생성형 AI의 흐름은 이제 단순한 유행을 넘어 하나의 기술 생태계로 자리잡았습니다. 특히 ‘에이전트’라는 개념이 부상하면서, AI는 더 이상 텍스트를 생성하는 존재가 아니라 일을 ‘직접 처리’해주는 도구, 말 그대로 가상의 팀원으로 진화하고 있죠. 

『조코딩의 랭체인으로 AI 에이전트 서비스 만들기』는 이러한 변화를 실전 중심으로 풀어낸 책입니다. 생성형 AI를 단순히 이해하는 것을 넘어, 나만의 AI 서비스를 직접 만들어보는 경험으로 이끄는 이 책은 조코딩, 우성우 두 저자가 공동 집필했습니다.

이번 인터뷰는 LLM 기반 AI 솔루션 엔지니어로, AI 실무 개발과 함께 여러 교육 과정에 강사 및 콘텐츠 개발자로 참여하며 누구나 이해하기 쉽게 기술을 전달하는 데 힘써온 우성우 저자와 함께했습니다. 책에 대한 이야기는 물론 생성형 AI 시대에 개발자란 어떤 존재여야 할지에 대해 깊이 있는 이야기를 나눴습니다.

Q1. 책을 집필하시게 된 계기와, 특히 <AI 에이전트 서비스>에 초점을 맞추신 이유가 궁금합니다. 

이 책은 제가 교육 현장에서 느낀 갈증에서 시작됐습니다. 매일 새로운 AI 기술이 쏟아지는데, 체계적으로 정리해서 전달하는 콘텐츠는 부족하더라고요. 특히 한국어로 된 실전 중심의 자료는 더욱 그랬죠. 리서치 콘텐츠 연구원으로 일하면서 수백 개의 해외 자료를 분석하고, 직접 구현해 보며 얻은 노하우를 정리하여 전달하고 싶었습니다. 

특히 'AI 에이전트'에 초점을 맞춘 이유는 이것이 바로 AI 서비스의 미래라고 확신했기 때문입니다. 스스로 판단하고 행동하는 에이전트를 누구나 직접 만들 수 있다는 메시지와 그 방법을 꼭 공유하고 싶었습니다. 

이 책에서는 제가 실제 프로젝트에서 겪은 시행착오와 해결 방법을 모두 담았습니다. RAG 파이프라인 구축부터 멀티 에이전트 시스템까지, PoC에서 MVP로 발전시키는 전 과정을 실습 중심으로 구성했어요. 독자분들이 “아, 이렇게 하면 되는구나!” 하고 바로 적용할 수 있게 작성했습니다.

Q2. 최근 생성형 AI 기술이 정말 빠르게 발전하고 있는데요. 현재 시점에서 예상하시는 향후 1~2년 내 생성형 AI 기술 트렌드 중 가장 주목할 만한 변화는 무엇이라고 보시나요? 

크게 총 세 가지로 구분될 것 같습니다. 첫 번째로는 자율성을 갖춘 AI 에이전트의 실용화입니다. 단순히 질문에 답하는 챗봇을 넘어서 복잡한 업무를 스스로 계획하고 수행하는 에이전트들이 속속 등장하고 있기 때문이죠. 

두 번째로는 SLLM(Small Language Model)의 부상입니다. GPT-4 같은 거대 모델도 좋지만, 실제 서비스에서는 비용이 큰 부담입니다. 그래서 특정 도메인에 특화된 작은 모델들을 조합해서 효율적으로 서비스를 구축하는 사례가 늘고 있습니다. 이 책에서도 다양한 모델을 조합해서 사용하는 방법을 중점적으로 다뤘어요. 

마지막으로는 개발 민주화가 가속화될 것 같습니다. 개발 민주화란 다양한 배경과 기술을 가진 이들이 소프트웨어 개발에 더 쉽게 접근하게 되는 걸 말하는데요. 바이브 코딩, 에이전트 코딩이 발전하면서 이제는 깊은 AI 지식 없이도 실용적인 AI 서비스를 만들 수 있게 되었고 이 책도 그 연장선에 있습니다. 

Q3. 개발 경험이나 코드 지식이 부족한 독자도 이 책을 따라올 수 있을까요? 난이도가 궁금합니다. 

이 부분은 제가 가장 신경 쓴 부분입니다! 저도 교육을 하다 보니, 비개발자분들이 AI 서비스 개발에 관심은 많은데 코드 앞에서 주눅 드는 모습을 많이 봤거든요. 그래서 이 책은 ‘파이썬 기초만 알면 따라올 수 있도록’ 구성했습니다. 복잡한 알고리즘이나 수학 공식은 최대한 배제하고, 랭체인이라는 도구를 활용해서 레고 블록 조립하듯이 AI 서비스를 만들 수 있도록 했어요.

각 장마다 다음과 같은 구성을 따릅니다.

• 개념 설명: 왜 이 기술이 필요한지, 어떤 문제를 해결하는지부터 설명
• 단계별 실습: 작은 예제부터 시작해서 점진적으로 복잡도를 높임
• 실전 프로젝트: 실제 서비스에 적용할 수 있는 완성도 있는 예제

특히 강조하고 싶은 건, ‘완벽하지 않아도 괜찮다’라는 점입니다. 처음부터 완벽한 코드를 짜려고 하면 시작조차 못 해요. 책의 예제를 따라 하다 보면 “어? 이게 돌아가네?” 하는 작은 성공 경험을 자연스럽게 쌓아갈 수 있을 겁니다.

Q4. 이 책은 랭체인 v0.3을 중심으로 설명하고 있습니다. 이전 버전과 비교했을 때 v0.3의 핵심적인 특징이나 가장 큰 개선점은 무엇이라고 생각하시나요? 

가장 큰 개선점은 LCEL(LangChain Expression Language)의 안정화입니다. 이전 버전에서는 체인을 연결하다 보면 예상치 못한 에러가 자주 발생했는데, v0.3에서는 훨씬 예측 가능하게 동작해요. 

두 번째로 에이전트 실행의 안정성이 크게 개선됐습니다. v0.2까지는 복잡한 에이전트를 만들면 중간에 멈추거나 무한 루프에 빠지는 경우가 종종 있었는데, v0.3에서는 이런 문제가 대부분 해결됐어요. 실제로 프로젝트에서 멀티 에이전트 시스템을 구축할 때도 이전보다 훨씬 수월했습니다.

마지막으로 모듈화가 개선되어서 필요한 부분만 가져다 쓸 수 있게 됐어요. 이전에는 전체 패키지를 설치해야 했는데, 이제는 필요한 컴포넌트만 선택적으로 사용할 수 있어서 프로젝트가 가벼워졌습니다.

Q5. 랭체인 외에도 Semantic Kernel, Haystack 등 다양한 프레임워크가 시장에 존재하는데, 이 책에서 랭체인을 중심으로 다루게 된 결정적인 이유는 무엇이었나요? 랭체인만이 가진 차별점이 있다면요?

생태계의 활성도가 압도적이에요. 제가 교육하면서 느낀 건 학습자분들이 막혔을 때 찾을 수 있는 자료의 양이 정말 중요하다는 거예요. 랭체인은 커뮤니티가 활발해서 거의 모든 문제에 대한 해결책을 찾을 수 있죠. 그리고 다양한 LLM과의 호환성이 뛰어납니다. GPT, Claude, Gemini는 물론이고 오픈소스 모델까지 쉽게 갈아끼울 수 있어요. 

실무에서는 비용이나 성능 때문에 모델을 자주 바꿔야 하는데, 랭체인은 이게 정말 간단합니다. 코드 몇 줄만 바꾸면 되니까요. 물론 랭체인이 완벽한 건 아니에요. ‘AI 에이전트를 만들기 위한 종합적인 도구’로는 랭체인이 현재로선 가장 균형 잡혀 있다고 판단했습니다. 랭체인은 원하는 결과물을 가장 빠르고 효과적으로 만들 수 있게 해주는 도구라고 생각합니다.

Q6. 책에서 GPT-4o, Llama 3.1 등 여러 LLM 모델을 활용하고 Streamlit, ChromaDB 같은 다양한 기술 스택을 소개하셨습니다. 실제 AI 에이전트 서비스 개발 시 가장 이상적이거나 또는 가장 유용하다고 느끼시는, 독자분들께 추천할 만한 기술 스택 조합은 무엇인가요? 

저만의 기본적인 기술 조합을 말씀드리자면 백엔드는 가볍고 비동기 처리에 강한 FastAPI, AI 프레임워크는 생태계가 잘 갖춰진 랭체인, 벡터 DB는 초기엔 PGVector로 시작해서 나중에 필요하면 전용 VectorDB를 추천하고 싶습니다. LLM은 개발 단계에선 GPT-4, Claude Sonnet이나 Llama, Qwen, Gemma 등을 혼용합니다. 프론트엔드는 React도 좋지만 SEO와 성능까지 고려한다면 Next.js가 유리하다고 생각하고요. 인프라는 보통 AWS나 GCP를 사용하지만 국내에서는 아무래도 AWS가 관련 자료나 레퍼런스가 많아서 유리한 점이 있습니다.

하지만 정답은 없어요. 지금 당장 시작할 수 있는 스택이 최고의 스택입니다. 

Q7. 이 책은 예제 중심, 즉 'Learning by Doing' 방식으로 작성되어 베타리더들의 호평을 받았는데, 이론보다 실습에 주안점을 둔 이유가 있을까요?

제가 이 책을 쓰면서 가장 신경 쓴 부분은 ‘따라 하다 보면 어느새 완성되어 있는 경험’을 제공하는 것이었어요. 각 장을 넘길 때마다 “어? 벌써 챗봇이 돌아가네?”, “RAG가 이렇게 쉬운 거였어?” 이런 놀라움을 느끼실 수 있도록 구성했습니다.

특히 베타리더분들 중에 “드디어 AI 책을 끝까지 읽었다”라는 피드백을 주신 분이 있었는데, 정말 뿌듯했어요. 그분은 이전에 여러 AI 책을 시도했지만 이론 파트에서 막혀 포기했다고 하시더라고요. 그런데 이 책은 만들면서 배우니까 재미있어서 끝까지 완주했다고요.

물론 이론이 중요하지 않다는 건 아니에요. 하지만 순서의 문제라고 생각해요. 일단 뭔가를 만들어보고 “아, 이게 이렇게 돌아가는구나!”를 체감한 다음에 이론을 공부하면 훨씬 쉽게 이해되거든요. ​​복잡한 수식 하나 없이 그저 코드를 따라 치고 실행하다 보면 어느새 여러분만의 AI 에이전트가 동작하고 있을 거예요. 

Q8. 책에 담긴 프로젝트들을 개발하시면서 가장 기억에 남는 기술적 난관이나 도전 과제가 있었다면 무엇이었고, 어떻게 해결하셨는지 궁금합니다. 

가장 어려웠던 부분은 멀티모달 RAG를 설명하는 부분이었어요. 기술적으로는 직접 구현해본 내용이라 어렵지 않았는데, 문제는 “이걸 글(책)로 어떻게 설명할까?” 하는 고민이 컸습니다. 

특히 환경 설정 부분은 진짜 딜레마였어요. 오픈소스 모델(LLaVA, Llama 3.1)을 사용하자니 독자 입장에서 GPU 설정부터 시작해서 환경 구축이 너무 복잡하더라고요. 이걸 그대로 설명하면 아마 많은 분들이 너무 어렵다고 하며 중간에 포기할 수도 있겠다는 걱정이 들었고요. 반면에 OpenAI API만 사용하면 설정은 간단하지만, 비용 부담이 생기고 “이걸로 실제 프로덕션을 구현할 수 있을까?”라는 의문이 남을 것 같았어요.

그래서 제가 선택한 전략은 단계적 접근법이었습니다. 처음에는 OpenAI API 기반으로 시작해서 “멀티모달 RAG란 이런 거구나”를 바로 체험할 수 있게 만들었고, 이후에 점차 복잡도를 높이면서 “비용을 줄이고 싶다면 이렇게 오픈소스 모델을 써보세요”라는 식으로 설명을 이어갔어요. 독자에게는 A안과 B안을 선택지로 제공한 거죠.

• A안: 간단하지만 유료(OpenAI API)
• B안: 무료지만 복잡한 설정(오픈소스 모델)

그리고 또 하나 힘들었던 부분은 모델마다 입출력 포맷이 다르다는 점이었어요. 예를 들어, OpenAI는 이미지 URL만 넘기면 되는데 LLaVA는 로컬 이미지 파일을 전처리해서 텐서로 변환해야 하고, Llama 3.1 기반 모델은 또 완전히 다른 입력 형식을 요구하더라고요. 이걸 하나하나 설명하다 보면 독자들이 헷갈릴 것 같아서, 통일된 인터페이스를 만들기로 했어요. 

그리고 또 하나 고민이 컸던 건 독자들의 다양한 환경이었어요. 누군가는 윈도우, 누군가는 macOS 또는 Linux를 쓰고 또 GPU가 있는 사람도 있고, 전혀 없는 사람도 있죠. 이 다양한 상황을 모두 커버하려니 정말 머리가 아프더라고요. 그래서 결국 책에는 ‘환경별 트러블슈팅 가이드’를 별도로 첨부했어요. 예를 들면 다음과 같은 식이죠.

• “Windows에서 이 에러가 뜬다면 → 이렇게 해보세요”
• “M1 Mac 유저라면 → 이 설정을 바꾸세요”
• “GPU가 없다면 → CPU 모드로 이렇게 실행하세요”

지금 돌아보면 이 과정들이 저한테도 큰 배움이었어요.

Q9. AI 에이전트, 특히 자율성을 가진 에이전트의 발전이 미래 직업 시장과 우리의 일상에 어떤 구체적인 변화를 가져올 것이라고 예상하시나요?

현장에서 체감하는 변화의 속도는 정말 빠릅니다. 불과 6개월 전만 해도 다들 “AI가 내 일을 대체할까?”를 걱정하셨는데요. 지금은 오히려 “AI와 어떻게 협업할까?”를 진지하게 고민하고 있습니다.

직업 시장에서도 아주 구체적인 변화들이 일어나고 있어요. 흥미로운 변화는 중간 관리자의 역할이 재정의되고 있다는 점이에요. 예전에는 보고서 작성이나 데이터 정리 같은 반복 업무가 많았지만, 이제 그런 일들은 대부분 AI가 대신하고 있죠. 그 대신 인간은 창의적인 의사결정이나 팀원 케어 같은 더 본질적인 업무에 집중하게 됩니다. 결국 사람의 역할이 더 ‘사람답게’ 바뀌는 셈이죠.

일상생활의 변화도 흥미롭습니다. 개인 비서 AI는 곧 보편화될 거예요. 저는 개인적으로 매일 아침 하루 일정과 날씨, 식사 추천까지 브리핑해주는 에이전트를 만들어서 사용하고 있어요. 앞으로는 이런 AI가 우리 삶의 ‘기본 도구’처럼 자리 잡을 거라고 예상합니다. 

또 하나는 맞춤형 교육의 대중화예요. AI 튜터가 학습자의 속도와 스타일을 분석해서 커리큘럼을 실시간으로 조정해주는 식이죠. 실제로 제 아이가 쓰는 수학 앱에도 이미 그런 기능이 들어가 있어요. 학습 격차를 줄이고 누구나 자기 속도로 성장할 수 있는 환경이 열리고 있습니다. 

그리고 저는 창작의 민주화도 매우 중요한 변화라고 봅니다. 누구나 AI를 활용해서 작가가 되고, 작곡가가 되고, 심지어 게임 개발자도 될 수 있는 시대가 왔어요. 상상력이 곧 실현 가능성이 되는 시대죠. 그런데 이런 변화 속에서 제가 가장 강조하고 싶은 건 AI가 아무리 똑똑해도 할 수 없는 게 있어요. 공감, 창의성, 윤리적 판단, 책임감 같은 것들이요. 저는 앞으로의 시대에 인간의 역할은 기계가 할 수 없는 본질적인 것에 집중하는 방향으로 진화할 거라고 확신합니다. 결국, 기술은 도구일 뿐이고 그걸 어떻게 활용하고, 어떤 가치를 만들어내느냐는 전적으로 사람에게 달려 있다고 믿습니다.

Q10. 생성형 AI 시대에 개인이 새로운 기회를 포착하고, '능동적인 창작자'로 성장하기 위해 가장 중요하게 갖춰야 할 역량은 무엇이라고 보시나요? 

‘능동적 창작자’가 되는 데 필요한 건 기술력보다 마인드셋이에요. 중요한 건 내가 직접 뭔가를 만들고 싶어 하는 의지와 호기심, 그리고 작은 도전을 계속 이어가는 실천력입니다.

AI 시대에 필요한 역량은 거창한 기술보다도 아주 일상적인 습관에서 시작돼요. 예를 들어 “이거 AI로 할 수 있을까?”라는 질문만 자주 던져도 큰 차이를 만들 수 있습니다. 실제로 기억에 남는 수강생 중 한 분은 빵집을 운영하시는 사장님이셨어요. 어느 날 AI를 활용한 신메뉴 개발을 시도하셨고, 지금은 고객 취향 데이터를 분석해 마케팅 전략까지 AI로 설계하고 계시죠. 

AI는 답을 주는 도구지만, 질문은 결국 사람이 해야 하잖아요. 그래서 ‘무엇을 해결하고 싶은가’, ‘이 문제의 본질은 뭘까’를 스스로 정의하는 능력이 정말 중요합니다. 저 역시 프로젝트를 진행할 때 코딩보다 문제 정의에 더 많은 시간을 씁니다. 좋은 질문 하나가 열 개의 답보다 더 의미 있을 때가 많거든요.

이런 흐름 속에서는 빠른 학습과 적응력도 중요해집니다. AI 도구는 정말 빠르게 바뀌고, 6개월 전까지만 해도 최고였던 도구가 지금은 잘 쓰이지 않을 수도 있거든요. 하나의 도구에 집착하기보다는 다양한 도구를 가볍게 익히는 유연함이 필요합니다. 저는 매주 하나씩 새로운 AI 도구를 사용해보는 걸 습관처럼 실천하고 있어요. 그렇게 해보면 기술 트렌드를 따라잡는 건 물론이고, 서로 다른 도구를 조합하는 감각도 자연스럽게 생기더라고요.

그리고 요즘처럼 뭐든 만들 수 있는 시대일수록 윤리적인 판단력은 점점 더 중요해지고 있어요. 기술적으로 가능하다고 해서 다 해도 되는 건 아니니까요. 저 역시 프로젝트를 기획할 때마다 “이게 사회에 어떤 영향을 줄까?”, “진짜 사람들에게 도움이 되는 방향인가?”를 꼭 고민하게 됩니다. 기술 구현을 넘어 사회적 책임을 고려하는 시선이 필요한 시점이라고 느낍니다.

마지막으로 꼭 드리고 싶은 말씀은, “작은 성공 경험부터 시작하세요”라는 거예요. 지금은 기술 그 자체보다 기술을 어떻게 바라보고 활용할 것인가라는 태도와 사고방식이 훨씬 중요한 시대입니다. 이 책을 통해 여러분이 능동적인 창작자로서 첫걸음을 내딛길 진심으로 응원합니다.

Q11. 생성형 AI의 발전, '바이브 코딩'의 등장 등 기존과는 전혀 다른 개발 환경이 빠르게 조성되고 있습니다. 이런 변화 속에서, 앞으로의 코딩 교육은 어떤 방향으로 나아가야 한다고 보시나요? 특히 비개발자나 AI를 처음 접하는 분들에게 가장 강조하고 싶은 학습 전략이나 교육 방식이 있다면 말씀 부탁드립니다.

제가 추천하는 새로운 학습 전략은 프로젝트 중심 학습이에요. 문법 공부도 좋지만 잠시 미뤄두세요. 일단 만들고 싶은 걸 정하고, AI와 함께 만들어보는 거예요. 그 과정에서 자연스럽게 프로그래밍을 익힐 수 있다고 생각합니다.

그리고 AI 페어 프로그래밍을 시도해보세요. AI를 선배 개발자라고 생각하고 함께 코딩하는 거예요. "이 부분 어떻게 개선할 수 있을까?", "왜 에러가 나는 거야?" 이렇게 대화하면서 배우는 게 훨씬 빠릅니다. 처음에는 코드의 모든 줄을 이해할 필요 없어요. 레고 블록 조립하듯이, 필요한 기능을 조합해서 원하는 걸 만들 수 있으면 됩니다. 제가 이 책에서도 강조했듯이 완벽한 코드보다 ‘동작하는 서비스’가 더 흥미를 일으킬 겁니다.

Q12. 현재 이 시점에서 AI 개발을 배우는 분들이 특정 분야에 집중하면 가장 빠르게 성과를 낼 수 있다고 보시는 영역이 있다면 추천해주실 수 있을까요?

첫 번째는 업무 자동화입니다. 이 분야의 가장 큰 장점은 ‘내일부터 바로 써먹을 수 있다’는 실용성에 있어요. 보고서 자동 생성 봇이라든지, 이메일 자동 분류 및 기본 응답 시스템, 혹은 회의 내용 요약 솔루션 등이 있죠. 이러한 시스템은 반복적이고 시간이 많이 드는 작업을 줄여줘 조직 전체의 생산성을 빠르게 높일 수 있습니다.

두 번째로는 고객 상담 챗봇이 있습니다. 이건 모든 기업이 필요로 하는 영역이에요. 처음부터 너무 큰 걸 만들 필요는 없고, 실제로 저는 ‘자주 묻는 질문 10개만 답할 수 있는 챗봇’부터 시작할 것을 권장합니다. 이렇게 시작하면 구현도 간단하고 고객 반응도 바로 확인할 수 있어 피드백 기반으로 점점 발전시켜 나갈 수 있죠. 특히 중소기업 대상으로는 월 구독 형태의 SaaS 모델로도 확장 가능해서, 수익화 가능성도 큽니다.

세 번째는 콘텐츠 생성 자동화입니다. 요즘 블로그, 유튜브, 인스타그램 등 다양한 채널을 운영하는 분들이 많잖아요. 이런 분들께 AI 기반의 콘텐츠 도구가 매우 유용합니다. 예를 들어 블로그 초안 작성 도구, 유튜브 영상 대본 생성기, 혹은 SNS용 해시태그 자동 생성 도구 등이 있어요. 여기서 한 단계 더 나아가 특정 브랜드의 톤앤매너나 말투를 학습시켜서 맞춤형 콘텐츠를 생성하게 되면, 경쟁력 있는 차별화 요소가 되기도 합니다.

마지막으로는 데이터 분석 및 시각화 분야를 추천드립니다. 많은 분이 어려워하실 수 있지만 사실 엑셀만 다룰 줄 알아도 시작할 수 있어요. 예를 들어 단순한 매출 데이터를 기반으로 AI가 인사이트를 도출해주거나 이를 자동으로 시각화해서 리포트를 만들어주는 도구를 만든다면 경영진 입장에서도 굉장히 유용하죠. 실제로 많은 기업에서 이런 시스템을 굉장히 반기더라고요.

Q13. 독자가 이 책을 읽고 나면 구체적으로 어떤 결과물 혹은 지식을 얻어갈 수 있을까요? 아니면 어떤 변화가 일어날까요?

가장 먼저 얻게 되는 핵심적인 수확은 실전 프로젝트 경험입니다. 이 책에는 총 3개 이상의 실제 프로젝트 예제가 포함되어 있습니다. 자주 묻는 질문에 응답하는 기본 챗봇, 특정 도메인의 문서를 검색하고 답변하는 RAG 기반 지식 검색 시스템, 그리고 랭체인 에이전트를 기반으로 구성된 업무 자동화 시스템이 대표적입니다. 이 프로젝트들은 바로 실무에 적용 가능한 수준으로 구성되어 있어 실전 감각을 키우기에 충분합니다.

또 하나 중요한 부분은 문제 해결 능력을 자연스럽게 익힐 수 있도록 구성했다는 점입니다. AI 프로젝트를 하다 보면 자연스럽게 다양한 문제 상황과 맞닥뜨립니다. 예를 들어 에러가 발생했을 때 어떻게 대처할지, 모델 응답 속도가 느릴 때 성능을 어떻게 개선할지, API 비용이 높을 경우 어떤 방식으로 최적화할 수 있을지 등등 실무에서 마주할 수 있는 문제들이죠. 그럴 때 스스로 해답을 찾는 방법, 그리고 그 과정에서 배워야 할 사고방식을 함께 담고자 했습니다. 단순히 코드를 따라 치는 것이 아니라 ‘왜 이렇게 설계되었는가’, ‘이 방식보다 더 나은 방법은 없을까’라는 질문을 자연스럽게 던지게 됩니다.

그리고 이 책이 주는 가장 큰 변화는 바로 ‘태도의 전환’입니다. AI라는 기술을 어렵고 멀게만 느끼던 사람들이 직접 무언가를 구현해보는 경험을 통해 점차 ‘AI를 활용하는 사람’으로 변화하게 됩니다. 또한, 이 책을 통해 자신감을 얻은 독자들은 자연스럽게 더 높은 단계로 나아가게 됩니다. 단순한 기능을 구현하는 데서 시작해 점점 더 복잡한 문제에 도전하게 되고, 나아가 기술을 소비하는 입장에서 벗어나 직접 기술 기반의 결과물을 만들어내는 창의적인 주체로 성장하게 됩니다.

Q14. 이 책을 완독한 독자들이 다음 단계로 도전해볼 만한 프로젝트나 심화 학습할 기술 분야를 추천해주신다면 무엇이 있을까요?

책을 읽은 후라면, 저는 RAG 기반의 벡터 검색과 에이전트 기반 자율 판단 시스템을 조합한 방향을 추천드리고 싶습니다. 요즘 많은 관심을 받는 RAG는 외부 지식을 효과적으로 검색해서 LLM의 응답에 반영할 수 있게 해주는 구조예요. 이를 통해 단순히 ‘기억된 것만 말하는’ AI가 아니라 ‘필요한 정보를 실시간으로 찾아서’ 보다 신뢰도 높은 응답을 제공할 수 있게 됩니다. 단순 Q&A를 넘어서 상황에 따라 판단하고, 적절한 행동을 스스로 선택하는 AI 시스템을 만들 수 있습니다.

예를 들어 법률 분야라면 판례와 법령을 벡터화해서 검색하고, 에이전트가 사건의 맥락에 따라 적절한 조항을 적용해주는 식의 서비스가 가능하죠. 또한 의료 분야에서는 의학 논문이나 질병 정보를 학습한 RAG+Agent 시스템이 환자의 증상을 기반으로 1차 진단을 보조해주는 것도 실현 가능합니다. 

이처럼 정보 검색 + 자율 판단 + 멀티에이전트 협업이 결합된 구조를 고민해보신다면 실제 현실의 문제를 해결할 수 있는 고도화된 AI 서비스를 직접 설계해보는 값진 도전이 될 거라고 생각합니다.

그리고 기술적으로는 RAG 구현을 위한 PGVector나 Qdrant 같은 벡터 DB, 랭그래프(LangGraph) 기반 플로우 설계, 그리고 오픈소스 LLM(Llama 3, Mistral 등)의 파인 튜닝 또는 프롬프트 엔지니어링 등도 함께 공부해보시면 좋겠습니다. 특히 최근에는 비용 효율적인 자체 모델 운영도 점점 현실화되고 있으니 이를 활용해 맞춤형 AI 시스템을 만드는 것도 충분히 도전해볼 만한 과제입니다.

Q15. 마지막으로 <조코딩의 랭체인으로 AI 에이전트 서비스 만들기>를 통해 독자들이 궁극적으로 무엇을 얻어가길 바라는지, 독자들에게 전하고 싶은 메시지가 있다면 자유롭게 말씀해주세요. 

이 책을 끝까지 읽으신 독자분들이 단순히 ‘코드를 따라만 하는 것’에 머무르지 않고, 실제로 세상에 유용한 AI 서비스를 기획하고 만들어볼 수 있는 자신감을 얻어가셨으면 좋겠습니다. AI 기술이 멀게만 느껴질 수 있지만 요즘은 오픈소스 생태계와 도구들이 워낙 잘 갖춰져 있어서 아이디어만 있다면 누구나 에이전트를 만들어 볼 수 있을 겁니다. 모든 이의 용기 있는 도전을 응원합니다!

AI 서비스를 사용하는 것을 넘어 누구나 AI 서비스를 직접 만들 수 있는 시대, 『조코딩의 랭체인으로 AI 에이전트 서비스 만들기』는 GPT·LLaMA·RAG·멀티모달 등 최신 AI 기술을 랭체인으로 연결해 나만의 AI 서비스를 직접 만들어 볼 수 있도록 안내합니다. 

파이썬만 알고 있다면 쉽게 따라 할 수 있도록 예제 중심으로 구성되었으며 PDF 기반 챗봇, 인공지능 시인 등 흥미로운 주제로 수익화 기능까지 구현해 봅니다. 조코딩, 우성우 저자와 함께 머릿속에만 있던 아이디어를 현실로 만들어 보시기 바랍니다.