한빛미디어

0. 다시 시작한 서평

미국 박사 과정 진학 전과 초반에 참여했던 '나는 리뷰어다' 활동을 졸업 후 직장인이 되어 다시 시작하게 되었습니다. 박사과정 마치고 연구원으로 생활하고 있는데, 이젠 책을 한빛+ ebook으로 받을 수 있어 태평양 건너에서 거리의 제약 없이 활동을 할 수 있게 되어 매우 만족..

여기서 개발 관련 책들을 보면서 느낀 점 중 하나는 원서들이 이론적인 설명은 훌륭하지만, 실무적인 개발서만큼은 한국 서적들이 훨씬 친절하고 최신 트렌드를 잘 반영한다는 것입니다. 그리고 은근히 미국 서점에서는 개발서를 찾기 힘듭니다. 그래서 보통 배우려는 기술 사이트/깃헙에 오피셜 도큐먼트 및 튜토리얼을 보면서 배우게 되는데, 아무래도 한번 그 과정을 거친 누군가(저자)가 다시 정리해주는것과 비교해서 친절도가 많이 다릅니다.. 그래서 최신 툴을 빠르게 습득해야 할 때, 저는 종종 한국 개발서들을 ebook으로 보면서 잘 활용하는 중이고요.

​

1. 본격 리뷰전 - LLM 시대, 기술서가 필요한가?

LLM이 다 알려주는데 왜 책을 보나요? 라는 질문을 던질 수 있습니다. 제 관점에서 LLM은 제가 가진 궁금점들을 쉽고 편하게 해소하게 해주는데에 매우 뛰어난 반면, 어떤 지식 체계를 어떤 순서로 어떤 방향으로 배워야하는지 알려주는데에는 많이 부족합니다. 이걸하는데 LLM의 도움을 받을 수 있다면, 이미 본인이 초심자는 아닌거라 생각합니다. 즉, LLM이나 AI는 곱셈 연산이라 생각합니다. 제가 가진게 0이면, 아무리 곱해도 0입니다.. 반면 책은, 저자가 첫장부터 마지막 장까지, 방향과 흐름을 고심해서 구상해서 설계한 완성된 하나의 커리큘럼으로 짜여져 있기 때문에, 제가 초심자여도 처음부터 끝까지 따라가기만 하면 감이 잡힙니다.

​

그래서 책은 기술의 시작점은 어디인지, 어느 방향으로 나아가야 하는지, 그리고 그 끝에 어떤 가능성이 있는지 보여주는 스타터팩이라고 생각합니다. 책을 학습하며 초기 뼈대를 잡고 나면, 이후 기술을 배우고 활용하는 과정이 훨씬 효율적입니다. 그리고 스타터팩이기 때문에, 책 한권을 처음부터 끝까지 보는게 보통 좋고, 책을 보고 땡이아니라 이후에 배운 걸 활용하고 프로젝트를 해보는게 중요합니다. 결국 본인의 시간을 투자해 프로젝트를 직접 수행하며 얻는 이해와 성장은 AI가 대신해 줄 수 없는 영역이니까요. 그리고 이것이 이후에 LLM/AI를 통한 곱셈증폭을 위한 밑천이 되어줍니다.

​

2. AI 에이전트 (feat. OpenClaw와 Local LLM)

현업에서 연구와 개발을 병행하며 GitHub Copilot과 Gemini CLI를 적극 활용하고 있습니다. 요즘 OpenClaw 같은 에이전트 앱들이 화제가 되는 것을 보며, 이제는 LLM 자체의 성능만큼이나 LLM을 코어로 삼아 어떻게 환경을 구축하느냐가 더 중요하다는 생각이 들었습니다.

특히, 모델 자체가 엄청 고성능의 모델이 아니더라도, 주변에 살을 어떻게 붙이냐에 따라 활용성이 매우 높을 수 있다는 것을 최근에 많이 경험중입니다. 거기에 더해 보안/프라이버시나 비용효율성을 고려하여 구독 활용하는 LLM서비스 외에, 로컬에서 가벼운 모델들을 잘 활용하는 것에 관심이 생겨 Ollama랑 OpenCode를 회사 맥북과 개인 데스크탑에서 가지고 놀던 중, 이 책을 AI 에이전트 마스터 클래스 만나게 되었습니다.

3. 핵심은 표준화 (LangChain과 MCP), 그리고 이를 예제와 간단명료하게 잘 설명한 책

단순히 파이썬 코드로 LLM API를 호출하는 수준을 넘어, 사람의 개입을 최소화하고 주어진 문제에 대해 스스로 단계를 결정하고, 해결 단계들을 수행하는 것이 에이전트의 핵심입니다. 하지만 개발자마다 각기 다른 방식으로 에이전트를 만든다면 파편화가 발생하겠죠. 본격적인 에이전트 개발 및 활용전에, 서로 다르게 구현된 에이전트들을 배우다가 시간을 다 쓰고 실제 개발이나 활용은 건드리지도 못하게 되는 상황이 있을 수 있죠. 여기서 표준화의 필요성이 생깁니다. 그리고 이 책은 그 에이전트 시스템에서 사실상 표준인 LangChain과 MCP에 대해 명료하게 설명합니다. 이 책을 읽으면서 이해한 것으로 간단히 설명해보자면..

• LangChain(랭체인): LLM을 에이전트로 스텝업시키기 위한 도움 키트. 문맥을 이해하는 기억력, 사고의 단계 (e.g., 분석-검색-생성), 외부 도구 활용 등을 최소한의 코드로 구현하게 해주는 프레임워크입니다.
• MCP(Model Context Protocol): 이름 그대로 프로토콜 (규약) 입니다. 외부 프로그램과 에이전트를 연결할 때 수작업을 줄이고, 일관성 있게 다양한 도구를 붙일 수 있게 해주는 표준입니다.

​

사실 이정도의 정보는 동료 연구자들이랑 오며가며 한 이야기로도 어렴풋이 알고 있었습니다. 하지만, 얕은 대화로는 기술의 실체를 알 수 없고, 보통 그런 상황에서는 기술에 대한 막연한 지적 두려움이 생기기 마련입니다. 최근에 현지에서 에이전트라는 말이 버즈워드로 너무 남용되면서, 이에 대해 막연한 답답함을 해소하고 싶단 목마름이 강하게 들고 있었거든요. 이 책은 그런 측면에서 매우 도움이 되었습니다. 명료한 설명에 더해 실제 코드를 작성하고 랭체인과 MCP를 사용해보면서, 기술의 실체를 정확히 파악하도록 돕습니다. 동료들과의 가벼운 대화만으로 어렴풋이 학습하면서 생겨버린, 기술의 실체 파악에 대한 답답함을 해소시켜주는 책입니다. 최근에 저처럼 LLM에서 AI 에이전트가 기술적으로 무슨 차이(진화) 인지, 그래서 에이전트가 도대체 뭔데 어떻게 동작하는건데, 궁금하시고 답답하신 분들은 읽어보시면 좋을 것 같습니다.

​

4. 마지막 팁

책의 예제는 OpenAI API를 기준으로 진행되지만, 만약 16GB 메모리 이상의 Mac이나 8GB 이상의 메모리를 가진GPU 환경을 갖추고 있다면 로컬에 Ollama를 설치해 실습해보는 것도 괜찮습니다 (더 낮은 메모리로도 가능할거에요.) -- OpenAI API활용까지 공부해보고 싶으신 분들은 책의 실습환경 구축을 따라하시면 됩니다. 로컬 LLM 활용시 OpenAI API 크레딧 충전 비용 부담도 없이도, 책의 핵심 내용들을 충분히 소화할 수 있고, 이것도 좋은 공부가 됩니다. 아래는 간단하게, Ollama 기반으로 로컬 환경 설정하는 방법입니다.

# 1. Ollama 설치: https://ollama.com/ 에 방문하셔서 Ollam 설치 및 로컬 모델을 
     목록에서 (https://ollama.com/search) 보고 다운로드 합니다. 잘 모르겠으면 Gemma사용해보세요.
     ollama pull gemma3:4b # 이거 해보고 메모리 부족시 아래의 더 작은 모델 활용
     ollama pull gemma3:1b

# 2. 파이썬 의존성 설치: 책에서는 랭체인과, 랭체인-openai 를 설치하지만, langchain-ollama로 설치
pip install langchain langchain-ollama

# 3. 예제에서 ChatOpenAI 대신 ChatOllama 사용하기
from langchain_ollama import ChatOllama
llm = ChatOllama(
    model="gemma3:4b",
    temperature=0.5,
    base_url="http://localhost:11434"  # 기본값이므로 로컬 실행 시 생략 가능
)
response = llm.invoke("OpenAI API 대신 Ollama로 로컬 모델을 돌리면 뭐가 좋아?")
print(response.content)

로컬 Ollama + Gemma 를 활용한 초기 예제 코드 + 간단하게 추가로 만들어본 랭체인 워크플로우 코드입니다. 로컬 LLM 모델 활용 하는 방법에 대해 감을 잡고, 책을 학습하는데 도움이 되었으면 좋겠네요.

https://gist.github.com/jheo4/252dc27dc25b63dd33122ad38e85aee3

https://gist.github.com/jheo4/dbcf659856b7e2ac9c4e5feb95f010ad

​

*한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.