발을 위한 체계적인 학습 자료로 정리해 나가고 있습니다.

면접 문제 출처: 문제 은행의 상당 부분은 대기업의 실제 면접 문제, 공개된 면접 후기 및 빈출 질문 시나리오를 정리한 것이며, 본 저장소의 장별 흐름에 맞춰 엔지니어링 관점으로 재구성하여 프로젝트 및 시스템 설계 관점에서 복습하기에 더욱 적합합니다.

구성 요소: 체계적인 장별 노트 + 실행 가능한 사례 소스 코드 + 면접 문제 은행 (유사한 온라인 교육 및 경력직/신입 채용 JD 기준).

저장소 영문명: ai-agents-from-zero

저장소 중문명: 《AI 에이전트 실전 속성 가이드: 제로에서 엔터프라이즈급 구현까지》