실습 노트
AI Agent Book으로 보는 에이전트 설계: LLM보다 컨텍스트와 도구를 먼저 나누기
오픈소스 AI Agent Book의 10장 구성과 실험 목록을 바탕으로 에이전트 학습 순서와 설계 축을 정리합니다.
보일러플레이트AI 에이전트 · 컨텍스트 엔지니어링 · 학습 자료
AI 에이전트를 공부할 때 모델 API 호출부터 시작하면 실제 시스템의 어려운 부분을 놓치기 쉽습니다. AI Agent Book 공식 저장소는 에이전트를 LLM + 컨텍스트 + 도구로 보고, 원리와 실험을 함께 배치합니다.
학습 순서를 기능이 아니라 설계 축으로 잡는다
공식 목차는 입문, 컨텍스트 엔지니어링, 사용자 메모리와 지식 베이스, 도구, Coding Agent, 상호작용, 평가, 후학습, 지속적 진화 등으로 이어집니다. 이 순서는 에이전트를 단순한 채팅 모델이 아니라 상태와 실행이 있는 시스템으로 보게 합니다.
| 축 | 먼저 물을 질문 |
|---|---|
| 컨텍스트 | 현재 판단에 어떤 정보가 필요한가? |
| 메모리 | 세션 사이에 무엇을 남길 것인가? |
| 도구 | 모델이 실제로 관찰·실행할 수 있는가? |
| 평가 | 성공과 실패를 어떤 기준으로 나눌 것인가? |
실험은 작은 단위로 실행한다
저장소는 장별 본문과 함께 여러 실험을 제공합니다. 모든 의존성을 한꺼번에 설치하기보다 한 장의 개념 하나를 골라 입력, 도구 호출, 결과를 기록하는 방식이 재현하기 쉽습니다.
개념 선택 → 최소 실험 실행 → 호출과 결과 기록 → 실패 조건 정의 → 다음 축으로 확장
예를 들어 메모리를 공부할 때는 저장·검색·삭제를 분리하고, 도구를 공부할 때는 호출 권한과 오류 처리를 따로 확인해야 합니다.
적용 판단
이 책의 실용적인 가치는 최신 모델 사용법보다 에이전트 시스템의 구성 요소를 나눠 생각하게 하는 데 있습니다. 개인 프로젝트에서도 컨텍스트, 메모리, 도구, 평가를 별도 문서로 관리하면 모델을 바꾸어도 설계 기준을 유지하기 쉽습니다.