한빛+ | AI 시대, 개발자의 지식 파트너

한빛+ 앱 출시 이벤트

베스트셀러 1권 + AI & IT활용서 5종 증정

워크플로우 자동화의 끝판왕?!

AI 에이전트라면 퇴근이 빨라져요

Key는 AI 에이전트

자동화를 넘어 더 복잡한 문제를 해결하는 열쇠

나만의 자비스 만들기

상상이 현실이 되는 나만의 비서

0/0

새로나온책

n8n이 다 해줌

임정, 이인영

클로드 코드 마스터

이남희, 백승현

혼자 해도 프로 선생님처럼 잘 만드는 학교 수업 자료 with 미리캔버스

김태훈(날아라후니쌤), 손민지(레모니티처), 유수근(뿌리쌤)

그림으로 배우는 생성형 AI

류광, 발리아파 락슈마난, 프리양카 베르가디아

AI 프로덕트는 어떻게 만들어지는가

류인태, 김예림, 임나정

콘텐츠 디자인 with 나노 바나나

홍순성

맛있는 디자인 프리미어 프로 CC 2026

윤성우, 심수진

요즘 교사를 위한 에듀테크 수업 활용 가이드 with 2022 개정 교육과정

박진환, 서원진, 박권

한눈에 보는 AI 반도체 산업

MrTrigger

오픈클로 with GPT, 제미나이, 클로드

강민혁

클로드 코워크 with 스킬, 플러그인

강민혁, 클리커

클라우드 애플리케이션 아키텍처 패턴

박수현, 카일 브라운, 바비 울프외 1인

이것이 리눅스다(개정4판)

우재남

새나곰의 똥손도 바로 시작하는 인스타툰 그리기 with 클립 스튜디오

새나곰(정은아)

일머리를 설계하는 AI 워크플로 with n8n

이왕석

하루 30분, 나는 제미나이로 돈을 번다

김민규

맛있는 디자인 일러스트레이터 CC 2026

빨간고래(박정아)

이것이 Spring AI다(개정판)

신용권

채널.H

실패하지 않는 에이전트 설계 원칙 5가지(feat. 프레임워크별 장단점 비교)

자율 에이전트는 일반적인 소프트웨어보다 불확실성이 크고 운영 비용이 높습니다. 탄탄한 설계 원칙 없이 구축된 에이전트는 단순한 API 호출 오류에도 전체 시스템이 무너지는 '모놀리식 지옥'에 빠지기 쉽습니다. 자율 에이전트 구축은 마치 살아있는 유기체를 다루는 것과 같습니다. 앞선 경험을 통해 학습해야 하고(지속 학습), 외부 위협에 유연해야 하며(회복탄력성), 필요에 따라 부품을 교체하듯 기능을 바꿀 수 있어야(모듈성) 합니다. 하지만 막상 개발을 시작하면 수많은 프레임워크 사이에서 어떤 것이 나에게, 혹은 우리 팀에 맞을지 막막하기 마련입니다. 에이전틱 시스템의 5대 원칙, 그리고 프로토타입부터 대규모 프로덕션까지 각 단계별로 추천하는 프레임워크 분석을 통해 '동작만 하는 에이전트'가 아닌, '실제로 운영 가능한 에이전트'를 만들기 위한 로드맵을 그리는 데 이번 내용이 도움이 되면 좋겠습니다. 효과적인 에이전틱 시스템 구축 원칙 성공적인 자율 에이전트를 구축하는 데는 5가지 원칙이 있습니다 첫 번째는 확장성(Scalability)입니다. 분산 아키텍처, 클라우드 인프라, 병렬 처리를 지원하는 효율적 알고리즘을 통해 증가하는 부하와 다양한 작업을 처리할 수 있습니다(실패 사례: 분당 10건을 처리하던 고객지원 에이전트가 오토스케일링 없이 1,000건으로 급증하면 다운되거나 지연될 수 있습니다). 다음은 모듈성(Modularity)입니다. 명확한 인터페이스로 연결된 독립적이고 교환 가능한 구성요소로 설계해야 합니다. 유지보수와 변경 적응이 쉬워지기 때문이죠(실패 사례: 에이전트 서비스에 도구를 하드코딩하면 작은 수정에도 전체를 재배포해야 합니다). 세 번째는 지속 학습(Continuous learning)입니다. 인컨텍스트 학습과 같이 경험에서 배우는 메커니즘을 구축하고 사용자 피드백을 통합합니다(실패 사례: 피드백 루프를 무시하면 같은 실수, 예를 들어 계약 조항 오분류, 중요 이슈 미보고 등과 같은 실수를 반복합니다). 다음은 회복탄력성(Resilience)입니다. 오류, 보안 위협, 타임아웃, 예상치 못한 상황을 자연스럽게 처리하는 아키텍처를 갖춰야 합니다. 이와 관련해 재시도, 폴백, 엄격한 보안, 중복화가 필요합니다(실패 사례: 재시도나 폴백이 없는 에이전트는 API 호출이 한 번 실패하는 것만으로도 과정 전체가 중단됩니다). 마지막으로 미래 대비(Future-proofing)입니다. 개방형 표준과 확장 가능한 인프라를 중심으로 설계하고 실험 문화를 유지할 필요가 있습니다(실패 사례: 특정 벤더의 프롬프트 형식에 과도하게 결합하면 모델 교체나 실험이 어려워집니다). 이 다섯 가지 원칙을 따르면 기술과 환경이 변화하는 속에서도 효과성과 관련성을 유지하는 자율 에이전트를 구축할 수 있습니다. 에이전틱 프레임워크 장단점 비교 스킬 통합, 메모리 관리, 계획, 오케스트레이션, 경험 학습, 멀티 에이전트 협력 등을 핵심 기능으로 하는 자율 에이전트 개발을 위한 다양한 프레임워크가 존재합니다. 대표적인 프레임워크를 살펴봅시다. 랭그래프, LangGraph 랭그래프는 방향 그래프 기반 모듈식 오케스트레이션 프레임워크입니다. 노드에는 개별 로직 단위(주로 파운데이션 모델 호출)가 포함되고 엣지는 복잡하고 순환 가능한 워크플로를 통해 데이터 흐름을 관리하는 것이 강점입니다. 개발자 경험이 우수하고, 비동기 워크플로와 재시도(retry)를 기본 지원하는 것도 특징이죠. 랭그래프에도 트레이드오프가 있습니다. 고급 계획과 메모리에는 맞춤 로직이 필요하며 멀티 에이전트 협업에 대한 내장 지원이 상대적으로 부족하다는 점을 들 수 있겠네요. 명시적이고 검증 가능한 흐름 제어가 필요한 견고한 단일 에이전트 또는 경량 멀티 에이전트 시스템을 구축하고자 한다면 랭그래프가 적합하겠습니다. 오토젠, Autogen 오토젠은 강력한 멀티 에이전트 오케스트레이션, 동적 역할 할당, 메시지 기반 에이전트 간 유연한 상호작용이 강점입니다. 반면, 단순한 사용 사례에는 무겁거나 복잡할 수 있으며 에이전트 상호작용 패턴에 대해 다소 고집스러운 편입니다. 여러 에이전트 간 대화가 핵심인 연구 및 프로덕션 시스템(예: 매니저-워커, 자기성찰 루프)에 활용하기에 적합합니다. 크루AI, CrewAI 크루AI는 배우기 쉽고 사용하기 편리한 편입니다. 프로토타이핑을 위한 빠른 설정, ‘crew’와 ‘tasks’ 같은 유용한 추상화를 제공하는 것이 장점입니다. 역시 트레이드오프를 짚어보자면, 오케스트레이션 내부에 대한 세밀한 커스터마이징과 제어가 제한적이며 복잡한 워크플로에서는 랭그래프나 오토젠보다 성숙도가 낮다는 점을 꼽을 수 있습니다. 어시스턴트나 지원 에이전트 같은 실용적이고 인간 중심의 에이전트를 빠르게 구성하려는 개발자에게 적합합니다. 오픈AI 에이전트 SDK, OpenAI Agents Software Development Kit 오픈AI 도구 생태계와의 깊은 통합과 안전하고 사용하기 쉬운 함수 호출이 장점입니다. 메모리 프리미티브, 도구 라우팅도 유용합니다. 반면, 오픈AI 인프라에 강하게 결합되어 있어 맞춤형 에이전트 스택이나 오픈소스 도구체인에서는 유연성이나 이식성이 떨어질 수 있습니다. 이미 오픈AI API를 사용 중이며 최소한의 스캐폴딩으로 도구를 활용하는 안전한 에이전트를 빠르게 구축하려는 팀이라면 적합할 수 있습니다. 각 프레임워크에는 고유한 장점과 한계가 있습니다. 다만, 이 분야의 변화가 워낙 빠른 만큼 지속적인 혁신과 경쟁을 통해 더욱 발전할 것으로 예상됩니다. 초기 프로토타입은 크루AI나 오픈AI 에이전트 SDK로 빠르게 시작할 수 있고, 확장 가능한 프로덕션급 시스템에는 랭그래프와 오토젠으로 더 자세하고 정교하게 제어할 수 있습니다. 랭그래프의 경우에는 에이전트 시스템 개발에 대한 직관적이면서도 강력한 접근 방식을 제공하기도 합니다. 물론 이러한 프레임워크가 필수는 아니며 많은 팀이 모델 제공자 API를 직접 사용해 구축하기도 합니다. 이 글은 <AI 에이전트 엔지니어링> 도서 내용 일부를 발췌 편집하여 작성되었습니다. AI 에이전트에 대한 실용적인 예제를 포함하여, 실제 시나리오를 통한 현대 지능형 에이전트에 필요한 복잡성과 역동성을 어떻게 효과적으로 해결하는 지에 대한 보다 자세한 내용은 하기 책에서 만나볼 수 있습니다. 『AI 에이전트 엔지니어링』

에이전트가 정답일까? 프로젝트 망치는 '오버 엔지니어링' 피하는 법

대다수의 프로젝트는 간단한 스크립트, 반자동 워크플로, 챗봇, RAG, 완전 자율 에이전트 중 무엇을 고르느냐에 따라 좋은 해법이 될지, 과도하게 복잡한 유지보수 지옥이 될지 갈립니다. 이때 선택의 기준으로는 입력의 가변성, 필요한 추론 복잡도, 성능/컴플라이언스 제약, 유지보수 부담이라는 네 가지 핵심 요소를 고려해야 합니다. 선택 1. 간단한 스크립트 우선, 파운데이션 모델이나 머신러닝을 쓰지 않아도 되는 상황이 있습니다. 모든 입력이 완전히 예측 가능하고 모든 출력을 미리 기술할 수 있다면 몇 줄의 절차적 코드가 머신러닝 파이프라인보다 더 빠르고 저렴하며 테스트도 쉽습니다. 예를 들어 ‘YYYY-MM-DD HH:MM:SS —[메시지]’ 형식을 따르는 로그를 파싱한다면 간단한 정규식 파서(파이썬/Go)로 충분합니다. 지연시간이 매우 짧아야 할 경우(예: 센서 데이터에 실시간 반응하는 임베디드 시스템)라면 LLM API를 호출할 시간이 없습니다. 특히 의료 기기, 항공, 금융 시스템처럼 규제가 엄격한 도메인에서는 의사결정 과정이 완전히 확정적이고 감사 가능해야 합니다. 하지만 신경망 모델은 내부 동작을 해석하기 어렵기 때문에 요구사항을 만족시키기 어렵습니다. 즉, 입력의 형태가 정해져 있거나 성능과 설명 가능성을 엄격하게 따져야 하거나 문제의 도메인이 고정되어 있다면 파운데이션 모델보다는 코드를 작성하는 편이 낫습니다. 선택 2. 워크플로 다음은 결정적 또는 반자동 워크플로입니다. 로직을 유한한 단계나 분기로 표현할 수 있고 어디서 인간 개입이나 추가 에러 처리가 필요한지 사전에 아는 경우라면 워크플로를 사용하는 편이 좋습니다. 예를 들어 소규모 벤더 집단에서 송장을 수집하는데 각 송장이 세 가지 형식중 하나로 도착한다고 가정해봅시다. 형식에 따라 파서를 라우팅하고 불일치를 검사해 문제가 생기면 중지해 인간에게 전달하면 됩니다. 깊은 의미론적 이해는 필요하지 않습니다. 실패 단계 재시도(지수 백오프)나 관리자 승인 대기 같은 요건도 워크플로 엔진(에어플로, AWS 스텝 펑션, 잘 구조화한 스크립트)이 에러 경로를 더 명확하게 통제할 수 있어 LLM보다 유리합니다. 모든 결정 분기를 미리 나열할 수 있고 각 분기를 엄격하게 통제해야 한다면 워크플로가 적합합니다. 이런 시나리오에서는 워크플로가 대규모 임시 스크립트보다 자연스럽게 확장되면서도 에이전틱 파이프라인의 복잡성과 비용은 피할 수 있습니다. 선택 3. 챗봇과 RAG 그다음은 챗봇/RAG입니다. 자연어 이해와 문서 검색 기능을 추가하지만 자율적이고 다단계적인 계획 수립까지는 하지 않습니다. 지식 베이스(knowledge base, 제품 매뉴얼, 법률 아카이브, 사내 위키)를 검색해야 한다면 RAG는 문서를 벡터스토어에 임베딩하고 관련 구절을 찾아 컨텍스트에 맞는 응답을 생성합니다. 예컨대 IT 헬프데스크는 ‘VPN 자격 증명 초기화 방법’을 질문하면 최신 가이드에서 해당 내용을 찾아 요약해 답합니다. 하지만 자율 에이전트와 달리 RAG는 추가 행동(예: 티켓 발행, 콜백 일정 잡기)을 스스로 결정하지 않습니다. 문서 기반 Q&A가 주된 목적이고 외부 API 호출이나 의사결정 오케스트레이션이 크게 필요하지 않다면 RAG가 적절합니다. 유지비는 에이전트보다 낮고 구성에는 문서 임베딩 업데이트와 프롬프트 개선이 필요합니다. 그만큼 에이전트의 다단계 계획이나 피드백 루프 학습 능력은 포기해야 합니다. 선택 4. 자율 에이전트 마지막으로 자율 에이전트입니다. 입력이 변동성이 크고 상황에 따라 계획이 바뀌거나 지속적 학습이 필요해 코드나 워크플로, RAG로는 부족한 경우에는 자율 에이전트를 사용해야 합니다. 예를 들어 고객지원 메일에 ‘노트북 배터리가 부풀어 터질 것 같아요’부터 ‘주문하지 않은 서비스 비용이 계속 청구돼요’까지 다양한 이메일을 받는다면 규칙 기반이나 RAG FAQ는 사용할 수 없습니다. 반면 파운데이션 모델 기반 에이전트는 의도 파악, 엔티티 추출, 지식 베이스 조회, 적절한 답안 초안 작성, 필요 시 인간 인계까지 사전 정의 없이도 수행합니다. 공급망에서도 재고나 리드타임, 수요 예측을 실시간으로 받아 동적으로 재계획할 수 있는데 결정적 워크플로는 예외를 처리하려면 수동 업데이트가 끊임없이 필요합니다. 또한 에이전트는 병렬 하위 작업이 많은 환경(예: 보안 운영 에이전트가 동시에 위협 인텔 API 질의, 네트워크 텔레메트리 스캔, 의심 바이너리 샌드박스 분석을 수행)에서 탁월합니다. 비동기로 실시간 데이터에 맞춰 재우선순위화하므로 ‘한 번에 한 단계’만 수행하는 워크플로와 RAG의 취약성을 피할 수도 있습니다. 다만 파운데이션 모델의 높은 연산, 운영 비용을 정당화하려면 컨텍스트 추론, 병렬 오케스트레이션, 자가 개선 수준이 필요합니다. [표 1: 코드, 워크플로, 에이전트의 구분]특성코드워크플로자율 에이전트입력 구조완전 예측 가능 스키마유한 분기로 대체로 예측 가능고도로 비정형/새로운 입력설명 가능성완전 투명, 감사 용이분기별 감사 추적 명시블랙박스 요소(추가 도구 필요)지연초저지연중간 지연더 높은 지연적응, 학습없음제한적높음(피드백 학습) 모든 선택에는 트레이드오프가 따릅니다. ‘코드’는 저렴하고 빠르지만 경직되어 있고 ‘워크플로’는 통제력이 있지만 입력이 다양하면 쉽게 깨집니다. ‘챗봇과 RAG’는 문서 Q&A에 뛰어나지만 다단계 오케스트레이션은 못 합니다. ‘에이전트’는 강력하지만 클라우드 비용과 운영 부담(모니터링, 튜닝, 거버넌스)이 큽니다. 결정 전에 스스로 물어보세요. 입력이 예측 불가한가? 중간 결과에 적응하는 다단계 계획이 필요한가? 문서 검색으로 충분한가 아니면 스스로 결정하고 실행해야 하나? 최소한의 인간 개입으로 시간이 지날수록 스스로 개선하길 원하나? 지연, 유지보수 부담을 감수할 수 있나? 고정적이고 결정적인 작업은 간단한 코드를 쓰세요. 분기가 정해져 있고 명시적 에러 처리가 필요하면 워크플로를 쓰세요. 코퍼스(corpus) 기반 자연어 Q&A가 목적이면 챗봇/RAG를 쓰세요. 그러나 입력의 변동성이 높거나 개방형 추론, 동적 계획, 지속적 학습이 필요하면 자율 에이전트를 쓰세요. 이런 기준으로 선택하면 단순성, 성능, 적응성의 균형을 잡아 요구가 변해도 효과적이고 유지 가능한 해법을 얻을 수 있습니다. 이 글은 <AI 에이전트 엔지니어링> 도서 내용 일부를 발췌 편집하여 작성되었습니다. AI 에이전트 선택과 설계, 구현까지 보다 깊이 있는 정보는 하기 책에서 만나볼 수 있습니다. 『AI 에이전트 엔지니어링』

여러분의 클라우드 앱은 안녕하신가요? '뒤엉킨 누더기 시스템'에서 탈출하는 법

“드디어 우리 회사도 클라우드를 도입했습니다!” 경영진의 야심 찬 선언과 함께 수년간 운영해 온 사내 시스템을 클라우드로 고스란히 옮겼습니다. 이제 오토스케일링의 마법으로 트래픽이 몰려도 끄떡없고 비용도 절감될 것이라 기대했지만 현실은 냉혹했습니다. 서버는 여전히 원인 모를 오류로 다운되고, 클라우드 비용은 무섭게 청구됩니다. 도대체 무엇이 문제였을까요? 문제는 클라우드라는 ‘인프라’가 아니라, 그 위에 올라간 애플리케이션의 구조에 있었습니다. ☑️ 무늬만 클라우드, 실상은 ‘거대한 진흙 덩어리’ 개발 일정에 쫓겨 당면한 문제를 임시방편으로 해결하다 보면, 어느새 시스템은 모든 코드가 엉망으로 얽히고설킨 이른바 커다란 진흙 덩어리(big ball of mud)*가 되어버립니다. 개발자라면 누구나 한 번쯤 “이 코드는 건드리지 마세요!”라는 경고를 들어 본 적이 있을 것입니다. 하나의 기능을 수정하면 전혀 연관 없어 보이는 곳에서 연쇄적으로 버그가 터지는 시스템, 바로 이것이 전형적인 진흙 덩어리의 모습입니다. 이 거대하고 무거운 진흙 덩어리를 그대로 클라우드 환경에 들어서 옮기는(리프트 앤 시프트) 것만으로는 클라우드의 무한한 확장성이나 탄력적인 자원 활용 같은 장점을 결코 누릴 수 없습니다. 오히려 기술 부채를 구름 위로 쏘아 올려 더 비싸고 불안정한 진흙 덩어리를 만든 셈입니다. * 커다란 진흙 덩어리 (Big Ball of Mud)브라이언 풋, 조셉 얀돈이 쓴 논문 <Big Ball of Mud>에서 비롯된 말로 소프트웨어 아키텍처 또는 코드베이스가 명확한 구조나 패턴 없이 뒤엉켜 있어, 커다란 진흙 덩어리처럼 혼란스럽고 관리하기 어려운 상태를 말함. 즉, 시스템 전반이 일관성 없는 설계, 임시 방편적 코드, 누적된 기술 부채로 인해 이해하기 어렵고 확장하기 곤란한 상태를 의미함. (출처: Yak Shaving: 야크 털 깎기) ☑️ 무화과 나무처럼 서서히 집어삼키기(스트랭글러 애플리케이션) 그렇다고 당장 서비스 중인 이 거대한 시스템을 전면 폐기하고 처음부터 다시 개발할 수는 없습니다. 이는 비용과 시간 측면에서 기업의 목숨을 거는 극도로 위험한 선택이기 때문입니다. 가장 현실적이고 안전한 탈출구는 모놀리식 점진적 대체 전략입니다. 기존 시스템을 한 번에 갈아엎는 대신, 숙주 나무를 서서히 감싸며 자라나 결국 원래 나무를 대체해 버리는 ‘교살자 무화과 나무(Strangler vines)’처럼 아주 조금씩, 그러나 확실하게 시스템을 마이크로서비스로 교체해 나가는 것입니다. 성공적인 탈출을 위한 핵심 단계는 다음과 같습니다. ❶ 가느다란 실금 찾기: 얽히고설킨 진흙 덩어리 속에서도 비교적 결합도가 낮아 분리하기 쉬운 경계선(가느다란 실금)을 먼저 찾아냅니다. 코드가 너무 복잡하다면 데이터베이스의 상호 작용 구조에서 시작해 코드로 거슬러 올라가며 도메인의 논리적인 경계를 파악하는 것이 좋은 시작점이 될 수 있습니다. ❷ 컴포넌트 추출: 찾아낸 기능 조각을 기존 시스템에서 점진적으로 떼어내어, 독립적으로 배포 가능한 마이크로서비스로 만듭니다. 처음부터 아주 작은 단위로 쪼개기 어렵다면, 우선 약간 큰 덩어리인 매크로 서비스로 먼저 추출한 뒤 이해도가 높아지면 점차 작은 마이크로서비스로 리팩터링하는 것도 훌륭한 접근법입니다. ❸ 모놀리식-마이크로서비스 프록시: 기능이 마이크로서비스로 이사한 후에도, 기존 시스템이 길을 잃지 않고 새로운 마이크로서비스를 자연스럽게 호출할 수 있도록 중간에 프록시(안내원)를 둡니다. 이를 통해 외부 클라이언트나 기존 시스템은 내부에서 마이크로서비스로 교체되고 있다는 사실조차 모른 채 안정적으로 서비스를 이용할 수 있습니다. 결국 중요한 것은 시스템을 한 번에 뒤엎는 것이 아니라, 사용자에게는 연속적인 서비스를 제공하면서 내부 구조만 조금씩 바꿔 나가는 일입니다. 스트랭글러 애플리케이션 전략의 강점도 바로 여기에 있습니다. 기존 시스템을 멈추지 않고도 위험을 통제한 채 점진적으로 현대화할 수 있다는 점입니다.위 글은 『클라우드 애플리케이션 아키텍처 패턴』의 내용을 발췌하여 작성하였습니다. 책은 실무에서 필요한 레거시 현대화, 마이크로서비스 설계, 이벤트 주도 아키텍처 도입 등 현장에서 수많은 시행착오를 겪으며 찾아낸 70가지의 구체적이고 실무적인 아키텍처 패턴을 담고 있습니다. 특히 특정 클라우드 벤더(AWS, GCP, Azure 등)나 플랫폼에 종속되지 않는 범용적인 패턴 언어로 구성되어 있어, 어떤 환경에서든 유연하게 적용할 수 있다는 것이 이 책의 가장 큰 장점입니다. 매일같이 레거시 시스템과 씨름하며 시스템 설계의 돌파구를 찾는 아키텍트와 개발자 여러분께, 이 책이 가장 명쾌하고 든든한 생존 가이드가 되어 줄 것입니다.

AI 에이전트가 대체 뭐죠? 개념부터 사례까지

인공지능, AI 이야기를 하다보면 ‘에이전트’라는 연결 단어가 자주 등장합니다. 트렌드가 너무 빠르네요. AI 조금 이해했다치면 에이전트, 에이전틱, 할루시네이션, 컨텍스트, 오픈클로, MCP, A2A…(헉헉…) 등등등. AI와 연결해서 사용하는 다양한 개념들이 등장합니다. 기술 좀 아는 빠른 사람들은 이미 그 기술들을 사용해 보고 경험담을 내놓고 있기도 합니다. 그래서 전문가가 아닌 일반인에게도 도움이 되고 사용하면 삶을 편하게 해줄 ‘AI 에이전트’가 도대체 뭔지 좀더 쉽게 다가가 보려고 합니다. (그나마 쉽게…) 시작해 보겠습니다. 천천히 꼭꼭 소화시켜서 나 에이전트 좀 아는 사람이 되어봅시다. AI 에이전트란? 자율형 에이전트는 다양한 환경에서 독립적으로 추론하고 의사결정을 내리며 효과적으로 상호작용하는 지능형 소프트웨어 시스템을 말합니다. 기존의 소프트웨어와 달리 자율 에이전트는 컨텍스트를 해석하고 변화하는 상황에 적응하며, 최소한의 관리 감독으로도 복잡한 작업을 수행합니다. 단어들이 그렇게 익숙하지는 않아서 이해가 어려울 수도 있겠습니다. 좀더 단순하게 설명하자면, 챗GPT와 같은 AI 도구가 우리가 일반적으로 사용하는 전문가라고 해 봅시다. 한 명의 전문가와 질문을 주고 받으며 원하는 결과를 도출하는 셈이죠. AI 에이전트는 하나의 질문 혹은 지시가 각각 분야의 여러 전문가에게 하달되어 종합적인 결과를 도출하는 형태라고 생각하면 되겠습니다. 즉, 한 명과 대화를 주고 받으며 일하는 것과 여러 전문가와 복합적으로 일을 처리하는 것의 차이라고 하면 좀더 이해가 쉽겠습니다. 자율 에이전트는 데이터를 스스로 분석하고 환경을 해석하며 컨텍스트(context)에 기반한 결정을 내리도록 설계된 지능형 시스템입니다. 에이전트(agent)라는 용어가 널리 쓰이면서 실제로는 자율성이 없는 시스템에도 이 용어가 붙기도 하면서 의미가 일부 흐려지기도 했는데요. 아직은 에이전트란 표현에 많은 해석의 여지가 있어 보입니다. 진정한 자율 에이전트는 의미 있는 의사결정을 내리고 컨텍스트에 기반해 추론하며 상황에 적응해야 합니다. 반대로 ‘에이전트’라고 불리지만 사실상 결과가 정해진 스크립트나 강하게 통제된 워크플로만 실행하는 시스템도 많습니다. 진짜 자율적이고 적응적인 에이전트를 설계하는 일은 무척 어려운 일이거든요. 그래서 진정한 에이전트를 판단하는 핵심 기준은 단순히 스크립트를 따르는지, 실제로 의사결정을 하는지에 달려 있다고 볼 수 있습니다. 이런 에이전트의 빠른 진화는 파운데이션 모델(foundation model)과 강화학습(reinforcement learning)의 발전이 이끌고 있습니다. 과거 파운데이션 모델은 주로 인간이 읽을 결과물을 생성하는 데 사용되었지만, 최근에는 함수 시그니처와 파라미터 선택 같은 구조화된 출력을 할 수 있게 되었고요. 이후 오케스트레이션 프레임워크가 이러한 함수를 실행함으로써, 에이전트는 데이터를 조회하고 외부 시스템을 조작하며 구체적인 행동을 수행하는 형태로 나아가고 있습니다. 이것도 쉽게 설명하면, 좀더 복잡한 처리를 할 수 있게 되었다 정도로 요약해 볼 수 있겠네요. 즉, 파운데이션 모델의 진화는 AI의 두뇌 자체가 똑똑해 진 것을 의미합니다. 예를 들어 예전에는 글만 잘썼다면, 이제는 컴퓨터 언어(코드)를 이해하고 다른 프로그램에 명령을 내릴 줄도 알게 된 거죠. 오케스트레이션은 지휘자가 오케스트라를 지휘하듯, AI가 여러 가지 앱이나 도구(달력, 메일, 지도 등)을 순서에 맞게 조율해 실행하는 기술입니다. 에이전트가 효과적으로 작동하도록 돕는 도구, 메모리, 파운데이션 모델, 오케스트레이션, 지원 인프라 전체를 에이전틱 시스템(agentic system)으로 구분하기도 하는데요. 여기서 에이전트 시스템은 자율적인 의사결정 및 상호 작용 능력을 가진 소프트웨어 디자인이나 아키텍처(예: 단일 에이전트 또는 멀티 에이전트)의 의미로, 에이전틱 시스템은 이 에이전트가 실행되는 데 필요한 모든 구성 요소(도구, 메모리, 인프라 등)를 포함하는 전체적인 지원 환경 또는 기능을 의미하는 것으로 정리했습니다. MCP(Model Context Protocol)와 A2A(Agent-to-Agent Protocol) 같은 다양한 프로토콜이 등장함에 따라, 에이전트는 원격 도구를 활용하거나 다른 에이전트와 협업해 문제를 풀 수 있게 됐습니다. 일테면 더욱 많은 연결로, 더욱 다양한 분야의 전문가들과 협업을 통해 일을 처리할 수 있게 된 셈이죠. 협업은 자동화라는 기회를 열어 주기도 하지만, 동시에 인간의 가치에 부합하고 복잡한 환경에서도 안전하게 작동하도록 신중하게 설계, 측정, 관리해야 할 중대한 책임도 따릅니다. 쉽지 않은 문제죠. 여러 전문가를 통한 복잡한 작업이 가능해진 이유? 전통적인 머신러닝은 데이터의 양과 질에 많은 영향을 받았습니다. 실제로 머신러닝 실무자들은 모델 학습 자체보다 데이터 수집과 정제에 더 많은 시간을 쏟았죠. 그렇게 방대한 데이터로 학습한 AI 생성 모델은 다들 알다시피 성공적으로 세상에 데뷔했습니다. 단일 모델이 추가 학습 없이도 광범위한 과제에 사용할 수 있음을 보여 준 것이죠. 이로써 오랜 관행이 바뀌었습니다. 활용폭이 더욱 쉽고 넓어진 셈입니다. 예전에는 머신러닝 기반 애플리케이션을 만들려면, 머신러닝 엔지니어나 데이터 사이언티스트를 채용해 데이터를 모으고 모델을 배포해야 했습니다. 이제는 ‘API 호출’ 한 번으로 대형 사전학습 생성 모델을 활용할 수 있습니다. 학습이나 호스팅이 없어도 충분한 품질의 결과물을 얻게 된거죠. 덕분에 프로젝트에 머신러닝과 AI를 적용하는 비용과 복잡성이 매우 낮아졌습니다. 최근에는 오픈AI의 GPT, 앤트로픽의 클로드(Claude), 메타의 라마(Llama), 구글 제미나이(Gemini Ultra), 그리고 딥시크(DeepSeek-v3) 같은 대규모 언어 모델(LLM)의 발전으로 까다로운 작업에 대한 성능이 더 높아졌고요. 사전학습 모델로 풀 수 있는 문제의 범위 또한 넓어지고 있습니다. 이처럼 파운데이션 모델은 자연어 이해와 생성에 강점을 보이며 에이전트의 능력을 강화합니다. 파운데이션 모델의 장점을 간략히 정리하면 이렇습니다. - 자연어 이해: 사용자의 입력을 직관적으로 해석하고 응답- 컨텍스트 인지 상호작용: 긴 대화에서도 관련 컨텍스트를 유지해 정확도 향상- 구조화된 생성: 텍스트, 코드, 구조화된 결과 생성으로 분석, 창작 작업 지원 자체로도 강력한 모델이지만 정의한 범위 내에서 의사결정을 내리고 새로운 정보를 반영해 적응하며 도구를 호출해 실제 작업을 수행하도록 구성할 수도 있습니다. 정교한 오케스트레이션 프레임워크와 결합하면 외부 시스템과 직접 상호작용하고 실용적인 작업을 실행합니다. 다음과 같은 작업이 가능해졌죠. 단일 모델 활용에서 나아가 에이전트라는 개념이 완성된 셈입니다. - 컨텍스트 기반 해석과 의사결정: 사전 규정이 부족한 애매한 상황도 해결- 도구 사용: 정보를 조회하거나 행동을 취하기 위해 다른 소프트웨어 호출- 적응적 계획: 복잡한 다단계 작업을 스스로 계획, 실행- 정보 요약: 방대한 문서를 빠르게 정리해 핵심 인사이트 도출(법률 분석, 연구 종합, 콘텐츠 큐레이션 등)- 비정형 데이터 처리: 이메일, 문서, 로그, 보고서 등의 비정형 텍스트를 이해하고 응답- 코드 생성: 코드를 작성, 실행하고 단위 테스트 작성- 반복 업무 자동화: 고객지원, 행정 등 반복 작업을 효율적으로 처리해 인간은 고부가가치 업무에 집중- 멀티모달 통합: 이미지, 오디오, 비디오 데이터를 대규모로 정교하게 분석 이러한 유연성 덕분에 자율 에이전트는 정적인 머신러닝 모델로는 다루기 어려운 복잡하고 동적인 상황을 효과적으로 처리할 수 있습니다. 에이전트에도 유형이 있다? ‘에이전트’란 단어가 대중화되자 AI 기능을 적용하기만 하면 에이전트라고 홍보하는 경우가 많아졌습니다. AI 에이전트가 무엇인지 기준을 두고 혼란이 생기기도 했는데요. 글로벌 기술 전문 미디어 더 인포메이션(The Information)은 오늘날 실제 적용 양상을 반영해 에이전트를 7가지 유형으로 분류했습니다. 1. 업무 자동화 에이전트: 사전에 정의한 워크플로를 자동화합니다(예: UiPath RPA, 마이크로소프트 파워 오토메이트, 재피어 통합 등). 엑셀 정리나 메시지 발송 같은 반복 업무 자동화를 떠올려 보세요. 2. 대화형 에이전트: 자연어 인터페이스로 사용자와 상호작용하는 챗봇/고객지원 에이전트입니다. 대화 관리, 의도 인식에 최적화되어 있습니다. 고객지원 플랫폼의 가상 비서 등이 대화형 에이전트에 포함됩니다. 3. 리서치 에이전트: 정보 수집, 통합, 요약을 수행합니다. 문서, 지식 베이스, 웹을 스캔해 구조화된 출력을 제공하여 분석 정보를 생성합니다(예: 퍼플렉시티 AI, 엘리싯 등). 4. 분석 에이전트: 구조화 데이터를 해석해 인사이트, 대시보드, 리포트를 생성합니다(예: 파워BI 코파일럿, 글린 등). 복잡한 숫자 데이터를 그래프와 인사이트로 바꿔주는 것이라 생각하면 되겠네요. 5. 개발 에이전트: 코딩 보조 도구로 코드 생성, 리팩터링, 해설 등을 돕습니다(예: 커서, 윈드서프, 깃허브 코파일럿 등). 6. 도메인 특화 전문가 에이전트: 법률(예: 하비), 의료(예: 히포크라틱 AI), 금융 등 전문 영역에 맞게 튜닝되어 도메인 지식과 구조화된 워크플로를 결합해 전문가 수준의 지원을 제공합니다. 7. 브라우저 활용 에이전트: 사람처럼 직접 웹사이트를 돌아다니며 정보를 클릭하고 입력합니다. 더 인포메이션 기사에서는 언급하지 않았지만 음성 에이전트와 비디오 에이전트의 활용도 크게 증가할 것으로 전망됩니다. 8. 음성 에이전트: 목소리로 고객지원, 예약, 실시간 주문 처리 등에서 대화형 자동화를 구현합니다. 9. 비디오 에이전트: 립싱크 음성, 표정, 제스처를 갖춘 아바타 기반 영상 응답을 제공합니다. 영업, 교육, 온보딩, 마케팅 등에서 대규모 개인화 영상 상호작용을 가능하게 합니다. 그 밖에도 에이전트의 수와 종류는 빠르게 늘고 있습니다. AI 기술이 발전할수록 새로운 형태의 에이전트는 계속 등장할 것으로 생각됩니다. 구체적인 에이전트 활용 사례 여기까지 개념적으로 에이전트에 대해 살펴봤는데요. 단순히 기술에 대한 이해와 개념 설명 만으로 에이전트가 어떤 것인지 쉽게 상상이 되지 않을 수도 있겠습니다. 구체적으로 산업에 적용하면 어떤 모습이 될지 예시로 살펴봅시다. - 고객지원 에이전트: 빈번한 문의 처리, 환불, 주문 업데이트, 복잡한 이슈의 인계 등을 쉬지 않고 수행해 만족도 향상과 비용 절감을 동시에 달성- 금융 서비스 에이전트: 계정 관리, 대출 처리, 사기 탐지, 포트폴리오 정리 등을 통해 보안 강화와 운영 효율 증대- 의료 접수, 분류 에이전트: 신규 환자 등록, 보험 확인, 증상 기반 우선순위 결정, 예약, 의무기록, 의뢰 관리로 워크플로 효율과 결과 개선- IT 헬프데스크 에이전트: 접근 권한 관리, 네트워크/시스템 문제 해결, 업데이트 배포, 보안 사고 대응, 사례 전달 등으로 생산성 향상- 법률 문서 검토 에이전트: 계약 검토, 리서치, 접수, 충돌 검사, 디스커버리 관리, 컴플라이언스 확인, 손해액 계산, 마감일 추적 등 정확도와 효율 강화- 보안 운영센터(SOC) 분석 에이전트: 경보 조사, 위협 인텔 수집, 로그 질의, 사고 분류, 격리, 팀 업데이트로 대응 속도와 보안 태세 강화- 공급망, 물류 에이전트: 재고 최적화, 선적 추적, 공급업체 평가, 창고 협업, 수요 예측, 장애 대응, 규정 준수 관리 등으로 글로벌 네트워크의 회복력과 효율 제고 자율 에이전트의 범용성은 산업 전반에 수많은 가능성을 열어 줍니다. 고객지원부터 개인 지원, 법률, 광고에 이르기까지 광범위한 잠재력을 가지고 있는데요. 보다 복잡한 작업이 가능한 에이전트를 이제 어디에 적용할지 고민해야 할 시점입니다. 오늘날 인공지능으로 인한 변화의 물결이 매우 거셉니다. 남들보다 조금 더 빨리, 지금 그 변화에 올라타 보는 것은 어떨까요. 결국에는 맞닥뜨려야 할 현실이 될테니까요. 이 글은 <AI 에이전트 엔지니어링> 도서 내용 일부를 발췌 편집하여 작성되었습니다. AI 에이전트에 대한 보다 깊이 있는 정보는 하기 책에서 만나볼 수 있습니다. 쉽게 설명한다고 했지만, 아직까지는 내용도 그렇고 AI 에이전트를 구축한다는 것이 그렇게 쉬워보이지는 않습니다. 일단 간단히라도 만들어 보면서 AI 에이전트를 경험해 보고싶다면 <조코딩의 랭체인으로 AI 에이전트 서비스 만들기> 도서를 살펴보시는 것도 도움이 되겠습니다. 『AI 에이전트 엔지니어링』

[에디터 컬럼] AI가 내 밥그릇을 뺏는다는 환상에 대하여: 2026년, 일 잘하는 사람들의 생존법

최근 직장인들이 모여 커피를 마실 때면 으레 하는 농담이 있습니다. "아, 내 일도 AI가 알아서 해주고, 나는 가만히 앉아서 월급만 받았으면 좋겠다." 그러다 막상 새로운 AI 기술이 나왔다는 뉴스가 쏟아지면 덜컥 겁을 냅니다. 진짜로 내 자리가 없어지는 건 아닐까 하고 말이죠. 하지만 2026년 현재, 우리가 발을 딛고 있는 현실은 SF 영화 속 디스토피아와는 조금 거리가 있습니다. 데이터가 말해주는 현실: 대량 실업은 오지 않았다? 26년 상반기, 미국 월스트리트의 큰손인 시타델증권이 재미있는 보고서(26년 2월 24일, The 2026 Global Intelligence Crisis)를 하나 냈습니다. 시장에 퍼진 'AI 공포'가 사실은 꽤 과장됐다는 내용입니다.보고서가 지적하는 건 아주 현실적인 '물리적 한계'였습니다. 회사에 있는 모든 화이트칼라 직원의 업무를 AI로 돌리려면, 지금보다 수십 배 많은 반도체와 어마어마한 전기가 필요하다는 거죠. 토큰 비용도 무시할 수 없고요. 결국 AI를 굴리는 비용이 사람에게 주는 월급보다 비싸지는 선이 있을테고, 기업은 그 선을 넘으면서까지 무리하게 AI를 도입하지 않는다는 겁니다. 실제 지표도 그렇습니다. 2026년 2월 미국의 실업률은 4%대로 평온해 보입니다. AI가 당장이라도 대체할 것 같았던 소프트웨어 개발자 구인 공고는 오히려 1년 전보다 11% 늘었다고 하고요. 기계가 일자리를 없애는 게 아니라, 기계 덕분에 단순 업무의 효율이 높아지면서 새로운 수요와 가치가 창출되는 '긍정적 공급 충격'이 발생하고 있는 것으로도 받아들일 수 있겠습니다. 코로나 시기에 과다하게 뽑은 개발 인력을 AI 시대의 도래라는 핑계를 가져다 붙여서 해결하려 한다는 ‘AI 워싱’이라는 단어가 들려오기도 합니다. 대화하는 AI의 시대는 끝, 이제는 '행동' 물론 국내와 해외의 상황은 시각에 따라, 환경 차이에 따라 받아들이는 데 차이가 있을 수는 있습니다. 일례로 하버드대와 골드만삭스는 AI가 신입사원의 단조로운 지식 업무를 집어삼키면서 기업들의 채용이 급감하고 커리어 사다리의 첫 단이 완전히 끊어졌다고 한국의 상황을 진단하기도 했거든요. 그와 별개로, 시타델증권의 보고서를 통해 주목할 문제는 일자리가 통째로 날아가는 게 아니라, 일하는 '방식'이 송두리째 바뀌고 있다는 관점의 변화라고 생각합니다. 우리는 그동안 엑셀의 셀을 맞추고, 메일을 분류하고, 자료를 찾아 복사하고 붙여넣는 일들을 '업무'라고 믿어왔습니다. 하지만 최근 판교나 여의도에서 일 좀 한다는 사람들 사이에서 자주 오르내리는 단어들을 보면 생각이 조금은 달라집니다. 바로 '오픈클로(OpenClaw)'나 '클로드 코워크(Claude Cowork)' 같은 것들이죠. 이전의 챗GPT가 화면 너머에서 번지르르한 말들을 꺼내 놓는 훈수꾼이었다면, 새로운 친구들은 뭔가 좀 다르긴 합니다. 내 컴퓨터에 들어와서 직접 마우스를 쥐고 흔들기도 하고, 키보드를 다다다닥(?) 두드리기도 합니다. 폴더를 열고, 파일을 만들고, 메일을 알아서 보냅니다. 네, 단순 노동의 시대가 저물고 있는 셈이죠. 새로운 시대에 대한 불안(?)에서 탈출하는 현실적인 방법 이쯤 되면 어떤 직장인들은 계산이 섰을 수도 있겠습니다. "AI가 내 일을 뺏을까?"라며 떨고 있을 시간에, "이 똑똑한(!) 녀석들에게 잡무를 떠넘기자"라고 생각하는 게 외려 남는 장사라는 걸요. 다행히 당장 내일부터 내 컴퓨터에 AI 비서를 출근시킬 수 있는 아주 친절한 실무 매뉴얼 두 권이 눈에 띕니다. 최근 베스트셀러에 자주 보이는 데는 그만한 이유가 있죠. 내 컴퓨터에 24시간 상주하는 집사 들이기: 『오픈클로 with GPT, 제미나이, 클로드』아침마다 업무 관련 뉴스를 싹 정리해서 브리핑해주고, 쏟아지는 이메일을 알아서 쳐내는 일. 누군가 대신 좀 해줬으면 싶다? 이 책은 코딩을 전혀 모르는 사람도 내 컴퓨터에 'AI 에이전트'를 세팅하는 법을 알려줍니다. 새 팀원에게 일을 가르치듯 성격을 정해주고 규칙만 입력해 두면 끝. 책을 덮을 때 쯤이면 묵묵히 내 잡무를 처리해 주는 든든한 동료가 생깁니다. 스마트폰 메시지로 원격에서 일처리가 가능한 인공지능이라니, 구미가 당기네요. 복붙의 현타에서 벗어나는 레알 자동화: 『클로드 코워크 with 스킬, 플러그인』"이 폴더에 있는 엑셀 파일들 싹 다 분석해서 워드로 보고서 하나 뽑아줘." 나에게 이런 지시가 떨어질까 무섭네요. 그런데 이 책에서는 이런 지시를 현실로 만드는 방법을 알 수 있습니다. 여태껏 AI가 짜준 답변을 다시 워드나 PPT에 복사해 넣으며 묘한 허무함을 느꼈다면, 당장 이 책을 주목하세요. AI가 내 폴더에 직접 들어가 문서를 만들고 다듬어주는, 업무 자동화의 신세계를 경험할 수 있습니다. 살아남는 자는 누구인가 기계가 인간을 완전히 대체하는 세상은 아직 오지 않았습니다. 하지만 이것 하나는 확실합니다. 내년 이맘때 쯤이면, AI를 비서로 부리며 가벼운 발걸음으로 퇴근하는 사람과, 여전히 엑셀과 씨름하며 야근하는 사람의 격차는 도저히 좁힐 수 없을 만큼 벌어져 있을 수 있다는 사실. 하지만 불안해 할 이유는 없습니다. 나의 책상머리에 AI라는 유능한 신입사원을 앉히는 다양한 도구와 방법들이 속속 공개되고 있니까요. 앞서 소개한 두 권의 책을 포함하여, 새로운 시대에 당신만을 위한 인공지능 근로계약서가 되어줄 다양한 기술들과 사용 사례들이 매일 같이 쏟아지고 있는 오늘입니다. 그러니까 이제와서 뭘… 이미 늦은 거 아냐, 라고 생각할 필요가 전혀 없다는 사실. (저도 이제부터 좀더 깊이 들어가 보려고 하거든요.) 지금 변화를 인지한 것 자체가, 무척 빠른 거라고 생각합니다. 이제는 변화에 올라탈 차례입니다. 그렇게 한걸음 나아가는 당신을 응원하겠습니다. 화이팅!이라고 말이죠. 일하는 AI와 업무 자동화 FAQ Q1. AI 기술이 발전하면 정말 제 일자리가 사라지나요? A. 그렇지 않습니다. 미국 시타델증권(Citadel Securities)에서 2026년에 발표한 분석 자료에 따르면, 컴퓨터를 가동하는 반도체와 에너지 비용 등 현실적인 물리적 한계로 인해 기업이 인간을 100% AI로 대체하는 것은 불가능합니다. 오히려 AI가 단순 반복 업무를 처리하면서 생산성이 높아져, 새로운 수요와 일자리가 창출되는 '긍정적 공급 충격'이 발생하고 있습니다. Q2. 기존에 쓰던 챗GPT와 요즘 뜨는 '오픈클로', '클로드 코워크'는 무엇이 다른가요? A. 가장 큰 차이는 '행동'입니다. 기존 대화형 AI가 질문에 답변만 해주는 형태였다면, 오픈클로와 클로드 코워크 같은 'AI 에이전트'는 사용자의 컴퓨터 폴더에 직접 접근해 파일을 열고, 엑셀 데이터를 분석하고, 워드 문서를 만들며, 이메일을 보내는 등 직접적인 '작업'을 수행합니다. 복사하고 붙여넣는 수작업이 필요 없어집니다. Q3. 코딩을 전혀 모르는 비개발자도 이 도구들을 실무에 쓸 수 있나요? A. 네, 가능합니다. 『오픈클로 with GPT, 제미나이, 클로드』와 『클로드 코워크 with 스킬, 플러그인』 두 권 모두 코딩 지식이 없는 일반 직장인을 타깃으로 쓰였습니다. 일상적인 언어(자연어)로 지시사항을 내리고, 클릭 몇 번으로 외부 서비스(노션, 구글 드라이브 등)를 연결하는 방법을 단계별로 따라하며 체화할 수 있습니다. Q4. 제 업무에 당장 AI 비서를 도입하고 싶은데, 어떤 책을 선택해야 할까요? A. 원하시는 자동화의 목적에 따라 선택하면 됩니다.매일 아침 뉴스를 알아서 수집해 브리핑해주고 이메일을 자동 분류해 주는 나만의 24시간 백그라운드 비서가 필요하다면『오픈클로 with GPT, 제미나이, 클로드』엑셀 데이터를 바탕으로 PPT나 워드 보고서를 만들고, 회의록을 정리하는 등 파일/문서 작업의 늪에서 탈출하고 싶다면『클로드 코워크 with 스킬, 플러그인』이 적합하겠네요.오픈클로와 클로드 코워크를 비교해서 살펴본 내용은 여기에 좀더 자세히 정리되어 있으니 참고해도 좋겠습니다. by 에디터 오티엘 : PC 부품에 열광하던 시절, 하드웨어 막내 기자로 시작해 이제는 복잡한 IT 생태계를 조망하는 콘텐츠 제작자로 살고 있습니다. 보안, 네트워크, 소프트웨어까지 15년간 축적된 넓고 깊은 오지랖으로 IT 뉴스레터와 트렌드 컬럼, 정보성 콘텐츠를 기획하고, 만들고, 알립니다. 채널 H에서는 지금 바로 딱 현재 우리에게 필요한 IT 트렌드와 그 깊이를 더해줄 지식을 연결하는 지식 큐레이터로 흥미로운 정보를 만들고 전합니다.

n8n으로 구글 생태계 지배하기 : 지메일 & 구글 드라이브 & 구글 캘린더

업무를 하다 보면 단순히 시간만 드는 반복 업무를 피할 수 없을 때가 있습니다. n8n의 자동화 과정은 이 불필요한 시간을 대폭 줄여 여러분의 퇴근 시간을 앞당겨 줄 것입니다. 혹시 ‘자동화는 해본 적도 없는데 나도 할 수 있나?’라는 의구심이 드나요? 또는 엄청난 기획력과 아이디어가 있어야만 자동화가 가능할 것 같다는 막연한 불안감이 드나요? 걱정하지 마세요. n8n은 누구나 쉽게 쓸 수 있습니다. n8n으로 어떤 일을 자동화하는지 그리고 얼마나 효율적인지, 지금부터 n8n으로 구글 생태계의 3가지 핵심 서비스인 지메일, 구글 드라이드 그리고 구글 캘린더를 활용한 업무 자동화 사례를 살펴보겠습니다. ① 특정 키워드가 포함된 새 메일 도착 시 알림 보내기 메일함을 계속 확인하지 않아도 중요한 메일이 오는 즉시 알림을 받을 수 있다면 무척 편리할 것입니다. 이 워크플로는 새 메일의 제목을 검사해서 “문의”라는 키워드가 포함된 메일만 카카오톡으로 알림을 보냅니다. Gmail Trigger로 새 메일을 감지하고, Code 노드로 메일 정보를 정리한 후, IF 노드로 키워드를 검사해 카카오톡으로 알림을 보내고 읽음 처리하는 5단계 구조입니다. 한 번 만들어 두면 메일함을 계속 보지 않아도 중요한 메일(문의, 견적, 클레임 등)이 오면 즉시 카카오톡으로 알림을 받을 수 있습니다. 같은 메일이 반복 알림되지 않도록 읽음 처리까지 자동으로 해주죠. 고객 문의, 견적 요청, 승인 요청 등 즉시 확인해야 하는 메일을 놓치지 않고, 전체 메일이 아닌 키워드가 있는 중요한 메일만 골라서 알릴 수 있습니다. • n8n 노드 구조: 메일 감지 → 정보 정리 → 키워드 검사 → 알림 전송 → 읽음 처리 특정 키워드가 포함된 새 메일 도착 시 알림 보내기 • 워크플로 실행 화면내 카카오톡 채팅 방으로 특정 키워드가 포함된 메일 알림만 도착! ② 파일 업로드만 하면 구글 드라이브에 자동 정리하기 매일 수집되는 엑셀 파일을 날짜별로 정리하는 일은 번거롭습니다. 이 워크플로는 파일을 업로드하면 구글 드라이브에 '오늘 날짜(YYYY-MM-DD)' 폴더를 자동으로 만들고 그 안에 파일을 저장합니다. Form Trigger로 파일을 받고, Edit Fields로 날짜와 폴더 정보를 준비한 후, Google Drive 노드로 폴더를 생성하고 파일을 업로드하는 5단계 구조입니다. 한 번 만들어 두면 파일을 받고, 폴더를 만들고, 업로드하는 과정을 일일이 직접 하지 않아도 됩니다. 매일 수집되는 정산 데이터, 매출 리포트, 고객 제출 파일 등을 날짜별로 자동 정리할 수 있습니다. 팀에서 파일을 받을 때 "폴더 어디에 넣어야 하지?" 같은 실수를 줄이고, 간단한 제출 시스템으로도 활용할 수 있습니다. • n8n 노드 구조: 파일 업로드 → 정보 준비 → 폴더 생성 → 데이터 합치기 → 파일 저장 • 워크플로 실행 화면 원하는 엑셀 파일을 업로드하면 구글 드라이브에 쏙! ③ 내 캘린더를 관리해주는 일정 비서, AI 에이전트 만들기 일정을 확인할 때마다 캘린더 앱을 열어 일일이 찾아 보는 대신 "내일 일정 있어?"라고 채팅 창에 입력하면 알아서 일정을 찾아 주는 나만의 AI 비서가 있다면 편할 것입니다. 이 워크플로는 채팅으로 질문하면 AI가 스스로 구글 캘린더를 조회해서 답해주는 AI 에이전트를 만듭니다. 에이전트란 사람처럼 스스로 판단해서 필요한 도구를 선택하고 실행하는 AI를 말합니다. 예를 들어 "내일 회의 있어?"라고 물으면 AI가 알아서 캘린더를 열어 확인하고, "오후만 보여 줘"라고 하면 결과를 다시 필터링해서 보여 주는 식입니다. 일반 자동화는 내일 일정 조회, 다음 주 일정 조회 같은 상황별 노드를 미리 다 만들어야 하지만, AI 에이전트는 사용자가 어떤 방식으로 물어봐도 스스로 판단해 필요한 도구를 선택하고 실행합니다. 좀 더 똑똑하게 일정을 관리해주는 나만의 AI 비서를 만드는 셈이죠. • n8n 노드 구조: 채팅 시작 → AI 판단 → 답변 생성 → 대화 기억 → 도구 실행 내 구글 캘린더를 기반으로 일정 보고하는 AI 비서 완성 n8n의 자동화 세계는 어떤 도구를 연결하느냐에 따라 무궁무진합니다. Memory의 Context Window Length를 늘리면 더 긴 대화를 기억하고, 여러 개의 Tool을 연결하면 복잡한 작업을 한 번에 처리하는 만능 비서로 확장할 수 있습니다. 예를 들어 Gmail Tool을 추가하면 "중요한 메일 있어?"라는 질문에도 답할 수 있고, HTTP Request Tool을 추가하면 날씨나 뉴스도 검색할 수 있습니다. 위 내용은 『일머리를 설계하는 AI 워크플로 with n8n』의 내용을 재구성하여 작성하였습니다. 지금까지 우리는 누구나 쉽게 쓸 수 있는 n8n으로 할 수 있는 마법 같은 일들을 사례별로 살펴보았습니다. 이 외에도 수많은 일들을 『일머리를 설계하는 AI 워크플로 with n8n』으로 진행할 수 있습니다. 이 책에서 만드는 워크플로를 차근차근 함께 완성하고 나면 여러분은 이런 능력을 얻게 됩니다. • 더 이상 반복 업무에 시간을 낭비하지 않습니다.• 마우스 클릭만으로 원하는 워크플로를 직접 만듭니다.• n8n이라는 강력한 도구를 자유롭게 사용할 수 있게 됩니다.• 노코드 도구를 이해하고, 다른 도구도 쉽게 익힐 수 있게 됩니다.• 새로운 업무 방식에 대한 자신감이 생깁니다. 자, 이제 누구나 가능한 n8n을 활용한 워크플로 자동화를 시작해볼까요?

AI 프로덕트 10년의 큰 그림, ImageNet (이미지넷) 에서 하네스 엔지니어링까지

어느덧 AI 업계에서 10년이 넘는 시간을 보냈습니다. 학부 시절 ImageNet (이미지넷) 논문을 넘기며 시작된 이 여정은 딥러닝과 MLOps를 지나, 프롬프트 엔지니어링을 거쳐 이제는 에이전트의 시대로 접어들었습니다. 돌이켜보면 2~3년마다 판이 완전히 뒤집히는 격변의 연속이었습니다. 그때마다 ‘이번엔 진짜 다르다’는 말이 들려왔고 실제로 매번 달랐습니다. 그런데 요즘 현장에서 유독 자주 들려오는 단어가 있습니다. 바로 ‘하네스 엔지니어링(Harness Engineering)’입니다. 대중에게는 아직 생소한 개념일 수 있습니다. 하지만 10년 넘게 이 업계의 변곡점을 지켜봐 온 저에게는, 이 용어야말로 지금의 AI 산업을 관통하는 가장 핵심적인 키워드로 읽힙니다. 이토록 생소한 단어가 왜 지금 우리에게 필요한 화두가 된 걸까요? 그 답은 역설적이게도 AI가 너무 ‘똑똑해졌기’ 때문입니다. ChatGPT를 써본 분이라면 한 번쯤 이런 경험이 있을 겁니다. 분명 놀라울 정도로 영리한 대답을 하다가도, 문득 맥락을 놓치거나 틀린 정보를 너무나 확신에 찬 목소리로 내뱉곤 하죠. 개인이 쓸 때는 “아, 다시 물어봐야지”하고 웃으며 넘길 수 있는 해프닝입니다. 하지만 이 기술이 기업의 핵심 서비스에 ‘이식’되는 순간, 이야기는 완전히 달라집니다. 고객 응대 챗봇이 잘못된 약관을 안내하거나, 데이터 분석 AI가 숫자를 오독한다면 어떻게 될까요? 비즈니스 세계에서 AI의 작은 실수는 곧 돌이킬 수 없는 사고이자 비용이 됩니다. 결국 문제는 ‘지능’ 그 자체가 아니라 ‘통제’에 있습니다. 아무리 천재적인 인재라도 명확한 가이드라인이 없으면 조직에 혼란을 주듯, 제어되지 않은 AI의 지능 역시 위험 요소가 될 뿐입니다. 바로 이 지점에서, 날뛰는 인공지능에 단단한 고삐를 채우는 ‘하네스 엔지니어링’의 필요성이 시작됩니다. 천재에게도 가이드라인이 필요하다 ‘하네스(Harness)’라는 단어를 들으면 무엇이 떠오르시나요? 암벽등반을 할 때 몸에 거는 안전장치나 마차에서 말을 제어하기 위한 고삐를 떠올리면 이해가 빠릅니다. 형태는 달라도 핵심은 같습니다. 강력한 힘을 가진 존재가 안전하게, 그리고 원하는 방향으로 움직이도록 붙들어주는 장치입니다. 하네스 엔지니어링은 AI에게 바로 이 장치를 달아주는 일입니다. AI 모델이라는 강력한 엔진이 조직의 규칙과 목표라는 궤도를 이탈하지 않고 작동하도록 정교한 시스템을 설계하는 것이죠. 비유를 하나 더 들어볼까요. F1 경주차를 떠올려보세요. 엔진이 아무리 강력해도 차체와 서스펜션, 브레이크 시스템이 뒷받침되지 않으면 경주 자체가 불가능합니다. 트랙을 벗어나거나 코너에서 전복될 것이 뻔하기 때문입니다. 여기서 AI 모델이 ‘엔진’이라면, 하네스는 그 엔진을 감싸는 ‘차체 전체’입니다. 엔진의 폭발적인 힘을 100% 발휘하되, 차를 트랙 위에 머물게 해주는 것. 그것이 하네스 엔지니어링의 본질입니다. 하네스가 AI를 다루는 세 가지 방식 구체적으로 하네스는 세 가지 역할을 합니다. ❶ AI가 읽을 수 있는 형태로 지식을 정리합니다. 사람은 슬랙 메시지, 노션 문서, 회의록 등에 흩어진 정보를 맥락으로 파악하지만, AI에게는 가공되지 않은 데이터일 뿐입니다. 게다가 AI는 대화를 새로 시작할 때마다 기억이 리셋되는 영화 <메멘토>의 주인공과 같습니다. 하네스는 AI가 매번 새로 시작하더라도 반드시 지켜야 할 규칙과 맥락을 코드 저장소 안에 구조화된 문서로 정리해둡니다. ❷ 복잡한 작업을 단계별로 쪼개줍니다. AI에게 ‘이 앱 전체를 만들어줘’라고 요청하면 높은 확률로 중간에 길을 잃습니다. 마치 요리 초보에게 ‘코스 요리를 만들어’라고 주문하는 것과 같죠. 하네스는 이 막막한 작업을 ‘재료 확인 → 레시피 구성 → 단계별 조리’로 세분화합니다. 조사, 계획, 실행의 논리적 흐름을 강제하여 성공 확률을 높이는 것입니다. ❸ AI가 스스로 자기 작업을 검토하게 만듭니다. 사람도 자기가 쓴 글에서 오타를 잘 못 찾듯, AI 역시 자신의 결과물을 과대평가하는 경향이 있습니다. 그래서 하네스는 작업을 수행하는 AI와 그 결과를 검증하는 AI를 철저히 분리합니다. 한 AI가 코드를 짜면, 다른 AI가 그 코드를 실제로 실행해보고 문제를 찾아 돌려보냅니다. ‘글을 쓰는 사람’과 ‘교정을 보는 사람’을 따로 두어 완성도를 높이는 원리입니다. 20분의 껍데기 vs 6시간의 실체: 완성도를 결정짓는 한 끗 지금 AI 업계의 가장 큰 변화는 모델이 단순히 질문에 답하는 수준을 넘어, 실제로 ‘일’을 하기 시작했다는 점입니다. 코드를 짜고 이메일을 쓰고 데이터를 분석하고 디자인을 만듭니다. 이런 AI를 ‘에이전트’라고 부릅니다. 에이전트가 제 몫을 다하려면 모델의 지능만으로는 부족합니다. 조직의 규칙을 이해하고, 정해진 절차를 따르고, 실수를 스스로 잡아낼 줄 알아야 합니다. 이 모든 것을 가능하게 하는 설계가 바로 하네스 엔지니어링입니다. 앤트로픽에서 최근 공개한 실험이 이를 잘 보여줍니다. 똑같은 AI 모델에게 ‘2D 레트로 게임 메이커를 만들어줘’라고 시켰을 때 하네스 없이 혼자 작업한 AI는 20분 만에 겉보기에 그럴듯한 결과물을 내놓았지만 실제로 게임을 플레이하면 작동하지 않았습니다. 반면 하네스를 장착한 AI는 6시간에 걸쳐 계획을 세우고, 기능을 하나씩 구현하며, 교차 검증을 거친 끝에 실제로 플레이 가능한 게임을 완성해냈습니다. 결국 속도보다 중요한 것은 ‘완성도’이며, 그 완성도를 결정짓는 차이가 바로 하네스에 있습니다. ImageNet이 끝이 아니었듯, 하네스도 여정의 일부일 뿐이다 저는 이 개념이 중요하다고 믿지만, 동시에 이것이 AI의 전부라고 말하고 싶지는 않습니다. 10년 전 ImageNet이 전부가 아니었듯, 지금의 하네스 엔지니어링도 더 큰 흐름의 한 장면입니다.저와 두 명의 저자가 함께 쓴『AI 프로덕트는 어떻게 만들어지는가』는 바로 이 큰 흐름을 그리는 책입니다. AI 기술이 어떻게 발전해왔는지, 그 기술로 프로덕트를 만든다는 것은 어떤 판단과 결정의 연속인지, 그리고 지금 이 순간 현장에서 무엇이 중요한지를 10년간의 경험을 바탕으로 담았습니다. 하네스 엔지니어링은 그 여정의 현재 좌표입니다. 그리고 이 좌표가 어디로 이동할지는 아무도 모릅니다. 다만, 지금까지의 궤적을 이해하면 다음 방향을 가늠할 수 있는 감각은 생깁니다. 이 책이 그 감각을 만드는 데 도움이 되었으면 합니다. 류인태

[한눈에 보는 AI 반도체 산업] AI를 이해하려면 왜 반도체부터 봐야 할까요?

요즘 AI 이야기를 듣지 않는 날이 거의 없습니다.ChatGPT, 생성형 AI, 자동화, 에이전트까지.세상이 빠르게 바뀌고 있다는 사실은모두가 체감하고 있습니다.그런데 한 가지 흥미로운 점이 있습니다.우리는 AI를 ‘서비스’로만 이해하고 있다는 점입니다.사실 AI는 단순한 소프트웨어가 아닙니다.ChatGPT를 떠올려 볼까요?우리는 화면 속에서 자연스럽게 생성되는 답변을 보게 됩니다.하지만 그 뒤에서는 수천억 개의 파라미터가 동시에 계산되고 있습니다. 그리고 그 계산은 반도체 위에서 이루어지죠. AI는 결국 다음과 같은 구조로 작동합니다.❶ 연산칩이 계산을 수행하고,❷ 메모리가 데이터를 공급하며,❸ 패키징이 이들을 연결하고,❹ 제조 공정이 이를 만들어내고,❺ 데이터센터가 이를 실제로 구동합니다.이 모든 요소는 하나의 흐름으로 연결되어 있습니다.그런데 우리는 왜 이 구조를 보지 못할까요?뉴스를 보면 다음과 같은 이야기들이 반복됩니다.“엔비디아 급등”“TSMC 사상 최대 실적”“SK하이닉스 HBM 공급 부족”기업 이름은 넘쳐나지만 정작 그 이면의 구조는 잘 보이지 않습니다. 그래서 자연스럽게 이런 질문이 생깁니다.“엔비디아는 왜 그렇게 높은 가치를 인정받을까?”“TSMC는 왜 압도적인 지위를 가지고 있을까?”“HBM은 어떻게 쓰이는 거길래 이렇게 수요가 많을까?”문제는 지식의 부족이 아니라 전체 그림이 보이지 않는 데 있습니다.많은 사람들이 반도체를 CPU, GPU 같은 개별 칩 중심으로 이해합니다. 하지만 AI 반도체는 ‘부품’이 아니라 ‘흐름’에 가깝습니다.연산칩 → 메모리 → 패키징 → 파운드리 → 장비 → 데이터센터 → 클라우드이 흐름 중 하나라도 끊기면 AI는 정상적으로 작동할 수 없습니다. GPU(그래픽 처리 장치)로 간단한 예를 들어보겠습니다.아무리 뛰어난 GPU가 있더라도메모리가 이를 따라가지 못하면 어떻게 될까요?GPU는 제 성능을 내지 못한 채 대기하게 됩니다.또한 또한 아무리 칩 성능이 좋아도 패키징 구조가이를 제대로 연결하지 못하면 전체 성능은 크게 떨어지죠.설계가 아무리 훌륭해도 생산 공정이 이를 구현하지 못한다면 그 기술은 실제로 존재하지 않는 것과 같습니다.지금 AI 반도체 시장의 경쟁은 단순하지 않습니다.“누가 더 좋은 칩을 만드는가”의 문제가 아니라“누가 더 많은 구조를 장악하는가”의 문제입니다.그 결과 다음과 같은 흐름이 나타납니다. 얼핏 보면 개별 기업 간의 경쟁으로 보일 수 있지만, 실제로는 생태계 주도권 경쟁에 가깝습니다. 투자 관점에서 보면 더 명확해집니다. 많은 사람들이AI = 엔비디아, AMD 투자라고 생각합니다. 그러나 실제로는 다음과 같이 바라보는 것이 더 정확합니다.AI = 가치사슬 전체에 대한 이해왜냐하면 GPU는 엔비디아가 만들고, 메모리는 삼성전자와 SK하이닉스가 공급하며, 생산은 TSMC가 담당하고, 운영은 AWS와 같은 클라우드 기업이 수행하기 때문입니다. 즉, 하나의 기업만으로는 AI 산업 전체를 이해하기 어렵습니다. AI 반도체는 개별 기술보다 전체 흐름으로 볼 때 더 잘 이해됩니다.앞으로 연산칩 → 메모리 → 패키징 → 파운드리 → 데이터센터로 이어지는 흐름을 하나의 연결된 시스템으로 설명하고자 합니다 (더 자세한 내용은 책 『한눈에 보는 AI 반도체 산업』에서 확인하실 수 있습니다).AI 반도체는 단순한 기술이 아니라 구조를 이해해야 하는 산업입니다. 이 구조를 이해하면 뉴스의 맥락이 보이고, 기업 간 관계와 시장 흐름이 훨씬 선명하게 읽히기 시작할 겁니다.다음 이야기이제 가장 중요한 질문으로 넘어갑니다.👉 AI의 ‘두뇌’는 무엇일까요?왜 CPU는 한계를 드러냈고,GPU가 AI 시대의 중심이 되었을까요?그리고 NPU와 ASIC은 왜 등장하게 되었을까요?다음 글에서는 AI 시대의 핵심인 연산칩의 구조와 경쟁을 다루겠습니다.위 글은 『한눈에 보는 AI 반도체 산업』 내용을 재구성하였습니다.네이버 카페 <미국 주식이 미래다> (미주미)의 인기 필진이기도 한 MrTrigger 저자가 쓴 책 『한눈에 보는 AI 반도체 산업』은 초보자도 쉽게 이해할 수 있는 반도체 이야기로, 시장과 산업의 흐름 전반을 이해할 수 있도록 구성하였습니다.연산칩(GPU), 메모리, 패키징, 파운드리, 데이터 센터, 클라우드 그리고 최종 도착지인 소프트웨어까지 이어지는 밸류체인 (가치사슬)을 따라가며 AI 반도체 산업을 하나의 거대한 생태계로 익힐 수 있는 도서입니다.기존 반도체 책들이 개별 기술이나 특정 영역에 집중했다면 이 책은 숲을 먼저 보여준 뒤 나무를 이해하게 만듭니다. 덕분에 뉴스에서 말하는 기업과 기술이 서로 어떻게 연결되어 있는지 자연스럽게 이해할 수 있습니다.특히 투자 관점에서 중요한 병목 지점과 산업의 권력 이동을 중심으로 설명한다는 점에서 단순한 지식 전달을 넘어 실질적인 인사이트를 제공합니다.AI를 움직이는 진짜 힘이 어디에서 만들어지고, 누가 그 길목을 쥐고 있는지 알고 싶은 모든 독자에게 현실적인 출발점이 되어줄 것입니다.

하루 30분, 평범한 직장인이 AI로 월 880만 원 만든 방법

월 20만 원부터 880만 원까지, ‘찐 AI 수익화’ 경험을 소개합니다 요즘 AI로 쉽게 돈을 벌었다는 무용담이 넘쳐납니다. 하지만 저는 화려한 성공담 대신 조금 더 현실적인 이야기를 하려 합니다. 천재 개발자의 성공담도, 단기간에 수천만 원을 번 이야기들도 아닙니다. 그저 조금 더 치열하게 고민하고, 조금 더 빠르게 움직여 본 평범한 직장인의 실제 경험을 바탕으로 이야기해 보려 합니다. <하루 30분, 나는 제미나이로 돈을 번다> 저자 김민규 혹시 지금 ‘나는 작가도, 전문직도, 개발자도 아닌데 뭘 팔 수 있겠어?’라고 생각하고 있나요? 단언컨대 누구나 이미 차고 넘칠 만큼의 자산을 가지고 있습니다. 우리는 흔히 전문성이라고 하면 의사, 변호사 같은 직업이 가진 전문 지식만 떠올립니다. 하지만 AI 시대에는 단순 지식보다 더 귀한 것이 바로 ‘고유한 경험’입니다. AI는 전 세계의 모든 요리법을 알고 있지만, ‘입맛 까다로운 내 아이가 밥 한 그릇 뚝딱 비우게 만든 엄마의 비법’은 모릅니다. AI는 모든 운동 이론을 알고 있지만, ‘무릎 부상을 이겨내고 마라톤을 완주한 러너의 생생한 재활 기록’은 모릅니다. 잘 생각해 보세요. 여러분의 삶에도 남들보다 조금 더 잘 알거나, 더 깊이 경험해 본 무언가가 반드시 있습니다. [여러분의 지식] + [AI의 생산성] = [지식 자산(수익)] 자취 10년 차가 알려주는 1주일 5만 원 장보기 팁, 쌍둥이 육아로 다져진 현명한 부모의 노하우, 프로 여행러의 후회 없는 여행 준비하는 법… 사소해 보일지라도 이 모든 것이 누군가에게는 돈을 주고 배우고 싶은 소중한 정보이자, 훌륭한 지식재산이 됩니다. 과거에는 이런 경험을 책이나 강의로 만들려면 많은 시간과 비용이 들었습니다. 글솜씨도 있어야 했고 편집 기술도 필요했습니다. 하지만 지금은 AI가 있습니다. 여러분은 경험만 제공하세요. 그것을 다듬고, 포장하고, 상품으로 만드는 일은 AI가 도와줄 것입니다. 저는 저만의 경험을 전자책과 강의, 템플릿 제작 등으로 확장해 실제로 월 20만 원부터 월 880만 원 수익까지 경험했습니다. 제가 할 수 있었다면, 여러분도 할 수 있습니다. [경험 마이닝] 내 안에 있는 것을 캐내기 먼저 AI에게 정보를 주기 위해 데이터부터 꺼내야 합니다. 거창한 성공담이 아니어도 좋습니다. 사소한 것이라도 좋으니, 다음 세 가지 카테고리에 맞춰 생각나는 대로 적어 보세요. 글을 ‘내 스타일로’ 쓰게 만드는 프롬프트 이제부터 내 경험을 바탕으로, 돈 버는 프롬프트 엔지니어링을 배워봅시다. ① CO-STAR: AI에게 명확히 지시하기 CO-STAR는 복잡한 요청을 AI가 가장 잘 이해할 수 있도록 6가지 핵심 요소로 분해하여 구조화하는 프롬프트 설계 프레임워크입니다. 각 요소는 AI가 인간의 지시를 해석하는 데 필요한 ‘최소 정보 단위’를 명확하게 정의합니다. • C(Context, 맥락) : 작업의 배경 정보를 제공하여 AI가 전체적인 상황을 이해하도록 돕습니다.• O(Objective, 목표) : 프롬프트의 명확한 목적이나 과제를 정의하여 AI가 무엇에 집중해야 할지 알려줍니다.• S(Style, 문체) : 원하는 결과물의 문체나 표현 방식을 지정합니다(예: 학술적, 대중적, 보고서 형식).• T(Tone, 감정) : 응답에 담길 감정이나 분위기를 설정합니다(예: 전문적, 친근한, 동기부여적인).• A(Audience, 대상) : 결과물을 소비할 독자나 사용자를 명확히 하여 맞춤형 결과물을 유도합니다.• R(Response, 응답 형식) : 결과물의 형태를 구체적으로 지정합니다(예: 글머리 기호 목록, 표, JSON). 실제 프롬프트 예시는 다음과 같습니다. Context: 나는 Notion을 집필 도구로 사용하여 전자책을 작성하고 있다. 집필 주제는 AI 활용 방법에 대한 책이며, 20~30대 성인 초심자를 대상으로 한다. Objective: 2주 내에 기획부터 집필까지 마칠 수 있도록, 체계적이고 실용적인 전자책 목차와 각 장별 핵심 내용을 빠르게 제안받길 원한다. Style: 친근하면서도 전문적인 문체로 작성해 독자가 쉽게 이해하고 실천할 수 있게 한다. Tone: 동기 부여와 긍정적인 어조를 유지한다. Audience: 자기계발에 관심 많은 20~30대 성인 초심자 대상이다. Response: 6~8개의 장으로 구성된 목차와 각 장별 주요 소주제를 포함한 리스트 형태로 출력하라. 이 프롬프트를 실행한 결과, 실제 집필 가능성과 시장성을 모두 고려한 기획안으로 완성되었습니다. 이 목차를 토대로 저자는 원고를 빠르게 작성할 수 있었습니다. ② 스스로 질문하게 만들어라, 산파술 프롬프트 산파술은 이름 그대로 지식의 산파(midwife) 역할을 하는 대화법입니다. 소크라테스는 상대방에게 정답을 직접 가르쳐 주는 대신 끈질긴 질문을 통해 상대방이 이미 잠재적으로 알고 있던 지식이나 진리를 스스로 ‘낳도록’ 도왔습니다. 이 철학을 프롬프트에 적용한 기법이 산파술입니다. AI에게 최종적인 답을 요구하는 대신, “이 문제에 대한 최적의 답을 찾기 위해 너 자신에게 어떤 질문들을 던져야 할까?”라고 역으로 질문하는 방식입니다. 한 전자책 저자가 제미나이에게 산파술 기법을 적용해 “전자책 홍보 전략을 설계하기 위해 스스로 질문을 5개 이상 만들고, 각 질문에 대한 답을 단계적으로 제시하라”라고 요청하자, AI는 다음과 같은 과정을 제시했습니다. 이 책의 주요 독자는 누구인가? → 20~30대 직장인 이 독자들이 가장 자주 사용하는 플랫폼은 어디인가? → 네이버, 인스타그램 이 플랫폼에서 어떤 콘텐츠 형식이 효과적인가? → 짧은 카드뉴스, 문제 해결 중심 포스팅 이 독자가 전자책을 구매하도록 설득할 핵심 메시지는 무엇인가? → AI로 시간을 절약해 자기계발할 수 있다 이 메시지를 어떻게 확산할 수 있는가? → 직장인 커뮤니티 협업, 유료 광고 병행 단순 나열식 전략보다 훨씬 깊고, 실행 가능한 프레임워크가 도출된 것입니다.누구나 실현할 수 있는 가장 현실적인 수익화 방법을 담은 『하루 30분, 나는 제미나이로 돈을 번다』김민규 저자의 이야기를 더 구체적으로 듣고 싶다면, 오는 4월 16일(목) 진행될 도서 출간 기념 세미나에서 직접 만나보실 수 있습니다. 이번 세미나에서는 평범한 직장인의 경험을 어떻게 전자책·강의·템플릿 같은 콘텐츠로 바꾸고, AI를 활용해 기획·제작·판매까지 연결할 수 있는지 실제 사례를 중심으로 소개할 예정입니다. 특히 “어떤 경험이 팔리는지”, “내 경험을 어떻게 상품 구조로 바꿀지”, “AI를 활용해 콘텐츠 제작 시간을 어떻게 줄일지” 같은 질문에 대해 실전 중심으로 다룰 예정입니다. 책에서 다룬 핵심 내용을 바탕으로, 전자책·강의·템플릿 제작과 플랫폼별 수익화 전략, 그리고 지속 가능한 개인 콘텐츠 시스템을 만드는 방법을 직접 확인해 보시기 바랍니다. “누구나 대단한 잠재력을 가지고 있습니다. AI라는 날개를 달고 그 역량을 마음껏 펼쳐 지금보다 훨씬 더 많이 벌고, 훨씬 더 자유로워졌으면 좋겠습니다.” _책 속에서 세미나 자세히 보기

[나는리뷰어다2025 우수리뷰어] 대상 최관수 님 "마감이 다가오면 사람은 생각보다 강해집니다"

한 해 동안 수많은 책이 세상에 나오고, 그보다 더 많은 서평과 리뷰가 쏟아집니다. 그 방대한 활자의 바다 속에서 독자들의 마음을 단숨에 사로잡고 가장 빛나는 인사이트를 남긴 분은 과연 누구일까요? 오늘은 그 치열하고도 열정적인 기록의 여정 끝에, ‘나는리뷰어다2025’에서 영예의 우수리뷰어 대상을 차지한 최관수 님을 모셨습니다! 단순히 책을 읽고 넘기는 것을 넘어, 자신만의 깊이 있는 시각으로 책의 가치를 200% 끌어올리는 최관수 님. 이번 인터뷰에는 그의 남다른 독서 루틴부터 많은 이들의 공감을 이끌어내는 생생한 리뷰 작성 노하우까지 꾹꾹 눌러 담았습니다. 책을 사랑하는 분들이라면, 혹은 나만의 글쓰기를 더 매력적으로 다듬고 싶은 분들이라면 절대 놓칠 수 없는 꿀팁들이 가득합니다. 잠깐, 스크롤을 내리기 전 주목해 주세요! 오늘 포스팅은 끝까지 읽어주시는 분들이 최종 승자입니다. 인터뷰를 모두 읽고 난 뒤 게시물 하단을 확인해 보시면, 대상 수상자 최관수 님이 강력하게 꼽은 ‘추천도서와 관련된 특별한 이벤트’가 여러분을 기다리고 있습니다. 과연 최고의 리뷰어가 추천하는 책은 무엇일지, 그리고 어떤 깜짝 이벤트가 준비되어 있을지 궁금하시다면 마지막까지 시선을 떼지 마세요! 자, 그럼 최관수 님의 진솔하고 열정 가득한 이야기 속으로 함께 들어가 보실까요? Part 1. 개발자와 리뷰어 사이 Q. 간단한 자기소개 부탁드립니다. 더불어 현재 주력으로 다루고 계신 기술 스택이나, 요즘 가장 흥미를 두고 지켜보는 분야는 무엇인가요?A. 안녕하세요, React와 TypeScript를 기반으로 사용자 경험을 설계하는 프론트엔드 개발자입니다. 기본적으로 프론트엔드 아키텍처에 관심이 있지만, 최근엔 홈 서버를 구축하고 Ollama, vLLM 같은 로컬 LLM을 웹 서비스에 붙여보고 있어요. API도 직접 설계해 보고요. AI-Native 시대에 좀 더 영역을 넓혀보자는 생각으로 해보고 있는데 재밌게 다뤄보고 있습니다. Q. 현업으로 바쁜 와중에도 <나는리뷰어다2025> 활동을 꾸준히 이어오신 특별한 동력이 있으신가요? 매달 마감을 지킬 수 있었던 원동력이 궁금합니다.A. 저는 새로운 기술을 배우고 호기심을 충족하는 과정에서 에너지를 얻는 편입니다. 개발자 이전에 음악을 좋아해 왔는데 새로운 음악을 듣는 것과 비슷한 것 같아요. 그래도 솔직히 일하면서 책까지 ‘내돈내산’으로 꾸준히 읽는 건 쉽지 않잖아요. 그런데 <나는리뷰어다> 활동은 책을 받으면서 마감일이 정해져 있다는 점이 오히려 동기부여가 되었고, 그 과정에서 기술적인 해상도를 높일 수 있었던 거 같아요. Q. 수많은 참여자 중 '우수 리뷰어'로 선정되셨습니다! 본인이 생각하시기에, 다른 리뷰들과 차별화된 나만의 선정 비결(꾸준함, 분석력, 솔직함 등)은 무엇이라고 생각하시나요?A. 아마 현업 개발자라는 점이 도움이 되지 않았을까 싶어요. 책 내용을 그냥 정리하는 것보다 ‘이게 실무 어디에서 쓰일까?’를 계속 연결 지으려고 했거든요. 책의 이론이 실무의 어떤 지점에서 맞닿아 있는지 구체적으로 서술하려고 노력했습니다. 독자가 실용적인 확신을 갖기를 원했고, 사실 그걸 떠나서 저 자신에게도 가장 도움이 되는 작성 방식이기도 했어요. Q. 매달 읽을 책을 고르실 때 어떤 점을 가장 중요하게 보시나요? '현재 업무에 당장 필요한 책'을 우선하시나요, 아니면 '새로운 분야에 대한 호기심'을 우선하시나요?A. 실무에 바로 쓸 수 있는 책과 순수한 호기심으로 읽는 책 사이에서 어느 정도 균형을 맞추려고 노력해요. 실무 지식은 당장의 생산성을 높여줄 순 있지만, 호기심에서 비롯된 독서는 독서 자체에 있어서 어떤 지속성을 준다고 생각하기 때문에 적당한 밸런스가 좋다고 생각하고 있어요. Part 2. 개발자의 독서법 Q. 코딩, 회의, 야근… 프로젝트 사이에서 독서 시간은 언제, 어떻게 확보하셨나요? (예: 출퇴근길 지하철, 주말 아침, 잠들기 전 등)A. AI와 함께 코딩하다 보면 은근히 자투리 시간이 생깁니다. 그때 읽기도 하고, 특별히 집중이 필요한 부분은 아침 루틴으로 읽어요. 독서를 떠나서 사람마다 집중이 잘 되는 시간이 있잖아요. 그때 특히 몰아서 많이 읽는 편인 것 같습니다. 그리고 마감이 다가오면 사람은 생각보다 강해집니다. 그 집중력 다들 한 번쯤 경험해 보셨겠죠..? 그게 비결입니다. Q. 기술 서적을 읽으실 때의 스타일이 궁금합니다. 예제 코드를 하나하나 타이핑하며 꼼꼼히 정독하시나요, 아니면 전체적인 흐름과 개념 파악을 위해 빠르게 훑어보는 편이신가요?A. 전체 흐름을 먼저 훑는 편입니다. 처음부터 모든 코드를 타이핑하려 하면 진도가 안 나가더라고요. 눈으로 훑어봤을 때 이해가 안 가는 코드는 직접 IDE에 타이핑해보긴 하고요. 완독이 먼저, 완벽한 이해는 그 다음이라고 생각해요. Q. 서평 작성을 위해 따로 사용하는 정리 도구(Notion, Obsidian, 블로그 등)가 있나요? 혹은 책의 내용을 내 것으로 만들기 위한 나만의 정리 템플릿이 있다면 살짝 공개해 주세요.A. Notion을 씁니다. 별도의 템플릿을 사용하고 있진 않고, 그저 읽다가 떠오른 생각을 바로 메모해요. 그 스냅샷들을 모아서 나중에 서평을 작성할 때 재비치하고 다듬습니다. 정리를 위해 어떤 특별한 기술이 있다기보다, 생각을 흘려보내지 않으려는 습관에 가까운 것 같아요. Q. 가끔 내 기술 스택과 맞지 않거나 난이도가 너무 높은 책을 만날 때도 있습니다. 이럴 때 완독(혹은 리뷰 작성)을 위해 어떻게 대처하셨나요?A. 사실 이건 책을 떠나서 강의를 통해서도 느꼈던 건데, 모든 걸 완벽히 이해하려 하면 도저히 진도가 나가지 않더라고요. 그 과정에서 자책도 하게 되니까 동기부여 측면에서도 안 좋고요. 우선은 ‘눈동냥’한다는 마음으로 가볍게 훑어보고 완독하는 데에 집중합니다. 완독 후에 시간이 허락한다면 어려웠던 개념을 다시 찾아보고 학습해요. 그리고 리뷰에는 솔직하게 어려운 내용은 어려웠다고 작성해요. 그래야 저랑 비슷한 직무, 비슷한 연차의 누군가에게는 그 솔직함이 더 참고가 될 거라고 생각해요. Part 3. 책이 코드로 바뀌는 순간 Q. 리뷰했던 도서의 내용이 실제 업무에 도움 된 적이 있나요? 버그를 해결했거나, 아키텍처를 개선하는 등 책의 지식이 실무로 이어진 구체적인 사례가 있다면 들려주세요.A. 최근 브라우저에서 24비트 WAV 파일의 재생 문제를 해결해야 했는데, 예전에 리뷰했던 <실무로 통하는 웹 API> 내용이 힌트가 되었어요. 직접적으로 책에서 언급한 내용은 아니었지만 혹시 관련 웹 API가 있지 않을까 싶은 생각으로 찾아봤고, 그 과정에서 Web Audio API를 확인하게 됐어요. 해당 기술을 기반으로 해결했고, 그 과정을 블로그에 따로 정리했어요. 책의 내용이 코드로 이어지는 순간은… 나름 꽤 짜릿합니다. Q. 작년 읽으신 책들을 통해 느낀 최근 IT 기술의 흐름이나 변화는 무엇이었나요? 개발자로서 체감하는 트렌드 키워드가 있다면요?A. 역시 AI겠죠? 작년에 AI가 모든 걸 바꿔놨어요. 단순히 개발 방식에 국한되는 게 아니라 개발자 채용, 기술 아티클 트렌드, 세미나 주제 등 개발 관련 모든 흐름을 바꿨다고 해도 과언이 아닌 거 같아요. 사실 그 과정에서 피로감도 있지만, 동시에 신선한 호기심이 많이 느껴져서 재밌기도 해요. 시대가 바뀌는 한가운데 서 있는 느낌이라고 해야 될까요. Q. 개발자 입장에서 "이 책은 진짜 물건이다, 소장해야 한다"라고 느끼는 '좋은 기술 서적'의 기준은 무엇인가요? (예: 번역의 질, 예제의 정확성, 도식화 등)A. 단순히 문법을 나열하는 책보다는, 현업에서 마주할 법한 문제 해결 과정을 논리적으로 보여주는 책을 좋아해요. 최신 버전을 반영한 예제, 복잡한 개념을 한눈에 보여주는 도식 등 뭔가 그 노력이 담긴 책, 독자 관점에서 써 내려간 책이야말로 노고가 온전히 전해지는 책이 좋은 기술 서적이라고 생각해요. Q. 활동 기간 중 만난 도서 중 "이 책만큼은 소장 가치가 200%다"라고 느꼈던 책을 딱 두 권만 꼽는다면 무엇인가요? 그리고 그 이유는 무엇인가요?A. 첫째는 <밑바닥부터 시작하는 웹 브라우저>입니다. 웹 개발자로서 일하면서도 사실 브라우저는 그냥 잘 동작해 주고 있는 존재로만 느껴졌었는데요. 그런데 이 책을 통해 웹 브라우저 밑바닥을 훑어보는 경험이 인상적이었어요. 아 우리가 적는 div 하나가 이런 철학과 구조 위에 서 있구나. 둘째는 <멀티패러다임 프로그래밍>입니다. 이 책은 하나의 패러다임으로 모든 걸 바라볼 필요가 없구나 싶은, 어떤 시야를 넓혀주는 느낌을 받았습니다. 무엇보다 이 두 책을 소장하고 싶은 가장 큰 이유는, 부족한 제가 이걸 온전히 소화하기엔 시간이 더 필요해요! 아마 몇 년 뒤에 다시 펼쳐보면 또 다른 문장들이 보이지 않을까요. Part 4. Outro: 리뷰어의 시선 Q. "코딩 잘하는 개발자가 글도 잘 쓴다"는 말에 동의하시나요? 꾸준한 리뷰 활동이 기술 문서 작성 능력이나 로직을 정리하는 데 실제로 도움이 되셨는지 궁금합니다.A. 일부 동의해요. 전 어릴 때부터 글쓰기를 좋아했는데, 뒤늦게 접한 코딩은 시간이 지날수록 글쓰기와 크게 다르지 않다는 생각이 들어요. 두 작업 모두 복잡하고 추상화된 생각을 논리적인 구조로 설계하는 작업이라는 점에서 본질이 비슷해요. 다만 일부 동의한다고 말한 건 ‘코딩을 잘한다’라는 말에는 다양한 함의가 들어 있는데, 효율적인 코드가 항상 읽기 좋은 코드는 아니듯, 전문적인 글이 항상 잘 읽히는 글은 아니라고 생각합니다. 결국 독자를 상상하고 그 독자가 내용을 온전히 흡수할 수 있도록 쓰는 게 글을 잘 쓰는 거 아닐까요. 그건 저도 계속 배워나가는 과정인 것 같아요. Q. 앞으로 직접 기술 서적을 집필할 기회가 생긴다면, 어떤 주제로 책을 써보고 싶으신가요?A. AI로 여러 프로젝트를 해보면서 느낀 경험을 담고 싶어요. 기술이 개인의 삶과 창작 활동을 어떻게 확장시켜 주는지요. 개발자는 기술과 가장 가까운 직군이니까 저 또한 기술을 통해 타인의 삶에 기여해보고, 그 경험을 잘 정리해 나누는 것도 의미 있는 일이라고 생각합니다. Q. 올해, 혹은 내년에 <나는리뷰어다>에 도전할 동료 개발자들에게 해주고 싶은 '완주 꿀팁' 한 마디 부탁드립니다.A. 이만큼 좋은 ‘숙제’가 또 있을까요. 책도 주는데 마감일 때문에 초능력도 생기잖아요? 다만 완벽한 서평을 쓰려하기보다는, 몇 페이지라도 내 것으로 만들어보겠다는 생각 정도면 충분하다고 생각해요. 완벽한 서평이 아니더라도 기록이 습관이 되면, 그 습관이 다른 영역까지 긍정적인 영향을 줄 거라고 생각해요. Q. 마지막 질문입니다. <나는리뷰어다>를 한 문장이나 키워드로 정의한다면 무엇인가요?A. <나는리뷰어다>는 '시야를 넓혀주는 렌즈' 같아요. 혼자라면 선뜻 구매하기 어려운 책까지 접하게 해주고, 단순히 제가 가진 기술 너머의 다른 생태계까지 바라볼 수 있게 해주기 때문이에요. 매번 리뷰를 제출하며 감사 인사를 남겼는데, 진심이었습니다. 오늘 준비한 최관수 님과의 첫 번째 이야기는 여기까지입니다! 하지만 아쉬워하기엔 이릅니다. 이번 포스팅을 시작으로 생생한 인사이트가 가득한 '우수리뷰어 인터뷰'는 앞으로 총 3회에 걸쳐 연재될 예정이거든요. 특히, 매 회차 인터뷰가 공개될 때마다 각 리뷰어들이 강력하게 꼽은 추천 도서와 한빛의 프리미엄 강의를 하나로 묶은 패키지도 매번 새롭게 공개됩니다! 영예의 대상 수상자가 실무에 가장 도움 된다고 강력히 꼽은 <밑바닥부터 시작하는 웹 브라우저>, <멀티패러다임 프로그래밍>과 책의 가치를 200% 끌어올려 줄 한빛앤의 베스트 강좌를 엄선하여 ‘우수리뷰어 Pick’ 패키지로 구성했습니다. 독서의 깊이와 실무 강의의 시너지를 기간 한정 파격적인 가격으로 만나볼 수 있는 절호의 기회이니 절대 놓치지 마세요. 다음에는 또 어떤 리뷰어의 가슴 뛰는 이야기와 역대급 혜택이 여러분을 찾아올지, 곧 공개될 두 번째 인터뷰도 많은 기대와 관심 부탁드립니다!

[Spring AI] 싱글 에이전트에서 멀티 에이전트로, 왜 역할 분리와 조율이 중요할까

LLM을 활용한 애플리케이션이 점점 정교해지면서, 이제 중요한 것은 단순히 답변을 생성하는 능력만이 아닙니다. 사용자의 요청을 목표로 이해하고, 필요한 판단과 실행을 연결하는 에이전트 구조가 중요해지고 있습니다. 싱글 에이전트의 개념과 장점을 먼저 살펴보고, 복잡한 문제 앞에서 왜 역할 분리와 조율이 필요해지는지, 그리고 왜 멀티 에이전트 구조로 이어지게 되는지를 차례로 살펴봅니다. LLM 기반 시스템에서 에이전트는 주어진 목표를 달성하기 위해 스스로 판단하고 실행하는 지능형 프로그램입니다. 일반적인 LLM이 질문에 대한 텍스트를 생성하는 데 머무른다면, 에이전트는 사용자의 요청을 달성해야 할 목표로 받아들이고, 필요한 작업을 계획하며, 필요하면 도구를 호출해 정보를 수집하고, 이전 결과를 바탕으로 다음 행동을 결정합니다. 즉, 에이전트의 핵심은 단순한 응답 생성이 아니라 목표 달성을 위한 판단과 실행에 있습니다. 이러한 구조는 ChatClient, Prompt, Advisor, Tool 같은 요소가 서로 맞물리며 구현됩니다. • 싱글 에이전트란 무엇인가 싱글 에이전트는 하나의 명확한 역할을 중심으로 판단하고 행동하도록 설계된 구조입니다. 하나의 에이전트가 특정 목표를 맡고, 그 목표를 달성하기 위해 LLM의 추론과 Tool 호출을 반복하며 결과를 만들어냅니다. 역할이 분명하기 때문에 시스템 프롬프트를 선명하게 정의할 수 있고, 어떤 도구를 어떤 상황에서 사용해야 하는지도 비교적 명확하게 설계할 수 있습니다. 이 구조의 장점은 분명합니다. 역할이 명확할수록 판단 기준이 흔들리지 않고, 구조가 단순하기 때문에 유지보수가 쉽고 응답도 빠릅니다. 하나의 전문 영역을 일관되게 처리하도록 설계하면, 많은 업무 자동화 시나리오에서 충분히 효과적인 결과를 얻을 수 있습니다. 명확한 임무를 수행하는 싱글 에이전트는 단순하면서도 강력한 구조입니다. 싱글 에이전트는 단순한 챗봇과도 다릅니다. 필요한 경우 Tool을 호출해 외부 정보를 활용할 수 있고, Advisor를 통해 입력 검증이나 호출 흐름 제어도 할 수 있습니다. 또한 대화 메모리를 적용하면 사용자의 이전 질문 맥락을 기억해 후속 질문에도 자연스럽게 응답할 수 있습니다. 즉, 싱글 에이전트는 하나의 역할에 집중하면서도 판단, 제어, 도구 활용, 맥락 유지를 함께 담을 수 있는 구조입니다. • 싱글 에이전트의 한계는 어디서 시작되는가 싱글 에이전트의 한계는 문제의 복잡성이 커질 때 드러납니다. 하나의 질문 안에 서로 다른 판단 기준과 전문성이 동시에 들어오기 시작하면, 하나의 에이전트가 감당해야 할 책임 범위가 급격히 넓어집니다. 예를 들어 여행 일정을 만든다고 하면 관광지 선정, 맛집 추천, 숙소 선택, 동선 고려, 예산 계산처럼 성격이 다른 판단이 한꺼번에 필요해집니다. 이때 가장 먼저 발생하는 문제는 프롬프트의 비대화입니다. 하나의 에이전트가 여러 전문가 역할을 동시에 맡게 되면 규칙은 길어지고, 도구 선택 조건은 복잡해지며, 서로 다른 판단 기준이 한 구조 안에 뒤섞이게 됩니다. 그 결과 특정 영역의 판단 품질이 떨어지거나 일관성이 무너질 수 있고, 유지보수도 어려워집니다. 새로운 역할을 추가할수록 기존 로직에 영향을 주기 쉬워지고, 책임 범위도 점점 불분명해집니다. 결국 하나의 에이전트에 너무 많은 책임을 몰아주면, 처음의 장점이었던 단순성과 명확성이 오히려 약점으로 바뀌게 됩니다. 하지만 이것이 싱글 에이전트의 효용이 사라진다는 뜻은 아닙니다. 명확한 목표를 가진 문제에는 여전히 싱글 에이전트가 매우 효과적입니다. 다만 복합적인 문제를 하나의 구조로 모두 감당하려는 순간, 한계가 분명해진다는 점이 중요합니다. • 그래서 멀티 에이전트가 필요하다 이 지점에서 필요한 것이 멀티 에이전트입니다. 멀티 에이전트는 하나의 에이전트에 몰려 있던 책임을 역할별로 나누고, 여러 에이전트가 각자의 전문성과 책임을 맡아 협업하는 구조입니다. 관광지 추천은 관광지 추천 에이전트가 맡고, 맛집 추천은 맛집 추천 에이전트가 맡고, 숙소 추천은 숙소 추천 에이전트가 맡는 식으로 역할을 분리합니다. 각 에이전트는 자신의 역할 범위 안에서만 판단하고 행동하기 때문에 더 정교하고 안정적인 결과를 기대할 수 있습니다. 전문성 강화, 유지보수 용이성, 프롬프트 최적화, 유연한 모델 조합도 이 구조의 장점입니다. 멀티 에이전트 구조에서는 역할 분리만으로 끝나지 않습니다. 여러 에이전트가 언제, 어떤 순서로, 어떤 방식으로 협업할지 조율하는 상위 구성 요소가 필요합니다. 이 역할을 오케스트레이터가 담당합니다. 오케스트레이터는 지금 어떤 에이전트를 실행해야 하는지, 하나만 써도 되는지 여러 에이전트를 함께 써야 하는지, 순차 실행이 맞는지 병렬 실행이 맞는지를 결정하며 전체 작업 흐름을 관리합니다. 전문가 에이전트가 각자의 분야에서 판단과 실행을 맡는다면, 오케스트레이터는 전체 문제를 해결하기 위한 협업의 흐름을 조율하는 역할을 맡습니다. 멀티 에이전트의 핵심에는 공유 상태가 있습니다. 여러 에이전트가 협업하려면 각 단계의 결과가 다음 단계에 자연스럽게 전달되어야 하기 때문입니다. 사용자 요구사항, 관광지·맛집·숙소 정보, 예산 분석, 최종 일정 같은 정보를 하나의 상태 객체에 저장하면, 각 에이전트는 필요한 정보를 읽고 자신의 결과를 다시 그 상태에 채워 넣을 수 있습니다. 이 덕분에 에이전트의 독립성은 유지하면서도 전체 시스템은 유기적으로 협업할 수 있습니다. 또한 서로 독립적인 작업은 병렬로 실행해 속도를 높일 수 있고, 계획 생성 뒤에는 예산 검증을 거쳐 문제가 있으면 다시 더 저렴한 선택지로 재계획하는 자기 보정 구조도 만들 수 있습니다. 이처럼 멀티 에이전트는 단순한 역할 분담을 넘어, 복잡한 문제를 실제로 해결할 수 있는 협업 시스템으로 확장됩니다. • 결국 중요한 것은 역할 분리와 조율 싱글 에이전트는 하나의 역할에 집중할 때 강력합니다. 책임이 선명하고, 구조가 단순하며, 많은 문제를 빠르고 안정적으로 해결할 수 있습니다. 하지만 하나의 질문 안에 여러 전문 영역과 판단 기준이 함께 들어오는 순간, 하나의 에이전트에 모든 책임을 몰아주는 방식은 곧 한계에 부딪힙니다. 그래서 필요한 것이 멀티 에이전트입니다. 역할을 분리하고, 각 에이전트가 자기 분야에 집중하게 하며, 오케스트레이터가 전체 협업을 조율하는 구조는 복잡한 문제를 더 안정적이고 유연하게 다룰 수 있게 만듭니다. 여기에 공유 상태, 병렬 실행, 검증과 재계획 같은 메커니즘이 더해지면, 멀티 에이전트 구조는 단순 응답을 넘어 실제 업무를 수행하는 형태로 확장됩니다. 결국 중요한 것은 에이전트의 수가 아닙니다. 문제의 복잡도에 맞게 역할을 나누고, 각 에이전트의 책임과 협업 흐름을 분명하게 하는 일이 핵심입니다. 작은 문제에는 선명한 싱글 에이전트가 강하고, 복잡한 문제에는 역할이 분리된 멀티 에이전트가 강합니다. 위 콘텐츠는 『이것이 Spring AI다(개정판)』의 내용을 재구성하여 작성되었습니다. 『이것이 Spring AI다(개정판)』은 Spring AI 개발 환경 구축부터 Chat API, 프롬프트 엔지니어링, 구조화된 출력, RAG, Tool Calling, MCP Server까지단계적으로 다루는 실전 입문서입니다. 개정판에는 에이전트 개발과 멀티 에이전트 협업 챕터가 새롭게 추가되어, 스스로 판단하고 협업하는 AI 시스템 설계까지 확장해 배울 수 있습니다.

AI 시대, 누가 반도체의 주도권을 쥐는가 - 『한눈에 보는 AI 반도체 산업』 저자 인터뷰

AI가 세상을 바꾸고 있다는 말은 이제 더 이상 낯설지 않다. 하지만 정작 그 AI가 어떤 산업 구조 위에서 움직이는지, 그리고 왜 지금 엔비디아·TSMC·삼성전자·SK하이닉스 같은 기업들이 세계 시장의 중심에 서 있는지는 한 번에 설명하기 쉽지 않다. AI 반도체 산업은 개별 기술 몇 가지로는 이해할 수 없는, 거대한 연결 구조이기 때문이다.『한눈에 보는 AI 반도체 산업』은 바로 이 복잡한 생태계를 하나의 흐름으로 읽어내도록 돕는 책이다. 연산칩에서 시작해 메모리, 패키징, 파운드리, 반도체 장비, 데이터센터, 클라우드, 소프트웨어에 이르기까지 AI 산업의 기반을 이루는 가치사슬(밸류체인) 전체를 큰 그림 속에서 보여준다.이 책의 가장 큰 특징은 반도체를 단순한 기술의 집합으로 보지 않고, “어디에서 병목이 생기고, 누가 그 병목을 해결하며, 그 결과 어떤 기업이 주도권을 쥐는가”라는 질문으로 풀어낸다는 점이다. 그래서 독자는 CPU와 GPU의 차이, DRAM과 HBM의 구조적 의미 같은 기술 개념을 배우는 데서 그치지 않고, 그 기술이 왜 시장의 권력이 되는지까지 함께 이해하게 된다. 저자 역시 프롤로그에서 AI 반도체 산업을 부분이 아니라 전체 구조와 흐름으로 보아야 비로소 이해가 쉬워진다고 강조한다.이번 인터뷰는 바로 그 문제의식에서 출발한다. 왜 지금 ‘AI 반도체 생태계’를 한눈에 보여주는 책이 필요했는지, 저자는 이 거대한 산업의 어떤 병목과 연결 구조에 주목했는지, 그리고 독자들이 이 책을 통해 무엇을 읽어내길 바라는지 직접 들어보았다. 1. 이 책을 쓰게 된 가장 직접적인 계기는 무엇이었나요?최근 AI와 반도체 이야기가 많이 나오고 있죠. 저자님은 왜 ‘개별 기술’보다 ‘생태계 전체를 한눈에 보여주는 책’이 필요하다고 보셨는지, 이 책을 쓰게 된 가장 직접적인 계기가 궁금합니다. A. 일상에서 집을 정리할 때 작은 짐부터 손대면 시간이 오래 걸리고 금방 지치곤 합니다. 반대로 큰 짐부터 자리를 잡으면 작은 짐들은 그 사이사이에 알맞게 들어가게 되죠. 이런 방식으로 정리하면 시간도 절약되고 결과도 훨씬 깔끔합니다.책을 읽거나 새로운 분야를 공부할 때도 마찬가지입니다. 처음부터 개별적인 기술이나 세부 내용에 빠지게 되면, 어느 순간 내가 무엇을 읽고 있었는지 길을 잃기 쉽습니다. 그래서 전체적인 큰 구조를 거시적으로 먼저 이해해야 중간에 다른 길로 새지않고 끝까지 완독할 수 있습니다. 기존의 책들은 특정 한 분야만 너무 깊게 다루는 경우가 많았습니다. 그래서 많은 분이 반도체라는 단어는 익숙해하면서도, 정작 반도체 기업들의 구분조차 어려워하시곤 하죠. 저는 반도체 산업 전체를 한눈에 펼쳐볼 수 있는 책을 만들고 싶었습니다. 물론 단순히 정보를 나열하는 데 그치지 않았습니다. 여행을 계획할 때 '최적의 동선'을 짜는 것처럼, 반도체 산업의 경제 흐름에 맞춰 내용을 배치했습니다. 제가 설계해 놓은 이 동선을 차근차근 따라가다 보면, 현재 주식시장을 주도하는 기술주와 반도체 시장의 맥락을 명확하게 파악하실 수 있을 것입니다. 2. 이 책의 가장 큰 차별점은 무엇이라고 생각하시나요?기존에 출간된 반도체를 다루는 책들과 비교했을 때, 이 책은 기술서도 아니고 단순 투자서도 아니라는 점이 인상적이었는데요. 이 책의 가장 큰 차별점이 무엇인지 궁금합니다. A. 말 그대로 이 책은 단순한 기술서가 아닙니다. 물론 각 분야 기업들이 보유한 핵심 기술을 설명하는 내용도 포함되어 있지만, 기술 그 자체에 매몰되기보다는 ‘기술의 가치'에 집중했습니다. 즉, 해당 기술이 왜 기업에 독점력을 부여하는지, 그리고 시장은 그 기술을 어떻게 평가하고 있는지, 그 이면의 원리를 이해하는 데 목적이 있습니다.또 다른 차별점은 어렵고 무거운 주제로 바로 들어가지 않는다는 점입니다. 반도체 산업을 주도하는 주요 기업들의 '역사'부터 이야기를 시작합니다. 기업의 창립 순간부터 현재에 이르기까지 겪었던 유의미한 사건들을 차분히 정리했기에, 독자분들은 자연스럽게 기업의 행보에 공감하며 몰입하실 수 있을 것입니다. 이 책을 덮을 때쯤이면 머릿속에 반도체라는 거대한 생태계의 '마인드맵(Mind Map)'이 완성될 것입니다. 큰 줄기에서 시작해 세부 가지를 주도하는 기업들이 선명하게 그려지기 시작하면, 비로소 반도체 자본의 흐름이 어디서 시작되어 어디로 흘러가는지 그 거대한 물줄기가 보일 것입니다. 3. 책을 처음 읽는 독자라면 어떤 장부터 보면 가장 빨리 큰 그림을 잡을 수 있을까요?CPU·GPU·NPU·ASIC, HBM, 패키징, 파운드리, 데이터센터처럼 낯선 용어가 많은데 이 산업에 대해 처음 공부하는 독자를 위해 저자님이 추천하는 ‘독서 순서’가 있다면 듣고 싶습니다. A. 이 책은 총 9부로 구성되어 있습니다.그중 1부는 책 전체의 핵심 내용을 압축한 ‘원페이퍼(One-paper)’ 요약본이라고 보시면 됩니다. 나머지 2부부터 9부까지는 1부에서 다룬 큰 그림을 각 챕터별로 세분화하여 깊이 있게 파고드는 구조로 설계했습니다.따라서 반도체 산업이 생소하거나 내용이 어렵게 느껴지는 독자분이라면, 먼저 1부를 반복해서 읽어보시길 권합니다. 1부를 통해 전체적인 밑그림이 머릿속에 그려진다면, 2부부터 이어지는 세부적인 내용들도 훨씬 수월하게 흡수하실 수 있을 것입니다. '전체'를 먼저 이해하고 '부분'으로 들어가는 이 순서만 지킨다면, 낯선 용어의 장벽을 넘어 반도체 생태계의 맥락을 완벽히 내 것으로 만드실 수 있습니다. 4. 집필하면서 가장 중요하게 본 키워드는 무엇이었나요?이 책을 읽다 보면 ‘병목’, ‘권력 이동’, ‘연결 구조’ 같은 관점이 반복되는데, AI 반도체 산업을 이해할 때 독자들이 꼭 붙잡아야 할 핵심 키워드 1~2개를 꼽아주신다면요?A. 질문하신 것처럼 저는 ‘병목(Bottleneck)’이라는 키워드에 가장 집중하며 이 책을 집필했습니다. 반도체 산업의 역사를 되짚어보면, 어떤 분야든 기술적 구조적 병목 현상을 가장 먼저 해결한 기업이 결국 그 섹터의 주도권을 가져왔기 때문입니다.여기서 말하는 병목현상이란 쉽게 말해 ‘폭발적인 수요를 공급이 따라가지 못하는 지점’을 의미합니다. 모두가 원하는 것을 독보적으로 제공하거나, 전체 공정의 속도를 늦추는 문제를 해결하는 능력이 곧 기업의 경쟁력이 됩니다. 독자분들께서 "누가 이 병목을 해결하고 있는가?", "누가 그 해결책을 가장 빠르게 제시하는가?"라는 질문을 품고 이 책을 읽으신다면, 단순히 기술 용어를 외우는 것을 넘어 현재 반도체 시장의 주도기업이 누구인지 명확히 구별해 내실 수 있을 것입니다. 5. 지금 AI 반도체 산업에서 가장 중요한 승부처는 어디라고 보시나요?연산칩, HBM, 패키징, 파운드리, 데이터센터, 클라우드 가운데 현재 저자님이 생각하시는 가장 치열한 병목과 주도권 경쟁이 벌어지는 지점이 어디인지 궁금합니다. A. 현재 GPU 시장의 주도권은 어느 정도 판가름이 났다고 봅니다. 이제는 GPU와 ASIC(주문형 반도체)칩이 서로 역할을 분담하고 보완하며 연산칩 시장 자체가 거대하게 성장하는 단계에 진입했습니다.그래서 제가 생각하는 진정한 승부처는 데이터센터와 에너지 시장입니다. 결국 모든 첨단 인프라 산업의 종착역은 원자재 및 에너지와 연결되기 때문입니다. 실제로 글로벌 빅테크 기업들은 이미 데이터센터 구동을 위한 전력 확보와 에너지 시장 선점에 막대한 투자를 아끼지 않고 있습니다. 그래서 저는 이번 책을 마무리하며, 다음 주제로 『한눈에 보는 AI 에너지 산업』을 준비하고 있습니다. 시장 일각에서는 AI 거품론을 제기하기도 하지만, 저는 앞으로도 자본과 관심의 중심은 AI가 주도할 것이라 확신합니다. 다만 그 수요의 무게중심이 지금의 에너지 시장을 넘어, 향후 위성과 통신 분야까지 확장될 것입니다. 저는 이러한 거대한 흐름을 추적하고 데이터를 취합하여, 독자분들께 가장 명확한 지도를 그려드리는 작업을 지속하려 노력하고 있습니다. 6. 엔비디아 이후를 보려면, 지금 어떤 기업군을 함께 봐야 할까요?시장은 자주 한 기업에만 주목하지만, 책에서는 메모리·장비·클라우드까지 가치사슬 전체를 봐야 한다고 말합니다. 앞으로 특히 중요해질 기업군은 어디라고 보시는지 궁금합니다. A. 반도체 산업은 워낙 방대하기 때문에 결코 어느 한 기업이 독식할 수 없습니다. 직관적으로 표현하자면 ‘혼자 먹기에는 너무 큰 시장’입니다. 결국 수요와 공급의 원리에 따라 메모리, 패키징, ASIC, 데이터센터까지 생태계 전체를 유기적으로 연결해서 봐야 합니다. 특히 대중의 관심에서 다소 소외되어 있지만, 공정의 중간에서 핵심적인 역할을 하는 장비시장 역시 절대 놓쳐서는 안 될 분야입니다.제가 반복해서 강조하는 핵심은 바로 ‘연결된 반도체 시장’입니다. 각 섹터를 차지하고 있는 분야 중 어느 한 곳만 무너져도 전체 산업에 위기가 올 수 있을 만큼, 모든 단계가 기술적 경제적으로 긴밀하게 공존하고 있기 때문입니다. 따라서 ‘연산칩 → 메모리 → 파운드리 → 패키징’으로 이어지는 제조 공정은 물론, 그 결과물이 활용되는 ‘클라우드와 소프트웨어’까지 공급망 전체를 조망해야 합니다. 이 거대한 가치사슬의 흐름을 이해할 때 비로소 엔비디아 그 너머의 기회를 포착할 수 있을 것입니다. 7. 한국 반도체 산업은 AI 시대에 어떤 기회를 잡을 수 있다고 보시나요?특히 메모리와 HBM 강점, 그리고 글로벌 공급망 재편 속에서 한국 기업들이 유리한 점과 동시에 경계해야 할 점은 무엇인지 듣고 싶습니다. A. 한국 반도체 산업은 AI 시대의 가장 강력한 '병목 해결사'로서 전례 없는 기회를 맞이하고 있습니다. AI 연산칩의 폭발적인 성능을 뒷받침할 수 있는 유일한 대안이 바로 한국이 주도하는 HBM(고대역폭 메모리)이기 때문입니다. 연산 장치와 메모리 사이의 데이터 병목을 해결하지 못하면 AI는 무용지물이 되는데, 그 열쇠를 우리가 쥐고 있는 셈입니다.글로벌 공급망 재편 속에서 한국 기업들이 가진 가장 큰 유리함은 '수직 계열화된 제조 경쟁력'입니다. 메모리 설계부터 첨단 패키징, 그리고 파운드리까지 이어지는 생태계를 한 국가 내에서 이토록 긴밀하게 연결할 수 있는 나라는 흔치 않습니다. 특히 빅테크 기업들이 자신들만의 맞춤형 AI 반도체(ASIC)를 만들고 싶어 할 때, 한국은 가장 신뢰할 수 있는 파트너가 될 것입니다. 하지만 우리가 반드시 경계해야 할 점도 명확합니다. 바로 '메모리 권력의 영원성'에 안주하는 것입니다. 과거에는 표준화된 메모리를 대량으로 찍어내는 것이 미덕이었지만, AI 시대에는 고객사마다 요구하는 스펙이 다른 '맞춤형' 경쟁으로 패러다임이 바뀌고 있습니다. 단순히 '잘 만드는 제조사'에 머물 것이 아니라, 전체 AI 생태계의 설계 단계부터 깊숙이 관여하는 '솔루션 파트너'로 진화해야 합니다. 우리가 가진 제조의 강점을 소프트웨어 및 서비스와 어떻게 연결하느냐에 따라, 한국 반도체의 향후 10년 농사가 결정될 것이라 봅니다. 8. 저자님은 원래 어떤 질문에서 출발해 이 분야를 깊게 파고들게 되셨나요?소개글을 보면 투자를 계기로 반도체를 제대로 이해하기 위해 공부를 시작하셨다고 했는데, 처음 가장 답답했던 지점은 무엇이었나요? A. 처음 투자를 시작했을 때 저를 가장 괴롭혔던 질문은 아주 단순했습니다. "그래서 이 기업이 정확히 무슨 일을 하고, 왜 돈을 잘 버는가?"라는 원초적인 질문이었습니다.시중에는 수많은 리포트와 뉴스가 쏟아졌지만, 대부분 '실적이 좋다', '어떤 공정이 유망하다'는 식의 파편화된 정보뿐이었습니다. 마치 거대한 퍼즐 판에 조각들이 흩어져 있는데, 정작 완성된 그림(Master Plan)이 무엇인지는 아무도 말해주지 않는 기분이었습니다. 이 지점이 제가 가장 답답함을 느꼈던 '정보의 불일치'였습니다. 반도체는 워낙 기술 장벽이 높다 보니, 조금만 깊이 들어가면 전공자들만 이해할 수 있는 어려운 용어의 벽에 부딪혔습니다. 반대로 너무 쉽게 쓰인 글들은 정작 투자 판단에 필요한 '핵심 부가가치가 어디서 발생하는지'를 놓치고 있었습니다. 결국 저는 "누구에게나 설명할 수 있을 정도로 쉽지만, 산업의 본질을 꿰뚫는 나만의 지도를 그리자"는 목표를 세우게 되었습니다. 모르는 용어가 나오면 그 뿌리를 찾아 들어가고, 기업 간의 역학 관계를 마인드맵으로 연결하며 공부하다 보니 어느덧 반도체 산업이 하나의 유기체처럼 보이기 시작했습니다. 이 책은 바로 그때의 제가 가졌던 답답함을 해소하기 위해 쓴 '친절한 안내서'입니다. 제가 겪었던 시행착오를 독자분들은 겪지 않도록, 가장 쉬운 언어로 반도체라는 거대한 세계를 안내해 드리고 싶었습니다 9. ‘MrTrigger’라는 이름으로 글을 써오시면서 가장 많이 받은 질문은 무엇이었나요?그리고 그 질문들이 이번 책의 구성이나 설명 방식에 어떤 영향을 주었는지도 궁금합니다. A. 기억에 남는 특정 질문 하나를 꼽기보다, 소통 과정에서 느낀 공통적인 갈증이 더 중요했습니다. 그것은 바로 “많은 분들이 생각보다 정보가 부족하구나”라는 것이었습니다. 좀 더 명확히 표현하면 “쏟아지는 정보 속에서 정작 무엇을 내 것으로 소화해야 할지 모르는 분들이 정말 많구나” 라는 것을 느꼈습니다. 기본적인 용어나 산업의 기초 체력이 부족한 상태에서 투자의 파도에 올라타 고군분투하는 분들을 보며 안타까움을 느꼈습니다.그래서 저는 이번 책을 집필할 때, 독자를 '아무것도 모르는 학생'이라고 가정하고 초점을 맞췄습니다. 누구나 처음은 낯설고 어려울 수밖에 없기 때문입니다. 어려운 기술 용어를 설명할 때는 최대한 일상생활에서 접할 수 있는 사물이나 상황에 빗대어 비유적으로 풀려고 노력했습니다. 앞에 인터뷰에서 언급한 것처럼 ‘짐 정리’나 ‘여행 동선’ 같은 예시들도 그런 고민 끝에 탄생한 결과물들입니다. 물론 여전히 반도체가 만만한 분야는 아니겠지만, “배우려는 의지만 있다면 누구나 이해할 수 있다”는 확신을 드리고 싶었습니다. 그 진심이 글자마다 배어들 수 있도록 끝까지 책임감을 느끼며 집필했습니다. 10. 이 책을 다 읽은 독자에게 가장 남기고 싶은 한 문장은 무엇인가요?‘AI 반도체 산업을 이해한다’는 것이 결국 무엇을 이해하는 일인지, 저자님의 언어로 마지막 메시지를 듣고 싶습니다. A. 단순히 기업 이름을 나열하는 것이 투자가 아닙니다. 이 책을 덮는 순간, 여러분의 머릿속에는 파편화된 정보 대신 견고한 마인드맵이 자리 잡기를 바랍니다. 기술의 끝에서 권력이 어디로 이동하는지 스스로 읽어낼 수 있을 때, 비로소 여러분은 시장의 소음에 휘둘리지 않는 단단한 투자자가 되어 계실 것입니다.산업은 늘 빠르게 변화합니다. 지금은 AI 반도체가 시장을 주도하고 있지만, 그 불길은 벌써 에너지, 통신, 위성 시장으로 옮겨붙고 있습니다. 하지만 어떤 변화가 닥치더라도 지금처럼 거시적인 안목으로 산업의 뿌리를 이해하는 습관을 지닌다면, 새로운 흐름 역시 충분히 장악하실 수 있다고 확신합니다. 마지막으로 제가 생각하는 '성숙한 어른'이 되는 과정은, 인사이트(통찰력)를 키워가는 과정이라고 생각합니다. 단순히 지식이 많다고 해서 반드시 투자에 성공하는 것은 아닙니다. 하지만 우리는 투자를 넘어 세상의 흐름을 읽는 지혜를 갖춰나가는, 그 값진 여정을 함께 걷고 있다고 생각합니다. 모쪼록 바쁜 현대 사회 속에서 본업에만 매몰되지 않고, 세상이 돌아가는 이치를 꿰뚫어 보는 통찰력 있는 삶을 저와 독자분들이 함께 가꾸어 나갔으면 합니다. 감사합니다.

다양한 기업과 함께 하는 한빛+

한빛+는 콘텐츠부터 교육, 기술까지 다양한 기업과 함께합니다.

넷플릭스와 아마존의 비밀: 파이썬으로 훔쳐보는 추천 알고리즘의 모든 것

10가지 업무 시나리오로 배우는 생성형 AI 실무 활용

YOLO-NAS 파인튜닝으로 완성하는 풀스택 컴퓨터 비전

라마인덱스 마스터하기: 자바스크립트 사용자를 위한 RAG 시스템 구축부터 배포까지

구글 ADK로 시작하는 AI 에이전트

타입스크립트 심화: 대규모 서비스 아키텍처와 타입 설계 기법

AI 에이전트와 함께하는 Vision AI 서비스 구축 풀사이클

인공지능 엔지니어 전문가 과정: 고급 인공지능 및 머신러닝 모델 구축, 배포, 운영

파이썬과 Neo4j로 엮어내는 데이터의 마법, 지식 그래프 100% 활용법

프롬프트 엔지니어링부터 크로마DB까지! 뼈대부터 탄탄하게 세우는 실전 AI 앱 개발

실전 예제로 다지는 머신러닝&딥러닝 with 파이썬(AI 심화편)

비전공자를 위한 파이썬 데이터 사이언스 입문