책소개

이 책은 "AI 에이전트 개발 첫걸음: OpenAI API로 시작해서 RAG로 완성되는 AI 에이전트"를 완독하셨거나, 그에 준하는 LangChain 및 RAG 시스템에 대한 기초 지식을 갖춘 분들을 위해 쓰였습니다. 아래 항목 중 하나 이상에 해당된다면, 이 책이 여러분을 한 단계 더 높은 수준의 AI 에이전트 아키텍트로 성장시키는 괜찮은 안내서가 되어줄 것입니다.

1. 더 똑똑한 AI 에이전트를 만들고 싶은 개발자: 단선적인 RAG 시스템을 넘어, 스스로 생각하고 여러 단계를 거쳐 복잡한 문제를 해결하는 '상태 기반(Stateful)' AI 에이전트 구축에 도전하고 싶은 분
2. AI 시스템 설계 역량을 키우고 싶은 엔지니어: 단일 애플리케이션을 넘어, 여러 AI 기능이 독립적으로 작동하고 협업하는 '분산 AI 시스템' 설계 및 구축에 관심 있는 분
3. 실무 문제 해결 능력을 갖추고 싶은 기획자 및 개발자: LangGraph와 MCP 같은 최신 기술을 활용하여, 실제 비즈니스 현장의 복잡한 자동화 요구사항을 해결하는 실질적인 프로젝트 경험을 쌓고 싶은 분
4. 미래 기술을 선도하고 싶은 전문가: 에이전트가 다른 에이전트와 소통하는 '멀티 에이전트' 시스템의 개념을 이해하고, 미래형 AI 아키텍처의 표준이 될 MCP(Model Context Protocol)를 미리 경험하고 싶은 분

이 책은 1권에서 다진 기초 위에, 실제 현업에서 마주할 복잡한 문제들을 해결할 수 있는 고급 워크플로우 설계 및 시스템 아키텍처 구축 능력을 더해주는 심화 과정입니다.

목차

프롤로그
저자소개
학습 가이드
목차
PART 1: 자율적인 AI 시스템 구축
Chapter 1. AI 에이전트 개발 환경 세우기
1.1 아나콘다(Anaconda) 설치
1.2 가상 환경 생성 및 관리
1.3 Visual Studio Code 설치 및 가상 환경 연동
1.4 OpenAI API 키 발급 및 설정
1.4.1 OpenAI API 키 발급하기(2025년 8월 기준)
1.4.2 OpenAI API 사용량 및 요금에 대한 이해
1.4.3 API 키 안전하게 관리하기
1.5 핵심 라이브러리 설치
Chapter 2: 자율적인 AI 시스템을 구현하는 핵심 설계 도구: LangGraph
2.1 LangChain을 넘어서: 왜 LangGraph가 필요한가?
2.2 LangGraph의 핵심 개념: 상태(State), 노드(Node), 엣지(Edge)
2.2.1 심층 탐구: 상태(State) 정의, 그래프의 심장 설계하기
2.3 LangGraph의 기본 구조 이해하기
2.3.1 상태 정의: 작업 현황판 만들기
2.3.2 더 견고한 상태 관리: Pydantic
2.4 지능형 워크플로우의 핵심, 조건부 엣지
2.5 1권의 RAG 에이전트를 LangGraph로 업그레이드하기
2.5.1 시작하기 전에: 1권의 RAG 챗봇 복습하기
2.5.2 Level 1: TypedDict 기반 단일 노드 RAG
2.5.3 Level 2: Pydantic 기반으로 안정성 높이기
2.6 대화를 기억하는 AI 에이전트 만들기 (체크포인팅)
2.6.1 체크포인팅의 전제 조건: 비동기 실행 (Asynchronous Execution)
2.6.2 체크포인팅: AI 에이전트의 기억 장치
2.6.3 실습: SQLite와 체크포인팅을 이용한 대화형 RAG 챗봇
2.7 협력하는 AI 팀 만들기 (멀티 에이전트)
2.7.1 왜 싱글 에이전트가 아닌 멀티 에이전트인가?
2.7.2 실습: 역할 기반 멀티 에이전트 RAG 시스템
Chapter 3: RAG의 한계를 넘어 세상의 모든 것을 연결하는 MCP (Model Context Protocol)
3.1 기업용 AI 애플리케이션의 진화와 MCP의 필요성
3.2 서버-클라이언트 구조의 이해
3.3 MCP의 개념 및 궁극적 목표
3.4 MCP의 네 가지 핵심 구성 요소
3.5 FastMCP를 이용한 단일 서버-클라이언트 구현
3.5.1 실습: 도구 서버 구축
3.5.2 실습: 클라이언트 구현
PART 2: 나만의 AI 에이전트 프로젝트
Chapter 4: 프로젝트 1 - 시장 조사 및 보고서 작성 AI 에이전트
4.1 프로젝트 설계: 목표부터 아키텍처, 그리고 역할 정의까지
4.1.1 프로젝트 목표 및 해결 과제
4.1.2 시스템 아키텍처: 우리만의 AI 전문가 팀 구성
4.1.3 전문가(서버) 역할과 책임 명세
4.2 단계별 데이터 흐름과 규칙 상세 분석
4.3 실습: LangGraph와 MCP를 활용한 시장 조사 및 보고서 작성 애플리케이션 구현
4.3.1 시장 조사 전문가 서버 구축 (market_research_server.py)
4.3.2 보고서 작성 전문가 서버 구축 (report_writing_server.py)
4.3.3 감독관 클라이언트 구현 (multiserver_client.py)
Chapter 5: 프로젝트 2 - 비즈니스 인텔리전스(BI) 제공 AI 에이전트
5.1 프로젝트 개요: 데이터, 이제 대화의 대상이 되다
5.1.1 NL2SQL (Natural Language to SQL)
5.1.2 프로젝트 목표와 가상 시나리오
5.2 사전 준비: 서울 열린데이터 광장 API 키 발급
5.3 실습 1: 공공데이터 수집 및 데이터베이스 구축
5.4 실습 2: LangGraph를 이용한 통합형 분석 에이전트 개발
5.5 실습3: MCP를 이용한 분산형 분석 에이전트 개발
5.6 종합 및 결론: 어떤 아키텍처가 더 나은가?
맺음말: 이제 당신의 아이디어를 현실로 만들 시간

책리뷰

저자소개

저는 과학 강사를 거쳐 기업에서 인공지능 개발자로 일했으며, 현재는 AI 교육 과정 개발과 강의를 하고 있는 교육 콘텐츠 크리에이터입니다. 다양한 분야에서 쌓아온 경험을 통해 저는 인공지능이 유익하며 생산적인 도구이자 수단이며, 반드시 사람에게 도움이 되어야 한다는 소신을 갖게 되었습니다.