단순한 활용을 넘어 원리부터 구축까지,
AI 에이전트 개발을 위한 모든 지식

지능형 AI 에이전트의 시대, 이 책은 LLM 블랙박스 속 원리를 체계적으로 분석합니다. 현대 인공지능의 뼈대인 트랜스포머 아키텍처를 원리부터 상세히 분석하여, 모델이 어떻게 문맥을 이해하고 정교한 답변을 생성하는지 명확히 설명합니다. 셀프 어텐션과 강화학습의 이론적 토대부터 랭체인과 랭그래프를 활용한 실전 에이전트 구축까지의 전 과정을 한 권에 담았습니다. 특히 이론 학습에 그치지 않고 Streamlit을 이용한 서비스 배포, RAG, 그리고 외부 시스템과의 표준화된 연결을 돕는 최신 MCP 기술까지 폭넓게 다룹니다. 단순히 응용 코드를 따라 하는 수준을 넘어, 모델 구조를 정확히 이해함으로써 나만의 차별화된 AI 솔루션을 설계하고 기술 트렌드의 변화 속에서 스스로 판단할 수 있는 능력을 길러보세요.

주요 내용
●    자연어 처리의 기본 개념과 기초 수학, 강화학습의 핵심 원리
●    RNN, LSTM, seq2seq, 어텐션 구조
●    트랜스포머 내부의 인코더와 디코더 아키텍처 구조
●    Ollama, 트랜스포머, Llama_cpp, 랭체인, 랭그래프를 활용한 AI 에이전트 실습
●    Full fine-tuning, PEFT, Adapter, LoRA, QLoRA, 양자화로 이어지는 로컬 LLM과 모델 재학습 방법
●    ChromaDB 기반 RAG, 대화형 RAG, Iterative RAG, Adaptive RAG를 통한 검색 증강 생성 실습
●    A2A와 MCP로 이해하는 멀티 에이전트 및 외부 도구 연동
●    Streamlit으로 대화 기억, 랭그래프, RAG를 결합한 AI 에이전트 서비스 구현
 

CHAPTER 1 실습 환경 구축하기
_1.1 비주얼 스튜디오 설치
_1.2 미니콘다를 활용한 가상 환경 구축
_1.3 CPU 환경 - 파이썬 라이브러리 설치
_1.4 GPU 환경 - 파이썬 라이브러리 설치

CHAPTER 2 자연어 처리 기초
_2.1 자연어 처리의 개념
__2.1.1 자연어 처리의 발전
__2.1.2 word2vec
__2.1.3 토큰화
__2.1.4 임베딩
__2.1.5 청킹
_2.2 기초 수학
__2.2.1 스칼라, 벡터, 행렬
__2.2.2 내적
__2.2.3 외적
__2.2.4 편미분
__2.2.5 그래디언트 디센트

CHAPTER 3 강화학습 기초
_3.1 강화학습의 개념
__3.1.1 강화학습의 정의
__3.1.2 강화학습의 구성 요소
_3.2 상태가 변하지 않을 경우의 보상 추정
__3.2.1 다중 슬롯 머신 문제
__3.2.2 행동에 따른 가치 추정 방법
__3.2.3 점진적 업데이트 방식
_3.3 마르코프 결정 프로세스
__3.3.1 마르코프 결정 프로세스의 정의
__3.3.2 누적 보상
__3.3.3 정책과 가치 함수
_3.4 몬테카를로 방법
__3.4.1 몬테카를로 방법의 개념
__3.4.2 몬테카를로 방법을 활용한 상태 가치 예측
__3.4.3 상태 가치 예측 실습
_3.5 시간차 학습
__3.5.1 TD(0)의 개념
__3.5.2 TD(0) 실습
__3.5.3 Sarsa의 개념
__3.5.4 Sarsa 실습
__3.5.5 Q-learning의 개념
__3.5.6 Q-learning 실습
__3.5.7 Q-learning을 활용한 자연어 처리 강화학습

CHAPTER 4 시퀀스 모델
_4.1 순환 신경망의 개념
__4.1.1 순환 신경망 기초
__4.1.2 손실 함수의 그래디언트
_4.2 LSTM
__4.2.1 LSTM의 개념
__4.2.2 LSTM 구조
__4.2.3 양방향 LSTM
__4.2.4 넘파이를 활용한 LSTM 실습
_4.3 seq2seq
__4.3.1 seq2seq의 개념
__4.3.2 빔 서치

CHAPTER 5 어텐션
_5.1 어텐션의 기본 원리
__5.1.1 어텐션의 정의
__5.1.2 어텐션의 구조
__5.1.3 Query, Key, Value
_5.2 셀프 어텐션
__5.2.1 셀프 어텐션의 개념
__5.2.2 입력 벡터 기준으로 보는 셀프 어텐션 구조
__5.2.3 입력 행렬 기준으로 보는 셀프 어텐션 구조
_5.3 멀티 헤드 어텐션
__5.3.1 멀티 헤드 어텐션의 개념
__5.3.2 멀티 헤드 어텐션의 구조
_5.4 크로스 어텐션
__5.4.1 크로스 어텐션의 개념
__5.4.2 크로스 어텐션의 구조

CHAPTER 6 트랜스포머
_6.1 트랜스포머의 개념
_6.2 포지셔널 인코딩
__6.2.1 포지셔널 인코딩의 개념
__6.2.2 포지셔널 인코딩의 구조
_6.3 트랜스포머 아키텍처
__6.3.1 전체 구조
__6.3.2 트랜스포머의 인코더
__6.3.3 트랜스포머의 디코더
_6.4 트랜스포머를 활용한 학습 및 추론
__6.4.1 트랜스포머를 활용한 학습
__6.4.2 트랜스포머를 활용한 추론

CHAPTER 7 LLM의 발전
_7.1 LLM의 개념
__7.1.1 LLM의 유형
__7.1.2 LLM 기술 발전 연대기
_7.2 강화학습을 적용한 LLM
__7.2.1 기존 언어 모델의 문제점
__7.2.2 사용자 피드백을 활용한 강화학습
__7.2.3 PPO 알고리즘의 등장
__7.2.4 강화학습에 적용된 PPO 알고리즘
__7.2.5 few-shot, one-shot, zero-shot 학습 방법
__7.2.6 InstructGPT
__7.2.7 유익하고 안전한 언어 모델
_7.3 LLM의 종류
__7.3.1 GPT
__7.3.2 LLaMA
__7.3.3 BERT

CHAPTER 8 LLM 에이전트 개발 도구
_8.1 Ollama
__8.1.1 Ollama 소개
__8.1.2 Ollama 기본 실습
_8.2 트랜스포머 라이브러리
__8.2.1 허깅페이스 소개
__8.2.2 트랜스포머 라이브러리 소개
__8.2.3 트랜스포머 라이브러리의 두 가지 활용 방법
__8.2.4 Low Level API 기본 실습
__8.2.5 High Level API 기본 실습
__8.2.6 Low Level API & High Level API 혼합 방식
_8.3 Llama_cpp 라이브러리
__8.3.1 Llama_cpp 라이브러리 소개
__8.3.2 GGUF 모델 다운로드
__8.3.3 Llama_cpp 라이브러리 기본 실습
_8.4 랭체인 라이브러리
__8.4.1 랭체인 라이브러리 소개
__8.4.2 LangChain Expression Language(LCEL)
__8.4.3 랭체인 + 트랜스포머 기본 실습
__8.4.4 랭체인 + Ollama 실습
__8.4.5 Ollama를 활용한 REST API 방식
__8.4.6 메모리 기능을 활용한 대화형 에이전트
_8.5 랭그래프 라이브러리
__8.5.1 랭그래프 라이브러리 소개
__8.5.2 랭그래프 구성 요소
__8.5.3 랭그래프 기본 실습
__8.5.4 랭그래프 + 랭체인 + 트랜스포머 실습
__8.5.5 랭그래프 + 랭체인 + Ollama 실습

CHAPTER 9 파인튜닝과 로컬 LLM
_9.1 Full fine-tuning
__9.1.1 Full fine-tuning의 개념
__9.1.2 기본 분류 실습
__9.1.3 Full fine-tuning 실습
__9.1.4 Full fine-tuning된 모델을 불러온 후 추가 학습
__9.1.5 Full fine-tuning된 모델을 불러온 후 예측
_9.2 PEFT
__9.2.1 PEFT의 필요성
__9.2.2 PEFT의 공통 개념
__9.2.3 PEFT의 종류
_9.3 Adapter
__9.3.1 Adapter의 개념
__9.3.2 Adapter의 내부 구조
__9.3.3 Adapter의 종류
_9.4 AdapterFusion
__9.4.1 AdapterFusion의 개념
__9.4.2 AdapterFusion의 내부 구조
_9.5 LoRA
__9.5.1 LoRA의 개념
__9.5.2 LoRA의 내부 구조
__9.5.3 LoRA 실습
__9.5.4 LoRA를 활용해 학습된 모델을 불러온 후 예측
_9.6 QLoRA
__9.6.1 양자화의 개념
__9.6.2 QLoRA의 개념
__9.6.3 QLoRA 실습
__9.6.4 QLoRA를 활용해 학습된 모델을 불러온 후 예측

CHAPTER 10 RAG
_10.1 RAG의 개념
__10.1.1 RAG의 등장 배경
__10.1.2 RAG의 특징
_10.2 RAG 아키텍처
__10.2.1 RAG 전체 구조
__10.2.2 RAG-Sequence 모델
__10.2.3 RAG-Token 모델
__10.2.4 Retriever
__10.2.5 Generator
_10.3 벡터 DB 기초
__10.3.1 벡터 DB의 개념
__10.3.2 벡터 DB의 종류
__10.3.3 임베딩 실습
__10.3.4 ChromaDB 실습
__10.3.5 CSV to ChromaDB 실습
__10.3.6 청킹 실습
_10.4 RAG 기초 실습
__10.4.1 트랜스포머 사용을 위한 ChromaDB 구축
__10.4.2 트랜스포머를 활용한 RAG 실습
_10.5 RAG 응용 실습
__10.5.1 랭체인 사용을 위한 ChromaDB 구축
__10.5.2 트랜스포머, 랭체인을 활용한 무기억성 RAG 실습
__10.5.3 트랜스포머, 랭체인을 활용한 대화형 RAG 실습
__10.5.4 트랜스포머, 랭체인, 랭그래프를 활용한 RAG 실습
__10.5.5 Llama_cpp, 랭체인, 랭그래프를 활용한 RAG 실습
__10.5.6 Ollama, 랭체인, 랭그래프를 활용한 RAG 실습
_10.6 Iterative RAG
__10.6.1 Iterative RAG의 개념
__10.6.2 Iterative RAG 실습
_10.7 Adaptive RAG
__10.7.1 Adaptive RAG의 개념
__10.7.2 Adaptive RAG 실습

CHAPTER 11 멀티 에이전트
_11.1 멀티 에이전트의 개념
__11.1.1 싱글 에이전트와 멀티 에이전트
__11.1.2 A2A
_11.2 MCP
__11.2.1 MCP의 개념
__11.2.2 MCP 실습

CHAPTER 12 Streamlit으로 나만의 AI 에이전트 만들기
_12.1 Streamlit 기초
__12.1.1 Streamlit 소개
__12.1.2 VS Code 설치 및 파이썬 가상 환경 연동
_12.2 Streamlit을 활용한 AI 에이전트 개발
__12.2.1 누구나 쉽게 만드는 전래동화 AI 에이전트
__12.2.2 대화 내용을 기억하는 채팅 에이전트
__12.2.3 랭그래프 기반 AI 에이전트
__12.2.4 RAG 기반 AI 에이전트
 

도구를 넘어 구조를 읽는 힘 
트랜스포머 아키텍처부터 운영 가능한 AI 에이전트까지
AI 에이전트 개발 도구는 쉬워졌지만, 원하는 동작을 안정적으로 설계하고 문제를 스스로 진단하려면 도구 사용법만으로는 부족합니다. 이 책은 단순한 API 활용서가 아니라, AI 에이전트에서 LLM과 트랜스포머가 어떻게 문맥을 이해하고 답을 생성하는지부터 설명합니다. 트랜스포머 동작을 이해하기 위한 자연어 처리 기초, 핵심 수학 개념, 강화학습, RNN, LSTM, seq2seq, 어텐션을 거쳐 트랜스포머 구조로 올라가는 촘촘한 학습 흐름을 통해, 독자는 최신 도구의 추상화 뒤에 있는 원리를 자연스럽게 이해할 수 있습니다.  
실습 역시 단순한 예제 실행에서 끝나지 않습니다. 파인튜닝은 Full fine-tuning부터 LoRA, QLoRA, 양자화까지 모델 크기와 목적에 따른 선택 기준을 제시하고, RAG는 기초 파이프라인부터 대화형, Iterative, Adaptive RAG로 확장하면서 실무에서 피할 수 없는 RAG 평가의 어려움까지 짚습니다. 다음으로 싱글 에이전트의 한계를 분석한 뒤 A2A 기반 멀티 에이전트를 설계하고, 에이전트 간 통신을 표준화하는 MCP 프로토콜도 구현해봅니다. 마지막으로 앞서 배운 모든 요소를 Streamlit 웹 서비스로 통합해 배포까지 진행합니다. 이 책을 통해 단순히 예제를 재현하는 데서 끝나지 않고, 자신만의 요구사항에 맞게 에이전트를 설계하고 확장하는 기준을 세울 수 있습니다. 

대상 독자
●    AI 에이전트를 단순히 사용해보는 수준을 넘어, 내부 원리까지 이해하며 개발하고 싶은 개발자
●    AI 에이전트 내부의 LLM과 트랜스포머 아키텍처를 체계적으로 배우고 싶은 주니어 엔지니어
●    랭체인, 랭그래프, RAG를 실무 서비스 구조로 연결하는 지식이 필요한 실무 엔지니어
●    A2A, MCP, 멀티 에이전트, Streamlit 배포까지 포함해 PoC를 운영 가능한 AI 서비스로 발전시키고 싶은 개발자