AI Agent는 한 번에 복잡해지는 것이 아닙니다. 단순 LLM 호출에서 시작해 도구 사용, 순차 실행, 분기, 반복, 계획, 멀티 에이전트 구조로 갈수록 자율성과 운영 난도가 올라갑니다. 중요한 것은 높은 단계가 항상 좋은 선택은 아니라는 점입니다. 성숙도 단계는 “더 복잡하게 만들기 위한 순서”가 아니라 문제에 필요한 최소 복잡도를 고르기 위한...

AI Agent를 설계할 때 가장 먼저 구분해야 하는 것은 Workflow와 Agent입니다. 둘 다 LLM을 쓰지만 실행 흐름을 누가 결정하는지가 다릅니다. Workflow는 사람이 정한 경로를 따르고, Agent는 실행 중에 다음 행동을 선택합니다. 이 글에서는 AI Agent의 기본 정의와 구성 요소, 그리고 Workflow와 Agent의 차이...

AI Agent를 학습할 때는 프레임워크 이름보다 실행 구조를 먼저 이해해야 합니다. LangGraph, CrewAI, AutoGen, ADK, Agents SDK는 모두 유용하지만, 어떤 문제에 어떤 실행 구조가 필요한지 모르면 도구만 바꿔가며 같은 실수를 반복하게 됩니다. 이 글에서는 Agent 학습 순서를 개념 -> 도구 사용 -> ...

바이브코딩과 Claude Code를 처음 배울 때 핵심은 도구 사용법을 외우는 것이 아닙니다. 자연어 요청을 작업 단위로 나누고, AI가 만든 결과물을 검토하며, 다시 수정 지시를 내리는 흐름을 익히는 것이 먼저입니다. 이 글은 1~2시간 교육 세션을 구성한다고 가정하고, 어떤 순서로 설명하고 실습하면 좋은지 정리한 학습 노트입니다. 교육 목표 ...

LLMOps 패턴 정리 수업 위치 이 수업은 Service Deployment와 LLMOps 주차를 마무리하는 정리 강의다. 빈 프로젝트 폴더에서 시작해 FastAPI, LangGraph, RAG, Tool Calling, Streaming, CI/CD, LiteLLM, 상태 관리, Observability, Error Analysis까지 붙인 흐...

Error Analysis 실습 실습 정보 주차: Week 09, Day 04 유형: 분석 리포트 작성 상태: 보강 정리 실습 목표 Lumi 챗봇을 여러 케이스로 사용해 trace 데이터를 만들고, Langfuse 또는 export 데이터를 기준으로 오류 유형을 분류한다. 최종 목표는 “좋아 보인다” 수준의...

Error Analysis 수업 위치 이 수업은 Observability 다음 단계다. Observability를 통해 trace, latency, token usage, node 실행 흐름을 볼 수 있게 되면 다음 질문이 생긴다. 데이터는 쌓였는데, 이걸 어떻게 개선으로 연결할 것인가? Error Analysis는 이 질문에 답하는 과...

Observability (관측 가능성) 한줄 정의 시스템의 내부 상태를 로그, 메트릭, 트레이스로 추적해 “무슨 일이 왜 일어났는지” 설명할 수 있게 만드는 운영 능력. 핵심 이해 Observability는 단순히 로그를 많이 남기는 것이 아니다. 장애가 났을 때 원인을 좁히고, 성능이 느려졌을 때 병목을 찾고, LLM 답변 품질이 흔들...

Observability 수업 위치 이 수업은 LLMOps 흐름에서 API 장애 대응과 상태/비용 관리 다음에 위치한다. 앞 수업에서 primary/fallback 모델, timeout, retry 같은 방어 장치를 만들었다면, 여기서는 “실제로 어떤 일이 벌어졌는지 어떻게 볼 것인가”를 다룬다. 에이전트 서비스는 일반 API 서버보다 원인 추적...

idol-agent v0.7 - 상태관리 + 비용 추적 프로젝트 정보 위치: Week09/Day02/Day7_mission/ 기술 스택: FastAPI, LangGraph, Supabase, PostgreSQL, tiktoken 주차: Week 09 아키텍처 문제 정의 v0.7의 목표는 에이전트가 대화...