Agents Companion Guide 요약 AI 에이전트 설계와 구현을 위한 종합 가이드. Agentic AI의 패턴, 아키텍처, 실무 적용 방법을 다룸. 주요 내용 에이전트 설계 패턴 ReAct (Reasoning + Acting) Plan-and-Execute Reflexion (자기 반성) Multi-Agent C...

Exercises - 자기주도 실습 이 폴더에는 각 주차별 실습 과제가 포함되어 있습니다. Claude Code에서 /mission 명령으로 미션 도전 후, 여기서 추가 실습을 진행하세요. 실습 목록 Week02 - 자료구조와 알고리즘 w02-stack-queue.py - 스택/큐 구현 연습 Week05 - Prompt Engineeri...

업스테이지 AI Agent 서비스 파이프라인 과정 학습 정리 개요 이 카테고리는 업스테이지 - AI Agent 서비스 파이프라인 기획부터 구현까지 (새싹) 과정에서 학습한 내용을 블로그용으로 다시 정리하는 공간이다. 원본 학습 노트는 Obsidian 볼트 형태로 정리되어 있으며, 블로그에는 수업 기록형, 기술 노트형, 실습형, 프로젝트 정리형, ...

최근 개발자 커뮤니티에서 “Agentic Coding은 함정이다”, “인지 부채가 쌓이고 있다”, “토큰 비용이 지속 가능하지 않다” 같은 경고의 목소리가 빠르게 퍼지고 있다. GeepawHill의 글이 대표적이고, 여러 시니어 개발자들이 비슷한 우려를 제기한다. 이 경고들은 타당합니다. 하지만 “그러니까 AI를 덜 쓰자”라는 결론에서 멈추면 실제로...

Tiny LLM from Scratch는 작은 언어 모델을 직접 만들어보며 LLM의 내부 구조를 이해하는 학습 주제입니다. 목표는 대형 모델을 대체하는 것이 아니라 tokenizer, transformer, training loop, inference 흐름을 직접 확인하는 것입니다. 왜 작은 모델을 직접 만드는가 LLM API만 사용하면 모델 내부...

AI Assistant Engineering은 챗봇을 만드는 공부가 아닙니다. 사용자의 작업을 안정적으로 돕는 assistant system을 설계하는 학습 주제입니다. assistant는 겉으로는 대화 인터페이스처럼 보이지만, 내부에는 LLM, context 설계, RAG, tool use, memory, evaluation, guardrail이 ...

Agentic pattern은 복잡한 구조부터 고르는 것이 아닙니다. 비용, latency, 예측 가능성, 실패 복구 가능성을 기준으로 가장 단순한 구조부터 선택해야 합니다. 어떤 패턴을 써야 할까? 원칙 위로 갈수록 단순 · 저렴 · 예측 가능, 아래로 갈수록 복잡 · 비싸지만 강력. 항상 위쪽부터 시도하고, 한계에 부딪힐 때만 아래로 내려가세...

Agentic Workflow의 패턴은 결국 LLM + Tools + Memory + Retrieval 블록을 어떻게 연결하느냐의 문제입니다. 아래 8가지 패턴은 단순한 순차 처리부터 자율 실행, Human-in-the-Loop까지 복잡도가 점점 올라갑니다. 전체 요약 패턴 핵심 구조 적합한 상황 ...

LLM 시스템을 설계할 때 가장 먼저 정해야 할 것은 Workflow로 충분한지, Agent가 필요한지입니다. 대부분의 문제는 단일 LLM 호출, RAG, 정해진 workflow로 해결됩니다. Agent는 실행 중 판단과 도구 선택이 필요할 때만 추가하는 편이 안전합니다. Workflow vs Agent Workflows는 미리 정의된 경로로 LL...

Agentic Workflow는 패턴 이름을 외우는 것보다 유즈케이스를 어떤 실행 구조로 바꿀지 판단하는 것이 중요합니다. 같은 문제도 비용, 품질 기준, 실패 비용에 따라 다른 패턴을 선택할 수 있습니다. 실전 유즈케이스 매핑 Prompt Chaining 마케팅 카피 생성 브리프 → 아웃라인 → 초안 → 편집 → 번역 순으로 진행합니다. 각 ...