Strands Agents 코스 시작하기 샘플

🎯 학습 여정 (Learning Journey): 코스 1 (기초) → 코스 2 (고급 MCP, Hooks, 세션 관리) → 코스 3 (멀티 에이전트 시스템) → 코스 4 (운영 환경 배포)

Strands Agents 프레임워크를 사용하여 AI 에이전트 (AI agent) 개발을 위한 포괄적인 실습 학습 경로입니다. 기초 개념부터 고급 기능을 갖춘 운영 환경용 구현까지 지능형 멀티 에이전트 시스템 (multi-agent systems)을 구축합니다. 이 모든 코스는 Analytics Vidhya에서 무료로 따라 할 수 있는 영상 강의를 제공합니다.

이 저장소는 기초부터 고급 운영 환경용 구현까지 단계별로 진행되는 4개의 코스를 포함하고 있습니다:

기초 에이전트 생성, 모델 제공자 (model providers), AWS 통합, MCP 기초, 에이전트 간 통신 (agent-to-agent communication), 그리고 관측성 (observability) 기초를 다루는 기초 코스입니다.

영상 시리즈는 여기에서 무료로 등록하여 시청할 수 있습니다.

운영 환경용 구현, 고급 도구 통합, 지속성 메모리 시스템 (persistent memory systems), 훅 (hooks), 세션 관리 (session management), 그리고 엔터프라이즈 기능을 중점적으로 다루는 고급 코스입니다.

영상 시리즈는 여기에서 무료로 등록하여 시청할 수 있습니다.

Strands Agents를 사용하여 군집 (swarm), 그래프 기반 (graph-based), 그리고 도구로서의 에이전트 (agents as tools) 패턴을 활용해 조정, 통신 및 복잡한 문제를 해결하는 지능형 멀티 에이전트 시스템을 개발합니다.

영상 시리즈는 여기에서 무료로 등록하여 시청할 수 있습니다.

서버리스 확장 및 관리를 위한 Amazon Bedrock AgentCore Runtime을 사용하여 운영 환경에서 에이전트를 실행하기 위한 모범 사례를 다루는 운영 환경 배포 코스입니다.

총 학습 시간: 모든 코스 합계 약 5-6시간

위치: course-1/ 디렉토리

기본 사용법부터 에이전트 간 (A2A) 통신 및 관측성과 같은 고급 주제까지 AI 에이전트 개발의 전체 여정을 학습하세요.

Strands Agents 프레임워크 - 지능형 AI 에이전트 구축
모델 컨텍스트 프로토콜 (Model Context Protocol, MCP) - 도구 통합 활성화
에이전트 간 통신 (Agent-to-Agent Communication) - 멀티 에이전트 시스템 생성
관측성 및 평가 (Observability & Evaluation) - 에이전트 성능 모니터링 및 개선

🧪 실습 (Lab)	📝 학습 내용	⏱️ 소요 시간
실습 1: Strands Agent 기초	에이전트 초기화 (Agent initialization), 시스템 프롬프트 (System prompts), HTTP 도구 (HTTP tools)	15분
...
파일: `basic-use.py`, `http-tool-use.py`, `system-prompt-use.py`

Strands 에이전트 생성 및 사용의 기초를 학습합니다:

기본적인 에이전트 초기화 및 사용법
시스템 프롬프트 (System prompt) 커스텀
HTTP 도구 (HTTP tool) 통합

파일: anthropic-model-provider.py, anthropic-pet-breed-agent.py, bedrock-default-config.py, bedrock-detailed-config.py

다양한 모델 제공자 (Model providers) 및 설정 옵션을 탐색합니다:

Anthropic Claude 모델 통합
Amazon Bedrock 모델 설정

참고: 이 실습의 일부 부분은 'generate_image' 도구 사용을 위해 기존 AWS 계정이 필요합니다.

파일: aws-tool-use.py

Strands 에이전트에 AWS 서비스를 통합하는 방법을 학습합니다:

use_aws 도구 사용
Amazon S3 및 Amazon DynamoDB를 활용한 예제

참고: 이 실습의 코드는 'use_aws' 도구를 적절히 활용하기 위해 기존 AWS 계정이 필요합니다. 테이블 쿼리 시 결과를 생성하기 위해 예시 Amazon DynamoDB 테이블이 사용됩니다.

파일: mcp-and-tools.ipynb, mcp_calulator.py

모델 컨텍스트 프로토콜 (Model Context Protocol, MCP)을 심층적으로 다룹니다:

MCP 서버 생성
도구 (Tool) 정의 및 사용
계산기 (Calculator) 및 날씨 (Weather) 에이전트 예제
대화형 Jupyter 노트북 튜토리얼

파일: a2a-communication.ipynb, run_a2a_system.py, employee_data.py, employee-agent.py, hr-agent.py

에이전트 간 통신 (Inter-agent communication)을 통한 멀티 에이전트 시스템을 구축합니다:

A2A 통신 패턴
직원/인사(Employee/HR) 에이전트 시스템 예제
데이터 공유를 위한 MCP 서버
REST API 통합

파일: observability-with-langfuse-and-evaluation-with-ragas.ipynb, restaurant-data/

에이전트 성능을 모니터링하고 평가합니다:

식당 추천 에이전트 예제
관측성 (Observability)을 위한 LangFuse 통합
RAGAS 평가 프레임워크
성능 지표 (Performance metrics) 및 트레이싱 (Tracing)

위치: course-2/ 디렉토리

Strands Agents SDK를 사용하여 프로덕션 수준의 AI 에이전트를 구축하기 위한 포괄적인 심화 코스입니다. 이 저장소는 도구 통합 (Tool integration), 메모리 지속성 (Memory persistence), Model Context Protocol (MCP), 그리고 포괄적인 관측성 (Observability)을 포함한 고급 기능들을 가르치는 6개의 단계별 실습 (Labs)을 포함하고 있습니다.

Strands Agents SDK

고급 에이전트 아키텍처 및 라이프사이클 관리 (Lifecycle management)
Model Context Protocol (MCP)
표준화된 도구 및 서비스 통합
멀티 프로바이더 구성 (Multi-Provider Configuration)
Amazon Bedrock, Anthropic, OpenAI, 그리고 Ollama
고급 프로세싱 (Advanced Processing)
훅 (Hooks), 세션 관리 (Session management), 그리고 대화 전략 (Conversation strategies)
메모리 시스템 (Memory Systems)
FAISS, OpenSearch, 그리고 Mem0를 활용한 장기 지속성 메모리
엔터프라이즈 기능 (Enterprise Features)
관측성 (Observability), 지표 분석 (Metrics analysis), 그리고 성능 최적화 (Performance optimization)

🧪 실습 (Lab)	📝 학습 내용	⏱️ 소요 시간
Lab 1: Strands Agents 개요	기본적인 에이전트 기반 AI 개념, 에이전트 라이프사이클	13분
...
파일: `first_agent.py`

기본적인 에이전트 기반 AI 개념을 배우고 첫 번째 Strands 에이전트를 구축합니다:

기본 설정을 통한 기초적인 에이전트 생성 (API 키 불필요)
핵심 에이전트 구성 요소 및 실행 흐름 (Execution flow)
에이전트 결과 검토 (메시지, 지표, 상태, 중단 사유)
동적 모델 구성 및 시스템 프롬프트 수정
대화 기록 관리 및 메시지 삭제

파일: anthropic_model.py, bedrock_model.py, ollama_model.py, openai_model.py

유연성과 비용 최적화를 위해 여러 LLM 프로바이더에 걸쳐 에이전트를 구성합니다:

모델 아키텍처 개요 및 프로바이더별 파라미터
구조화된 출력 (Structured output) 기능이 포함된 Bedrock 모델 설정
사고 모드 (Thinking mode)를 포함한 Anthropic 모델 구성
Ollama 로컬 배포 및 OpenAI 통합
지표 분석 및 성능 모니터링

파일: async_example.py, hook_example_1.py, hook_example_2.py

라이프사이클 시점에서 에이전트의 동작을 가로채고 수정하기 위한 커스텀 로직을 구현합니다:

이벤트 기반 훅 시스템 (Event-driven hook system) 및 라이프사이클 관리
이벤트 전/후 (Before/after) 처리 및 에이전트 수정
비동기 반복자 (Async iterators), 콜백 핸들러 (Callback handlers) 및 재시도 로직 (Retry logic)
도구 훅 (Tool hook) 예시 및 정밀도 파라미터 (Precision parameter) 설정

Files: mcp_integration.py, self_extending_example.py, tools/

커스텀 도구 및 외부 서비스 통합을 통해 에이전트의 역량을 확장합니다:

strands-agents-tools 라이브러리의 내장 도구
@tool 데코레이터를 사용한 커스텀 도구 생성
AWS Documentation 및 Pricing을 위한 MCP 서버 설정
자기 확장형 에이전트 (Self-extending agents) 및 메타 툴링 (Meta tooling) 기능
적절한 에러 처리 및 보안 구현

Files: session_example.py, verify_session.py

상호작용 전반에 걸쳐 대화 상태와 컨텍스트 (Context)를 효과적으로 관리합니다:

컨텍스트 윈도우 (Context window) 문제 및 관리 전략
세 가지 대화 관리자 접근 방식 (Null, SlidingWindow, Summarizing)
세션 상태 지속성 (Session state persistence) 및 사용자 격리
파일 기반 및 Amazon S3 세션 저장 옵션

Files: memory_example.py

대화를 가로질러 장기 기억 (Long-term memory) 역량을 갖춘 에이전트를 구축합니다:

메모리 백엔드 (Memory backends) 통합 (FAISS, OpenSearch, Mem0)
DuckDuckGo를 이용한 웹 검색 통합
메모리 저장, 검색 및 관련성 점수 산정 (Relevance scoring)
Amazon Bedrock Knowledge Bases 통합
보존 정책 (Retention policies) 및 개인정보 보호 제어

Location: Strands Samples

Strands Agents를 사용하여 군집 (Swarm), 그래프 기반 (Graph-based), 에이전트를 도구로 사용하는 패턴 (Agents as tools patterns)을 통해 조정, 통신 및 복잡한 문제를 해결하는 지능형 멀티 에이전트 시스템을 개발합니다.

🧪 Lab	📝 학습 내용	⏱️ 소요 시간
Lab 1: 군집 지능을 활용한 멀티 에이전트 시스템	Jupyter notebook을 사용하여 Swarm 멀티 에이전트 패턴을 심층 학습	30분
...
Location: `course-4/` 디렉토리

Amazon Bedrock AgentCore Runtime을 사용하여 프로덕션 환경에 적합한 AI 에이전트를 배포하는 방법을 배웁니다. 이 코스는 프로덕션 환경에서의 에이전트 서버리스 배포, 확장 및 관리에 중점을 둡니다.

Production Best Practices (프로덕션 모범 사례)

개발 (Development) 및 프로덕션 (Production) 에이전트 배포 간의 차이점 이해
Amazon Bedrock AgentCore
AgentCore 서비스 및 구성 요소에 대한 종합적인 개요
Serverless Deployment (서버리스 배포)
자동 확장 (Auto-scaling) 및 세션 관리 (Session management)를 통한 에이전트 배포
Production Operations (프로덕션 운영)
프로덕션 에이전트 시스템 모니터링, 문제 해결 및 유지 관리

🧪 Lab	📝 학습 내용	⏱️ 시간	📊 레벨
Lab 1: Operating Agents in Production	프로덕션 모범 사례, 개발 vs 프로덕션 차이점	9분
...

프로덕션 환경에서 에이전트를 실행하기 위한 모범 사례와 로컬 개발 환경과의 차이점을 이해합니다.

Amazon Bedrock AgentCore 및 그 구성 요소의 기초를 이해합니다.

파일: my_agent.py, invoke_agent.py, requirements.txt

프로덕션 준비가 된 계산기 에이전트의 실습 배포:

Strands Agents 프레임워크를 사용한 에이전트 생성
AgentCore Runtime 배포 및 구성
세션 관리를 통한 배포된 에이전트 테스트
프로덕션 호출 패턴 및 모범 사례

참고: 이 실습에는 적절한 권한이 있고 Amazon Bedrock 콘솔에서 모델 액세스가 활성화된 AWS 계정이 필요합니다.

🔧 기술	🎯 목적	📖 문서
Strands Agents	AI 에이전트 프레임워크	Docs
Anthropic Claude	대체 LLM 제공업체	Docs
Amazon Bedrock	AWS 관리형 LLM 서비스	Docs
OpenAI	대체 LLM 제공업체	Docs
Ollama	로컬 모델 배포	Docs
Model Context Protocol	도구 통합 표준	Docs
LangFuse	관측성 (Observability) 및 트레이싱 (Tracing)	Docs
RAGAS	에이전트 평가	Docs
Mem0	메모리 지속성 (Memory persistence)	Docs
FAISS	벡터 유사도 검색 (Vector similarity search)	Docs
OpenSearch	검색 및 분석	Docs

Python 3.10+
가상 환경 (Virtual environment) (권장)
최소 하나 이상의 API 키:

Anthropic Claude
Amazon Bedrock

Lab 6의 경우: LangFuse 계정 및 API 키
Lab 3, 5의 경우: 적절한 CLI 설정이 완료된 AWS 계정

코스 1 완료(Lab 1-6) 또는 그에 상응하는 지식
Python 3.10+
가상 환경 (Virtual environment) (권장)
Anthropic Claude API 키 (주요 요구사항) - Anthropic Console에서 발급
특정 Lab을 위한 추가 API 키:

Amazon Bedrock (AWS 통합 Lab용)
OpenAI (선택적 대안)
Mem0 (Lab 6 메모리 지속성용)

코스 1-2 완료(Lab 1-6) 또는 그에 상응하는 지식
Python 3.10+
가상 환경 (Virtual environment) (권장)
Amazon Bedrock에서 Anthropic Claude 3.7이 활성화된 AWS 계정
Amazon Bedrock 사용 권한이 있는 AWS IAM 역할 (Role)

코스 1-3 완료 또는 그에 상응하는 지식
적절한 권한을 가진 AWS 계정
Python 3.10+
aws configure로 설정된 AWS CLI

AWS 권한: BedrockAgentCoreFullAccess 정책
모델 액세스: Amazon Bedrock 콘솔에서 Anthropic Claude 3.5 Haiku 활성화

git clone https://github.com/aws-samples/sample-getting-started-with-strands-agents-course.git
cd sample-getting-started-with-strands-agents-course

# 가상 환경 생성
python -m venv .venv
# 활성화 (Linux/Mac)
...

# 코스 1용
pip install -r requirements.txt
# 코스 2용
...

루트 디렉토리에 .env 파일을 생성하세요:

# Anthropic (권장)
ANTHROPIC_API_KEY=your_anthropic_api_key
# AWS Bedrock (선택 사항)
...

course-2/ 디렉토리의 .env.example을 .env로 복사하세요:

# 필수 - https://console.anthropic.com/ 에서 발급
ANTHROPIC_API_KEY=sk-ant-your_key_here
# 선택 사항 - 특정 Lab에서만 사용
...

Lab 1-3: Python 스크립트

cd Lab1
python basic-use.py

Lab 4: 대화형 노트북 (Interactive Notebook)

cd Lab4
jupyter notebook mcp-and-tools.ipynb

Lab 5: 멀티 에이전트 시스템 (Multi-Agent System)

cd Lab5
jupyter notebook a2a-communication.ipynb

Lab 6: 관측 가능성 (Observability)

cd Lab6
jupyter notebook observability-with-langfuse-and-evaluation-with-ragas.ipynb

Lab 1: 에이전트 기초 (Agent Fundamentals) (API 키 불필요)

Lab 1: 에이전트 기초 (Agent Fundamentals) (API 키 불필요)

cd course-2/Lab1
python first_agent.py

Lab 2: Model Providers

cd course-2/Lab2
python anthropic_model.py
python bedrock_model.py

Lab 3: Hooks

cd course-2/Lab3
python hook_example_1.py
python async_example.py

Lab 4: MCP Integration

cd course-2/Lab4
python mcp_integration.py

Lab 5: Session Management

cd course-2/Lab5
python session_example.py

Lab 6: Memory Agents

cd course-2/Lab6
python memory_example.py

Lab 3: Production Deployment

cd course-4
python my_agent.py

AgentCore Runtime에 배포하기

cd course-4
agentcore configure -e my_agent.py
agentcore launch
...

Strands Agents 코스 시작하기 샘플

요약

핵심 포인트

댓글