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

솔직히 고백하자면 나는 개발자이긴 한데 AI 쪽은 거의 문외한이다.
ChatGPT나 클로드 같은 건 쓰고 있지만, 그게 내부적으로 어떻게 돌아가는지는 관심을 크게 두지 않았다.
그냥 질문하면 답이 나오는 도구 정도로 인식하고 있었다.

그런데 요즘 주변에서 "AI 에이전트"라는 말이 너무 자주 들린다.
뭔가 나만 뒤처지고 있는 것 같은 느낌이 들기 시작했고, 한번쯤 제대로 들여다봐야겠다는 생각이 들었다.

이 책은 바로 그런 사람에게 어울리는 책이었다.

책 목차

• PART 01 / AI 에이전트의 개념과 원리
• PART 02 / 랭그래프로 구현하는 AI 에이전트 (싱글 에이전트)
• PART 03 / 멀티 에이전트 시스템 메모리 설계와 구현
• PART 04 / 프로토콜 기반 에이전트 확장 전략
• PART 05 / 멀티 에이전트 실전 프로젝

총 25가지 에이전트를 직접 만들어보는 구성이다.
입문부터 실전까지 한 권에 담으려다 보니 652쪽이라는 두께는 예고된 수순이었다.
앞쪽은 개념과 기초, 뒤로 갈수록 멀티 에이전트와 실전 통합으로 넘어가는 흐름이다.
개인적으로는 가치가 PART 03 이후에 몰려 있다고 느꼈다.

책 내용 중 흥미로웠던 부분

PART 01 / LLM이 어떻게 결정을 내리는지부터 설명한다

대부분의 책들이 프레임워크 사용법부터 시작하는 것과 달리, 이 책은 LLM의 동작 원리부터 출발한다.

LLM은 매 호출마다 주어진 컨텍스트만 처리하고 그 이상은 기억하지 못한다.
에이전트 프레임워크는 이 무상태 엔진 주위에 상태 관리, 도구 호출, 메모리 레이어를 씌워
"생각하고 행동하는" 시스템처럼 동작하게 만드는 것이다.

특히 ReAct와 Reflection 개념을 먼저 짚어주는 부분이 좋았다.
ReAct는 "생각하고 → 행동하고 → 관찰하는" 루프, Reflection은 스스로 결과를 검토하고 수정하는 능력이다.
이게 이해되고 나니 에이전트가 왜 단순한 LLM 호출과 다른지 납득이 됐다.

PART 02 / 랭그래프가 왜 그래프 구조인지 이해됐다

랭그래프의 그래프 기반 구조를 처음 봤을 때는 "왜 이렇게 복잡하게 만들었나" 싶었다.

책을 읽고 나서야 납득이 됐다.
에이전트의 흐름은 단순한 순차 실행이 아니라, 조건에 따라 분기하고 반복하고 되돌아가는 구조다.
이걸 표현하기에 그래프가 가장 자연스러운 방식이라는 것이다.
노드(처리 단계)와 엣지(분기 조건)로 흐름을 제어하는 방식은
개발할 때 상태 머신이나 플로우차트로 로직을 설계하는 것과 맥락이 닿아 있었다.

PART 03 / 왜 에이전트를 여러 개로 나누는가

"왜 에이전트를 여러 개로 나눠야 하는가?"라는 질문에 책은 납득가는 답을 내놓는다.

하나의 에이전트에 도구가 많아지면 LLM의 판단 정확도가 떨어지고, 유지보수도 어려워진다.
슈퍼바이저 에이전트가 서브 에이전트에게 작업을 위임하는 구조가 왜 더 안정적인지를
코드와 함께 보여주는 방식이 인상적이었다.

단순히 "이렇게 해라"가 아니라 "안 나누면 이런 문제가 생긴다"를 먼저 보여주는 것이다.
함수가 너무 커지면 쪼개는 것과 같은 논리라 이해가 빨랐다.

PART 04~05 / RAG, MCP, A2A

RAG는 LLM이 모르는 내용을 외부 문서에서 검색해서 답하게 하는 기술이다.
이 책은 RAG를 단순히 "벡터 DB에서 꺼내기"로 설명하지 않고,
어떤 데이터를 어떻게 쪼개고 인덱싱할지까지 다루는 부분이 실무적으로 느껴졌다.

MCP(Model Context Protocol)와 A2A(Agent-to-Agent)는 이름만 봐서는 뭔지 전혀 감이 안 왔다.
읽고 나서 이해한 건 이렇다.
에이전트마다 외부 도구나 다른 에이전트와 연결하는 방식이 제각각이면 나중에 통합이 엉망이 된다.
그래서 "이렇게 연결하자"는 표준을 만든 것이 MCP와 A2A라는 것이다.
API 규격을 맞추는 이유와 같다. 표준 없이 각자 다른 방식으로 붙이면 통합할 때 지옥이 펼쳐진다.

책을 읽으며 좋았던 점

AI를 잘 모르는 개발자 입장에서 가장 좋았던 건, 코드 전에 "왜"를 먼저 설명한다는 점이다.

무작정 랭그래프 코드부터 들이밀지 않고, LLM이 왜 이런 구조를 필요로 하는지를 먼저 짚어준다.
덕분에 코드를 봤을 때 "이게 이래서 이렇게 생겼구나"가 이해됐다.
그냥 복붙해서 돌리는 것과는 완전히 다른 느낌이었다.

25가지 에이전트를 단계적으로 쌓아가는 구성도 좋았다.
앞에서 만든 것이 뒤에서 확장되는 흐름이라, 처음부터 끝까지 맥락이 끊기지 않았다.

책을 읽으며 아쉬웠던 점

첫째, 파이썬 기초가 어느 정도 있어야 따라갈 수 있다.
완전 비전공자나 파이썬을 처음 접하는 사람에게는 진입 장벽이 있을 것 같다.
이 책은 어디까지나 개발자를 대상으로 쓰여진 책이다.

둘째, LangChain과 LangGraph는 버전 업데이트가 빠른 라이브러리다.
책이 v1 기반으로 작성되어 있어서, 예제 코드를 그대로 실행하면 버전 차이로 오류가 날 수 있다.
저자가 유튜브 강의와 Q&A 채널을 함께 제공하고 있으니, 막히는 부분은 그쪽을 활용하는 게 좋을 것 같다.

셋째, AI 에이전트를 프로덕션에 올렸을 때 비용이나 성능 이슈를 어떻게 다루는지 내용이 조금 더 있었으면 했다.
실제로 서비스에 붙이려면 LLM 호출 비용이나 응답 속도도 신경 써야 하는데, 그 부분은 독자 몫으로 남겨진 것 같았다.

누가 읽으면 좋을까

• 개발 경험은 있지만 AI 에이전트는 처음인 사람
• LangChain, LangGraph 예제는 돌려봤는데 왜 그런 구조인지 이해가 안 됐던 사람
• LLM 라우팅, RAG, MCP, A2A 같은 키워드를 들어는 봤지만 개념 정리가 안 된 사람
• 업무 자동화에 AI를 직접 연결해보고 싶은 개발자

반대로 이미 에이전트를 실무에서 운영하고 있거나, 프레임워크 내부 구현까지 파고들고 싶은 사람에게는 다소 기초적으로 느껴질 수 있다.
이 책은 명확히 "입문+실전" 포지셔닝이다.

마무리 하며

개발자라면 새로운 기술이 나왔을 때 일단 써보고, 왜 이렇게 동작하는지 따라가는 과정이 익숙할 것이다.
AI 에이전트도 다를 게 없었다. 막연하게 어렵게 느껴졌던 건 그냥 낯설었기 때문이었다.

AI 에이전트가 아직 낯선 개발자라면, 이 책이 그 낯섦을 걷어내는 데 꽤 도움이 될 것이다.
나처럼 "일단 원리부터 이해하고 싶다"는 사람에게는 특히 잘 맞는 책이었다.

저자가 동영상 강의를 제공하고 있다. 아래 링크를 통해 확인해 볼 수 있다.
https://youtube.com/playlist?list=PLGdAO3WWoeI73hv_jTtKnOx7uqH5htc1a&si=0px9BhLsuwCgcDK5

도서링크: https://www.hanbit.co.kr/store/books/look.php?p_code=B5614034531

출처: https://acedon.tistory.com/128 [Into The Kernel:티스토리]

“한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다.”

총평

- 책의 난이도  : ★★★☆☆
- 추천 별점     : ★★★★★
- 추천 독자     : AI 트랜드 및 AI 에이전트 개발에 관심이 많은 개발자 혹은 사람들
- 지은이         : 박나연
- 출판사         : 한빛미디어

난 이 책 정말 마음에 들었다. AI에 요즘 트랜드 기술이라고 하는 개념들은 전부다 담았을 뿐아니라.

늘 내가 제일 좋아하는 '국내 저자' 이기 때문이다.

AI 가 더 발달하니 이제 너도나도 AI로 돈벌기 / 딸깍 이라는 주제로 근본이랑 멀어지고 자극적인 주제에 집착한다.

자극적이더라도 교육적 내용이 있으면 다행인데, 그냥 대충 설치해놓고 개념 적어놓으면서 AI 개발이라고 적어놓은 책을 정말 싫어한다.

책의 절반이 프롬프트 답변인 책도 초기에는 진짜 많았고, 솔직히 리뷰하면서 정말 싫었다. 그렇게 적기도 했고.

이 책은 AI를 학습하기 위한 기본적인 개념을 차근차근 가장 밑바닥부터 들어가는 책 같았다.

1장부터 차근차근 읽기를 추천한다.

AI 에이전트를 알기 위해서는 결국 AI가 무엇인지 부터 들어가야한다. 그래서 LLM이 무엇이고 어떻게 작동하는지 부터 알게 되어있고, 점차적으로 에이전트의 개념과 에이전트를 만들어가는 과정을 배울 수 있다.

다음은 책에서 내가 메모한 것들인데, 이런 내용들을 다루는 구나 이렇게 생각해주면 좋겠다.

1.1 LLM의 개념

LLM은 방대한 텍스트 데이터를 학습해 자연어를 이해하고 생성하는 인공신경망 기반 모델이다. 모델은 학습 과정을 통해 파라미터를 생성하며, 이 파라미터를 바탕으로 문장의 의미와 맥락을 분석한다.

파라미터란 모델 내부에 존재하는 수많은 가중치와 편향값이 만들어내는 값을 의미한다. 파라미터 수가 많을수록 모델은 단어 간 관계, 문장의 흐름, 의미적 연결을 더 섬세하게 분석하고 추론할 수 있다.

1.2 LLM의 작동 기반

LLM은 자연어 이해와 추론을 담당한다. 이를 위해 트랜스포머라는 인공신경망 아키텍처를 기반으로 하며, 문장 안에서 단어들이 서로 어떤 관계를 갖는지 파악한다.

트랜스포머는 어텐션 메커니즘을 통해 문장 내 단어 간 관계를 분석한다. 이 구조 덕분에 LLM은 단어 하나만 보는 것이 아니라, 문장 전체의 맥락 속에서 의미를 이해할 수 있다.

1.3 에이전트의 개념

에이전트는 LLM이 추론한 내용을 바탕으로 행동을 계획하고 실행하는 시스템이다. LLM이 언어를 이해하고 판단하는 역할을 한다면, 에이전트는 그 판단을 실제 행동으로 연결하는 역할을 한다.

에이전트는 구체적인 목표를 지정하고, 그 목표를 달성하기 위한 행동을 설계하며, 필요한 절차를 수행한다. 따라서 에이전트는 단순히 답변을 생성하는 수준을 넘어 목표 달성을 위한 실행 구조를 포함한다.

1.4 ReAct의 개념

ReAct는 에이전트의 사고 구조를 설명하는 방식으로, Thought, Action, Observation의 사이클로 구성된다. 이는 LLM 기반 에이전트가 실제 문제를 해결할 때 어떻게 판단하고 다음 행동을 결정하는지 단계별로 보여준다.

Thought는 현재 상황을 해석하고 다음 행동을 판단하는 사고 단계다. Action은 판단을 바탕으로 실제 행동을 수행하는 단계이며, Observation은 수행 결과를 확인하고 다시 다음 판단에 반영하는 단계다.

이 구조를 통해 에이전트는 한 번의 응답으로 끝나는 것이 아니라, 생각하고 행동하고 결과를 확인하는 과정을 반복하며 목표에 접근한다.

1.5 메모리 구조

각 학습 모델은 단기 메모리와 장기 메모리 구조를 가질 수 있다. 메모리는 모델이나 에이전트가 이전 정보를 어떻게 유지하고 활용하는지를 설명하는 개념이다.

단기 메모리는 하나의 세션 대화 안에서만 내용을 기억하는 구조다. 현재 대화의 맥락을 유지하는 데 사용되며, 세션이 종료되면 해당 기억은 더 이상 유지되지 않는다.

장기 메모리는 전반적인 내용을 지속적으로 기억하는 구조다. 여러 대화나 작업에서 축적된 정보를 바탕으로 사용자 선호, 반복되는 맥락, 장기적인 목표 등을 활용할 수 있게 한다.

1.6 Single Agent의 개념

Single Agent는 하나의 에이전트가 독립적으로 모든 추론과 행동을 수행하는 시스템을 의미한다. 하나의 주체가 스스로 판단하고 행동하며, 다른 에이전트와 협력하거나 역할을 분리하지 않는다는 점이 핵심이다.

Single Agent 구조에서는 문제 분석, 의사결정, 행동 실행, 결과 확인이 하나의 에이전트 안에서 이루어진다. 따라서 시스템 구조가 비교적 단순하고, 작업 흐름을 한 곳에서 관리할 수 있다.

이 방식의 장점은 의사결정이 빠르다는 점이다. 여러 에이전트가 의견을 주고받거나 역할을 조율할 필요가 없기 때문에 판단과 실행이 직접적으로 이어진다.

또한 불필요한 소통 비용이 발생하지 않는다. 에이전트 간 메시지 교환, 역할 분배, 결과 통합 과정이 없기 때문에 단일 작업을 처리할 때 효율적이다.

Single Agent는 문제의 범위가 명확하고 목적이 분명한 경우에 적합하다. 수행해야 할 작업이 복잡하게 분산되지 않고, 하나의 에이전트가 전체 흐름을 충분히 판단할 수 있을 때 사용할 수 있다.

1.7 LangGraph의 개념

LangGraph는 AI Agent의 작업 흐름을 그래프 구조로 구현하기 위한 프레임워크다. 에이전트가 어떤 정보를 가지고 있고, 어떤 작업을 수행하며, 다음 단계로 어떻게 이동할지를 State, Node, Edge로 나누어 표현한다.

LangGraph에서 에이전트의 실행 흐름은 단순한 일회성 호출이 아니라 상태가 변화하는 과정으로 이해할 수 있다. 각 단계는 상태를 읽고, 필요한 작업을 수행한 뒤, 변경된 상태를 다음 단계로 전달한다.

이 구조는 ReAct 기반 에이전트처럼 생각, 행동, 관찰이 반복되는 흐름을 구현할 때 적합하다. 상태를 중심으로 각 작업 단계를 연결하기 때문에 단일 에이전트뿐 아니라 여러 역할을 가진 Multi-Agent 구조로도 확장할 수 있다.

난 특히 랭체인, 랭그래프 등 이게 뭔가 했더니 프레임워크였다.

실습

나는 결국 LLM 에서 핵심적인 부분 중 하나는 메모리를 어떻게 관리하느냐이다. 일관성과 맥락을 잡기 위해서는 이전의 대화를 잘 기억해야하지만 이는 토큰의 문제와 용량의 문제로 잘못관리할시 가장 큰 문제가 되고있기 때문이다.

책에서 제시한 단기메모리 예시를 실습해보았다.

실제로 내 이름을 입력하고 나이대를 입력하니 내 정보가 기록되는 것을 확인할 수 있었다.

여기서 생성되는 대화는 thread를 통해서 영역을 구분할 수 있으며, 여기서 나눈 대화는 postgreSQL로 저장을 시킬 수 있다. 이를 통해서 장기기억으로 넘어가게 되는 것이다.

추후에는 이런 대화가 쌓이니 이것을 summarize하여 다시 저장한다 그럼 이전 대화의 맥락을 기록하면서도 토큰을 최적화 할 수 있다. 토큰은 단순히 비용의 문제 뿐 아니라 컨텍스트 오류를 방지하기도 한다.

총평

이 책은 AI Agent를 직접 만들어보면서 그 개념을 명확하게 익힐 수 있도록 아주 잘 짜여진 책이다. 근래에 보기 힘든 단순히 프롬프트를 안내하는 책이 아니라 우리가 직접 Agent를 만들어보면서 이해할 수 있어 매우 추천한다.

책 바로보기

https://www.hanbit.co.kr/store/books/look.php?p_code=B5614034531

> “한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다.”
>
 

책을 읽게 된 계기

요즘 자주 들리는 '에이전트'라는 말이 정확히 무엇을 뜻하는지, 또 실제로는 어떻게 만드는 것인지 늘 궁금했습니다. 개념은 어렴풋이 알 것 같으면서도, 막상 직접 만들어 보려고 하면 어디서부터 손대야 할지 막막 했기 때문입니다.
그러던 중 이 책을 알게 되었는데, 단순히 개념만 설명하는 데서 그치지 않고 실제로 어떻게 만들면 되는지까지 다루는 책이라고 생각되어 선택하게 되었습니다.
특히 랭체인(LangChain)과 랭그래프(LangGraph) 같은 프레임워크가 실제로 어떻게 사용되는지 궁금했는데, 마침 책에 실습 형태로 정리되어 있어서 이 궁금증을 어느 정도 해결할 수 있을 거라고 기대했습니다.

인사이트

대표적인 추론 패턴: ReAct와 Reflection

에이전트 설계에 널리 활용되는 추론 패턴으로 ReAct와 Reflection이 있습니다.
 

ReAct?

ReAct는 `추론`을 의미하는 `Reasoning`과 `행동`을 의미하는 `Acting`을 합친 말입니다. 문제에 대한 사고 과정과 실제 행동을 함께 수행하도록 유도함으로써, 보다 정확하고 근거 있는 답변을 생성하도록 설계된 방법론입니다.

단순히 답을 떠올리는 데서 끝나지 않고, 생각한 것을 행동으로 옮기고 그 결과를 다시 확인한다는 점이 핵심인 듯합니다.

구체적으로는 생각, 행동, 관찰의 3단계로 이루어집니다.
 

- 생각: 문제를 해결하기 위해 어떤 순서로 작업을 수행해야 할지 판단
- 행동: 그 생각에 기반해 실제로 행동
- 관찰: 행동의 결과를 확인
 

그리고 다시 남은 작업에 대해 생각 → 행동 → 결과 관찰의 과정을 반복하면서 최적의 결과에 다가가도록 유도하는 방식입니다. 사람이 문제를 풀 때 한 번에 답을 내지 않고 시도하고 확인하며 조정하는 과정과 닮아 있다는 생각이 들었습니다.

Reflection?

Reflection은 말 그대로 `'반성'`이라는 뜻으로, 초기 답변에 대한 반성을 통해 더 정확한 결과를 도출하도록 하는 기법입니다.

답변을 바로 내놓지 않고 `"왜 그렇게 생각했는지"` 근거를 설명하게 하여 오류를 줄이는 전략입니다.

싱글 에이전트

싱글 에이전트는 `하나의 에이전트가 독립적으로 모든 추론과 행동을 수행하는 시스템`을 의미합니다. 이때 에이전트는 주어진 목적을 달성하기 위해 다음과 같은 일을 할 수 있어야 합니다.

- 현재 상황을 해석하고
- 그에 맞는 행동을 스스로 결정하며
- 필요하다면 도구를 활용해 실제 실행까지 수행
 

결국 싱글 에이전트 구조의 핵심은 하나의 판단 주체가 여러 능력을 얼마나 통합적으로 활용할 수 있는가에 있다고 정리할 수 있겠습니다.

멀티 에이전트

멀티 에이전트는 여러 개의 에이전트가 각자의 판단을 수행하며 상호작용하는 구조를 의미합니다. 핵심은 에이전트 간에 의사결정과 정보 교환이 발생하는가입니다.

멀티 에이전트 구조는 여러 개의 싱글 에이전트를 조합해 하나의 문제를 해결하는 구조라고 볼 수 있는데, 각 에이전트는 자신에게 특화된 역할과 판단 기준을 가지고 독립적으로 동작하며, 그 결과를 종합해 최종 목표를 달성합니다.

랭그래프와 랭체인

랭체인?

랭체인(LangChain)은 LLM 애플리케이션을 개발하기 위한 프레임워크
 

랭그래프?

랭그래프(LangGraph)는 다양한 에이전트 시스템을 설계하고 구현하기 위한 프레임워크로, 시스템의 로직을 노드와 엣지로 구성된 그래프로 표현하는 것이 특징입니다.
 

- 노드: 에이전트나 기능 단위
- 엣지: 노드 간의 실행 경로
 

이렇게 그래프로 구조를 잡으면 대규모 에이전트 시스템에서도 논리적 복잡성을 효과적으로 관리할 수 있다고 합니다.

개인적인 계획

아직은 랭그래프가 익숙하지 않다 보니, 책을 한 번 더 읽으면서 랭그래프에 익숙해지면, 일상에서 불편하다고 느꼈던 것들을 에이전트를 만들어서 해결해 볼 생각입니다. 예를 들면 내 경험과 맞는 채용 공고를 여기저기서 찾아 모아 주는 에이전트가 있을 것 같습니다. 여러 사이트를 돌며 공고를 모으고, 내 경험과 맞는지 판단해 추려 주는 일은 혼자 손으로 하기엔 번거로운 작업이라 에이전트와 잘 어울릴 것 같습니다. 조금 더 가벼운 쪽으로는, 꽃을 선물하고 싶을 때 기념일이나 받는 사람이 누구인지 같은 조건을 참고해 어떤 꽃이 좋을지 추천해 주는 에이전트도 만들어 보면 재밌을 것 같습니다.

공부하면서 찍은 사진

[랭그래프 실습1]
 

[랭그래프 실습2]



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



우선 책에 있는 코드를 실행하기 위해서는 환경설정을 해야 한다.

openai, langchain, langgraph, langchain-openai, tavily-python 패키지가 설치되어 있어야 하며, .env 파일 등에 OPENAI_API_KEY와 TAVILY_API_KEY가 설정되어 있어야 한다. 이 과정을 유튜브와 책의 시작 도입부분을 통해 해결하고 시작해야 한다.

gongwon-nayeon/hanbit-aiagent

또는 유튜브 영상을 참고하면서 초기 설정을 할 수 있다.
 



단순히 묻고 답하는 챗봇의 시대는 끝났다고 한다. 스스로 사고하고 도구를 사용하며 문제를 해결하는 'AI 에이전트'의 시대다. 이 책은 복잡한 이론에 매몰되지 않고, 랭체인(LangChain)과 랭그래프(LangGraph)를 통해 실질적인 결과물을 만들어내는 최적의 경로를 제시한다.

"최신 주가를 검색해서 보고서 양식으로 정리해 줘"라는 복잡한 명령을 내리면, 일반적인 LLM은 정보를 누락하거나 엉뚱한 답변을 내놓기 일쑤다. 나 또한 프롬프트 지옥에 빠져 허우적댔다.

책은 단순히 '코드를 따라 하는 법'이 아니라, 'AI 에이전트의 사고방식을 설계하는 법'을 가르쳐 주었다. 이 책을 통해 얻은 인사이트를 공유해 본다.

에이전트 개발이 어렵게 느껴진다면 우선 다음의 비유를 통해 핵심을 이해할 수 있다. 책에 있는 이미지와 도표를 보면서 개념 정리를 할 수 있었다.



1.먼저 20일이라는 시간을 가지고 이 책을 살펴볼 계획을 수립했다. (20일 로드맵

1주차: 에이전트의 뇌 구조 이해 (기초)

D01~D02 (2.5h): LLM 의사결정 원리와 ReAct 패턴 학습. AI가 생각(Thought)하고 행동(Action)하는 루프를 직접 손으로 그려보며 이해한다 (p.1-90)

D03~D04 (2.5h): 도구 호출 메커니즘과 메모리 시스템. AI에게 손과 발(API)을 달아주는 법과 과거를 기억하게 하는 법을 배운다 (p.91-190)

D05 (3h): 1주차 복습 및 아키텍처 설계 기준 정립

2주차: LangGraph 싱글 에이전트 구현 (심화)

D06~D07 (3h): 개발 환경 구축 및 랭그래프의 노드(Node), 엣지(Edge) 개념 파악. 간단한 제어 흐름을 코드로 구현한다 (p.231-320)

D08~D09 (3h): 웹 검색 에이전트 완성. 타빌리(Tavily) API를 연동해 최신 정보를 수집하는 실전 코드를 작성한다 (p.321-400)

D10~D11 (3h): 코딩 에이전트 & RAG 에이전트. 파이썬 코드를 실행하고 문서를 검색해 답변하는 고성능 에이전트를 빌드한다 (p.401-510)

3주차: 멀티 에이전트 협업 & 메모리 (실전)

D12~D13 (3h): 멀티 에이전트 패턴(슈퍼바이저, 네트워크) 학습. 여러 AI가 대화하며 문제를 푸는 구조를 설계한다 (p.511-575)

D14~D15 (3h): 에이전트 간 핸드오프와 장기 메모리(SQLite) 연동. 대화의 맥락이 끊기지 않는 영속적인 시스템을 만든다 (p.576-625)

D16 (3h): 3주차 복습 및 개인화 메커니즘 최적화

4주차: 프로토콜 확장 & 통합 프로젝트 (완성)

D17~D18 (3h): MCP와 A2A 프로토콜 실습. 외부 파일 시스템과 연동하고 에이전트 간 업무 위임 구조를 완성한다 (Part 04)

D19~D20 (4h): 통합 실전 프로젝트. 웹 검색, RAG, 파일 관리가 결합된 오케스트레이터 시스템을 구축하고 GitHub에 포트폴리오를 정리하며 마무리한다 (Part 05)

2. LLM vs 에이전트: '지식인'과 '해결사'의 차이

LLM이 방대한 지식을 머릿속에 담고 있는 '도서관'이라면, 에이전트는 그 지식을 바탕으로 직접 검색하고, 계산기를 두드리고, 코드를 실행하는 '현장 해결사'다.

책에서는 이를 추론(Reasoning), 도구 호출(Tool Use), 메모리(Memory)의 3요소로 정의한다 (Part 01, p.40-190)

3. '방 안의 박사님'에게 손과 발을 달아주는 ReAct 패턴 (Chapter 02, p.60)

많은 이들이 LLM(대규모 언어 모델)을 모든 답을 알고 있는 '전지전능한 신'으로 오해한다. 하지만 실제 LLM은 방대한 지식은 있지만 외부 세계와 소통할 손발이 없는 '방 안의 박사님'과 같다.

. 방 밖에 있는 최신 정보를 가져오거나 복잡한 계산을 하려면 박사님에게 검색창이나 계산기 같은 '도구'를 쥐여주어야 한다.

만약 "현재 서울 기온에 10을 곱해줘"라고 명령하면, AI는 Thought를 통해 웹 검색이 필요하다고 판단하고, Action으로 검색 도구를 호출한다. 검색 결과인 20도라는 값을 Observation으로 확인한 뒤, 다시 Thought를 통해 수학 계산 도구를 선택하는 식이다. 이 책의 Chapter 02 (p.60~75 부근)에서는 이 흐름을 순수 파이썬 코드로 제어하는 실습을 진행한다.



에이전트가 문제를 해결하는 과정은 '요리사가 레시피를 보며 요리하는 과정'과 똑같다. 이를 AI 세계에서는 ReAct(Reasoning + Acting) 패턴이라고 부른다.

Thought(생각): "지금은 파를 썰어야 할 차례군." (추론)

Action(행동): 도마 위에서 칼을 집어 들고 파를 썬다. (도구 실행)

Observation(관찰): "파가 다 썰렸으니 이제 냄비에 넣고 끓여야겠다." (결과 확인 후 다음 단계 결정)

이 책의 Chapter 03 에서는 이 흐름을 순수 파이썬 코드로 제어하는 실습을 진행한다.

이 실습을 통해 에이전트가 "오늘 날씨를 검색하고 그에 맞는 옷차림을 추천해 줘"라는 명령을 받았을 때, 내부적으로 어떻게 검색 도구를 선택하고 그 결과를 다시 분석하는지 그 '블랙박스'를 투명하게 들여다볼 수 있었다.



4.엇나가는 AI 비서에게 '업무 매뉴얼'을 쥐여주는 LangGraph (Part 02, p.231)

에이전트에게 자유만 주면 엉뚱한 길로 빠지기 쉽다. 랭그래프는 에이전트가 어떤 상황에서 어떤 도구를 써야 하는지, 결과가 잘못되면 어떻게 되돌아가야 하는지 그려놓은 '업무 순서도'와 같다.

야구를 좋아하는 사람에게는 '구원투수' 비유도 이해에 도움이 될 것이다.

이를 통해 우리는 AI의 불확실성을 제어 가능한 소프트웨어 아키텍처로 전환할 수 있다 (Part 02, p.231)

랭그래프는 에이전트가 움직이는 궤도를 그려주는 '업무 순서도(Workflow)'다. 아무리 똑똑한 직원이라도 매뉴얼이 없으면 실수하기 마련이다.

책의 Chapter 04~05 에서는 기존 랭체인 코드를 구조화된 랭그래프의 상태 기반 시스템(Stateful System)으로 마이그레이션하는 법을 아주 친절하게 다룬다.



4-1. 데이터의 흐름을 추적하는 '상태 변환(State Update)'의 원리

랭그래프의 핵심은 모든 노드가 '하나의 공유된 State'를 바라보며 일한다는 점이다. 책의 실습을 따라가다 보면 이 노트에 데이터가 쌓이는 과정을 실시간으로 추적할 수 있다.

[초기 상태]: 사용자가 "서울 날씨 검색해줘"라는 메시지를 노트(messages)에 적는다.

[agent 노드 실행]: LLM이 노트를 읽고 "검색 도구를 써야겠다"고 판단하여 도구 호출 명령(tool_calls)을 노트에 추가한다.

[tools 노드 실행]: 도구 노드가 배턴을 이어받아 실제 검색을 수행하고, 그 결과값(tool_outputs)을 다시 노트의 맨 뒤에 이어 붙인다(add_messages).

이처럼 데이터가 누적되는 상태 기반 시스템(Stateful System) 덕분에 AI가 이전 단계에서 무엇을 했는지 까먹지 않고 정교한 연쇄 작업이 가능해진다.



단순히 프롬프트에 "제발 단계별로 천천히 생각해 줘"라며 애원하던 과거의 방식은 실무에서 무조건 실패했다. 반면 랭그래프로 에이전트의 상태(AgentState)를 명확히 쥐고 통제하는 법을 배우, 소프트웨어처럼 예측 가능하고 제어할 수 있는 안전한 에이전트를 만들 수 있다.

4-2. TypedDict와 Pydantic BaseModel이해



책에 나오는 어려운 개념들에 대해서는 "꼭! 이해하고 넘어가기"를 통해 도움을 받을 수 있었다.

TypedDict: "이 메모지에는 반드시 이름, 나이 항목만 적어서 넘겨주세요." (느슨한 가이드라인, 딕셔너리 기반)

Pydantic BaseModel: "입력된 데이터가 진짜 숫자가 맞는지, 빈칸은 없는지 철저히 검사하고 통과되면 정식 문서를 발급합니다." (엄격한 데이터 검증 및 객체화)

1) TypedDict

파이썬에서 흔히 쓰는 딕셔너리({ "key": "value" })는 자유롭지만, 어떤 키(Key)가 들어있는지 컴파일 시점에 알기 어렵다는 단점이 있다. TypedDict는 파이썬의 표준 typing 라이브러리에서 제공하는 기능으로, 딕셔너리에 어떤 키와 어떤 타입의 값이 들어가야 하는지 정의하는 명세서 역할을 한다.

- 왜 랭그래프(LangGraph) 상태(State) 정의에 쓸까?

LangGraph에서는 에이전트들이 공유하는 노트인 State를 정의할 때 주로 TypedDict를 사용한다.

2)Pydantic BaseModel

Pydantic은 파이썬에서 데이터 검증(Validation)을 할 때 전 세계적으로 가장 많이 쓰이는 라이브러리다. BaseModel을 상속받아 클래스를 만들면, 데이터가 들어오는 순간 타입이 맞는지 검사하고 필요하면 자동으로 변환(강제 변환)까지 수행한다.

- 왜 LLM 도구(Tool) 정의나 구조화된 출력에 쓸까?

LLM에게 "결과를 JSON 형태로 반환해 줘"라고 하거나 에이전트가 사용할 도구의 입력 형식을 지정할 때 Pydantic을 사용한다. LLM이 엉뚱한 형식의 데이터를 보내는 것을 원천 차단하기 위함이다.

5.MCP와 A2A: 에이전트들의 '공용어'와 '팀워크'

MCP(Model Context Protocol)는 서로 다른 도구들을 연결하는 '유니버설 어댑터'이며, A2A(Agent-to-Agent)는 서로 다른 전문 에이전트들이 협업하는 '팀 빌딩' 프로토콜이다 (Part 04).

6.학습 후 얻은 인사이트와 향후 방향

제어 가능한 AI 설계: 인공지능 개발이 단순히 '운'이나 '프롬프트'에 의존하는 것이 아니라, 명확한 상태 관리와 그래프 설계로 제어할 수 있는 영역임을 깨달았다.

특히 Chapter 05에서 랭그래프의 '조건부 엣지'를 활용해 에이전트의 탈선을 막는 코드를 성공시켰을 때의 쾌감은 대단했다. 이제는 단순한 챗봇을 넘어, 복잡한 워크플로우를 대신 수행하는 '진짜 에이전트'를 만들 준비가 되었다.

확장성 있는 아키텍처: MCP나 A2A 같은 최신 프로토콜을 접하며, 앞으로 에이전트가 어떻게 거대한 생태계를 이룰지 시야가 넓어졌다.

MCP(Model Context Protocol)와 A2A(Agent-to-Agent) 개념을 바탕으로, 서로 다른 전문 에이전트들이 협업하는 거대한 'AI 오케스트라' 시스템을 직접 구축해 볼 계획이다. AI 에이전트 개발의 긴 여정에서 이 책은 가장 완벽한 첫 단추가 되어 주었다.



한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다.

AI 활용에서 설계로의 도약

요즘 AI를 활용한 서비스 개발은 단순히 프롬프트 몇 줄 잘 쓰는 것을 넘어 '에이전트(Agent)'를 어떻게 설계하고 통제할 것인가가 핵심 쟁점으로 떠오르고 있습니다. 저 역시 다양한 사이드 프로젝트를 진행하면서 늘 하던 고민이 있었습니다. 기능이 늘어날수록 에이전트가 제멋대로 행동하는데, 이 흐름을 어떻게 정교하게 제어할 수 있을까요?

시중에 나와 있는 많은 AI 관련 서적들은 API 호출 방법이나 단순한 래퍼(Wrapper) 라이브러리 사용법에 그치는 경우가 많습니다. 반면 이 책은 첫 파트부터 에이전트의 의사결정 원리를 파고듭니다. ReAct와 Reflection 패턴으로 대표되는 에이전트의 추론 능력과 도구 호출을 통한 외부 지식 활용, 메모리를 통한 장기기억 등 AI 에이전트를 구성하는 3가지 핵심 요소가 설명이 잘 되어 있습니다.

또한 싱글 에이전트와 멀티 에이전트 중 어떤 구조를 선택해야 하는지 그 판단 기준을 명확히 제시합니다. 단순히 간단한 작업에는 싱글 에이전트, 복잡한 작업에는 멀티 에이전트를 선택하는 것이 아니라, 어떤 비즈니스 요구사항이 있을 때 왜 이런 패턴을 써야 하는지를 아키텍처 관점에서 설명해 주는 점이 좋았습니다. 덕분에 그동안 모호하게 짜여 있던 제 코드의 에이전트 구조를 어떻게 개선해야 할지 설계 의도를 명확히 다잡을 수 있었습니다.

랭그래프 중심의 촘촘한 상태 제어

이 책의 가장 큰 기술적 핵심은 랭그래프(LangGraph)를 깊이 있게 다룬다는 점입니다. 이 책에서는 랭그래프의 핵심 요소인 상태(State), 노드(Node), 엣지(Edge)에 대해 기초부터 차근차근 설명합니다.

기본 개념을 익힌 뒤에는, 랭그래프를 활용해 싱글 에이전트와 멀티 에이전트를 직접 구축해볼 수 있습니다. 특히 멀티 에이전트 챕터에서 다양한 패턴을 직접 구현해보는 실습 파트가 흥미로웠습니다. 대표적으로 다음과 같은 멀티 에이전트 아키텍처가 등장합니다.

• 네트워크 패턴: 에이전트들이 독립적으로 소통하는 구조
• 슈퍼바이저 패턴: 중앙에서 작업을 통제하고 분배하는 구조
• 계층형 패턴: 중앙 슈퍼바이저가 있고 하위 작업별로 별도의 슈퍼바이저를 두어 계층적으로 작업을 분리하는 구조

각 패턴의 개념을 배운 뒤, '정보 검색 후 차트를 그리는 에이전트'나 '자료 조사 후 보고서를 자동 작성하는 에이전트' 등의 실무형 예제로 실습해볼 수 있습니다. 직접 실습을 해보니 랭그래프가 왜 에이전트 오케스트레이션의 표준으로 자리 잡고 있는지 체감할 수 있었습니다.

MCP와 A2A로 에이전트 확장하기

개인적으로 이 책에서 가장 흥미롭게 읽은 부분은 후반부의 **MCP(Model Context Protocol)**와 A2A(Agent-to-Agent) 패러다임이었습니다.

LLM 생태계에서 외부 도구와의 연동을 위해 MCP가 표준으로 사용되는데, 이를 파이썬 SDK와 랭그래프 클라이언트를 활용해 직접 서버-클라이언트 구조로 구축해 보는 실습이 흥미로웠습니다. 더 나아가 에이전트와 에이전트가 서로 상호운용되는 A2A 오케스트레이터 구조까지 다루는데, 개발자로서 앞으로 다가올 다중 에이전트 생태계를 어떻게 준비해야 할지 가이드라인을 얻은 기분이었습니다.

방대한 실습 예제

이 책에는 무려 25가지의 에이전트 예제가 수록되어 있어 실습의 밀도가 엄청납니다. 코딩, 웹 검색, RAG 기반 사내 FAQ 챗봇 같은 기본 에이전트부터 시작해, 마지막 파트에서는 웹 검색 + RAG + 구글 드라이브 파일 관리가 통합된 '범용 멀티 에이전트 시스템'을 하나의 거대한 프로젝트로 완성해 냅니다.

또한 예제들이 가상의 시나리오에 그치지 않고 Supabase, 구글 API, Tavily 등 유용한 도구들을 적극적으로 엮어 활용하기 때문에, 코드를 응용하여 지금 만들고 있는 프로덕트나 사내 자동화 툴에 적용해볼 수 있을 정도로 실용적입니다. 따라서 이 책은 반드시 직접 실습을 진행하며 읽어보실 것을 추천합니다.

총평

한 마디로 정리하자면, 이 책은 이론과 실습을 모두 담은 AI 에이전트 개발 교과서라고 할 수 있을 것 같습니다. 단순히 유행하는 기술을 따라하는 단계를 넘어, 어떤 에이전트 프레임워크가 새로 나오더라도 흔들리지 않을 에이전트 구조 설계와 아키텍처의 판단 기준을 세우고 싶다면 반드시 정독해 보시길 권합니다. 650페이지의 대장정이 끝날 때쯤엔 에이전트를 바라보는 눈이 확실히 달라져 있을 것입니다.

한빛미디어 <나는리뷰어다> 활동을 위해 책을 제공받아 작성된 서평입니다.

AI 에이전트 개발을 공부하려고 책을 한 권만 고른다면, 나는 이 책을 먼저 추천할 것 같다.

요즘 AI 에이전트 관련 자료는 많지만, 막상 처음 시작하려고 하면 어디서부터 봐야 할지 막막한 경우가 많다. 이 책은 LLM의 기본 개념부터 RAG, MCP, A2A, 멀티 에이전트까지 필요한 내용을 한 흐름 안에서 다루고 있어서 전체적인 그림을 잡기에 좋아 보였다.

특히 좋았던 점은 예제 구성이 꽤 실용적이라는 것이다. 코딩 에이전트, 차트 생성 에이전트, 사내 FAQ 에이전트, 문서 검색 에이전트, 웹 검색 에이전트, 다중 에이전트 오케스트레이터 등 실제 개발에서 접할 법한 다양한 AI 에이전트를 이 책 한 권에서 다루고 있다. 시간이 부족해서 모든 예제를 직접 따라 해보지는 못했지만, 목차와 예제 흐름만 봐도 에이전트를 어떤 방식으로 구성하는지 감을 잡는 데 도움이 됐다.

AI 에이전트를 처음 공부하는 사람에게도 괜찮고, 이미 개발 경험이 있는 사람이 구현 패턴을 정리하는 용도로 보기에도 좋은 책이라고 생각한다.

AI 에이전트가 무엇인지는 알고 있다고 생각했다. 그런데 막상 실무에 사용하려고 개발을 시작해 보니 막히는 부분이 한두 군데가 아니었다. 업무적으로 가장 필요한 부분은 데이터 저장 및 검색을 위한 RAG 구축이었고, 정해진 순서로만 일방적으로 실행하는 것을 넘어 결과에 따라 다음 행동을 스스로 결정하는 RAG 에이전트를 만들어보고 싶었다.
 
문제는 랭체인은 간단히 다뤄본 적이 있지만, 랭그래프에 대해서는 이름만 들어봤을 뿐 어떻게 시작해야 할지 막막했다는 점이다. 만들면서 배우는 AI 에이전트 개발 입문+실전 은 바로 나와 같은 막막함 속에서 길을 잃은 개발자와 실무자들을 위한 이정표 같은 책이다.

AI 에이전트의 개념과 원리
 

이 책은 AI 에이전트를 처음 접하는 입문자도 무리 없이 이해할 수 있도록 기본 개념을 차근차근 짚어준다. 파트 1의 도입부에서는 복잡한 수식이나 코드 대신, 에이전트를 구성하는 3대 핵심 요소인 '추론 능력, 도구 호출, 기억력'을 중심으로 기본 골격을 명확히 잡아준다.

보고서 작성 에이전트 예시처럼, 일상적인 업무 프로세스(목차 작성 ➔ 초안 작성 ➔ 문체 수정)를 라우터와 LLM의 결합으로 시각화하여 설명하는 대목은 꽤 직관적이다. 작업 흐름을 고정하는 방식과 LLM이 상황에 맞게 기능을 동적 으로 선택하게 만드는 방식의 차이점을 설명하며 에이전트의 본질을 알기 쉽게 풀어냈다.
 
더불어 명확한 결과물이 중요할 때는 라우터 기반 시스템 을, LLM의 자율성에 맡겨도 되는 작업이라면 단일 LLM 기반 시스템 을 선택하라는 식의 구조적인 가이드라인을 제공한다.

RAG를 위한 에이전트 만들기
 

에이전트 개발 환경 구축 및 랭그래프 기반 에이전트 설계에 대해 기본을 먼저 배운 다음에 가장 관심 있었던 RAG를 위한 에이전트 만들기 부분에 들어 갔다.
 
이 책에서 가장 좋았던 점은 설명이 명쾌하고 디테일하다는 것이다. 문서를 검색해 LLM 응답의 정확도를 높이는 기법 이라는 RAG의 핵심을 군더더기 없이 짚어내며, 임베딩부터 벡터 데이터베이스 저장, 검색, 답변 생성까지의 전 흐름을 자연스럽게 연결해 준다. 단순히 이론만 나열하는 게 아니라 실습 과정도 매우 상세한데, 친절하게도 실습이 필요한 구간마다 별도의 표시가 되어 있어 길을 잃지 않고 따라갈 수 있다.
 
특히 마음에 들었던 부분은 구성의 짜임새다. RAG에 필요한 개별 기술들을 먼저 탄탄히 다진 후 실습을 진행하고, 이를 바탕으로 랭그래프(LangGraph)를 활용해 에이전트를 빌드하는 단계로 나아간다. 이 흐름을 그대로 따라가다 보면, 자연스럽게 단방향 RAG와 에이전틱(Agentic) RAG가 어떤 차이점을 가졌는지 그 본질을 아주 쉽게 파악할 수 있다.

복잡하게만 느껴지던 에이전틱 RAG의 핵심 흐름을 저자만의 직관적인 아키텍처 다이어그램으로 군더더기 없이 시각화한 점도 이 책의 엄청난 미덕이다. 랭그래프의 복잡한 조건 분기와 루프 구조가 그림 한 장으로 명쾌하게 정리되어 있어, 코드를 짜기 전 전체적인 숲을 보는 데 결정적인 도움이 되었다. 비단 이 그림뿐만 아니라 책 전체에 걸쳐 복잡한 개념과 실습 과정을 보기 좋게 시각화해 둔 덕분에, 텍스트만 가득한 기술 서적 특유의 피로감 없이 마지막 페이지까지 매끄럽게 읽어나갈 수 있었다.
 
아쉬운 점 - 실전 적용을 위해 남겨진 숙제

이 책은 랭그래프의 노드와 에지를 활용해 질문 재생성 과 환각 제어 루프를 파이썬 코드로 구현하는 명쾌한 가이드를 제공한다. 다만, 책의 범위는 로컬 터미널 환경에서 에이전트의 스트리밍 출력을 확인하는 선에서 마무리된다.
 
결국 이렇게 완성된 로직을 FastAPI 등의 웹 프레임워크와 연동하여 실제 사내 엔터프라이즈 서비스나 웹 아키텍처에 어떻게 프로덕션 수준으로 배포할 것인가 라는 숙제는 남는다. 아쉽지만 이는 이 책의 범위를 벗어나는 영역이며, 책을 덮고 난 뒤 실무자가 스스로 부딪히며 해결해야 할 온전한 과제다.
 
지금 단계에서는 이 책을 기반 삼아 에이전트의 뼈대가 되는 좋은 품질의 노드를 정교하게 만드는 데 온전히 집중하는 것도 좋아 보인다. 모든 것을 혼자 할 수 없다면, 차라리 웹 개발자와 AI 에이전트 개발자의 역할을 명확히 나누어 각자의 전문성에 집중하는 것이 실무적으로 훨씬 더 효율적일 수 있기 때문이다.
 
AI 에이전트 개발에 대한 이해와 실제 도메인 업무에 대한 전문성이 결합한다면 실무에서 더욱더 폭발적인 시너지가 날 것으로 기대 된다.

누가 읽으면 좋을까

• AI 에이전트 개념에 대해 쉽고 자세하게 배우고 싶으신 분
  - 막연하게만 느껴지던 에이전트의 개념을 명쾌한 시각화 자료와 친절한 설명을 통해 기초부터 탄탄하게 다질 수 있다.
• 코딩이나 개발 역량과 상관없이 AI 에이전트 설계 원리를 제대로 이해하고 싶은 현업 기획자 및 관리자
  - 결국 훌륭한 에이전트를 만들려면 실제 업무 프로세스를 녹여내는 도메인 지식이 필수적이다. 
  - 개발자가 아니더라도 서비스의 두뇌가 어떻게 설계되는지 구조를 파악하는 데 큰 도움이 된다.
• 랭체인 경험은 있지만 랭그래프나 RAG 구현 경험이 없는 분

한줄 요약

AI 에이전트를 쓰는 수준에서 설계하는 수준으로 올라가고 싶다면, 출발점으로 삼기에 괜찮은 책이다.

"한빛미디어 서평단 〈나는리뷰어다〉 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

LLM, LangChain, LangGraph, MCP, A2A까지 최근 AI 에이전트 생태계에서 자주 언급되는 개념을 전체 흐름 중심으로 이해하기 좋았습니다.
단순 이론 설명에 그치지 않고 실습 예제가 함께 있어서, 에이전트가 어떻게 연결되고 확장되는지 감을 잡는 데 도움이 됐습니다.

다만 외부 API와 각종 도구 설정이 꽤 필요해서 실습 진입 장벽은 조금 있지만, 입문서로는 충분히 읽어볼 만한 책이었습니다.

단순한 챗봇을 넘어 스스로 판단하고 협업하는 자율형 AI 에이전트 구축을 위한 완벽한 실무 나침반이다. 랭그래프 기초부터 MCP 기반 외부 도구 연동, 멀티 에이전트 조율까지 직접 코딩하며 배울 수 있어 난해한 공식 문서의 답답함을 말끔히 해소해 준다. 파편화된 이론에 그치지 않고 프로덕션 레벨의 실전 아키텍처를 다루고 있어 실무 적용 가치가 매우 높다. 프롬프트를 만지는 수준을 넘어 진정한 'AI 소프트웨어 엔지니어'로 도약하고 싶은 개발자라면 무조건 곁에 두어야 할 책이다.