랭체인의 기본기부터 최신 MCP 기술까지,
‘살아 있는 AI’를 설계하는 가장 완벽한 로드맵

단순한 챗봇을 넘어 스스로 판단하고 행동하는 ‘AI 에이전트’가 IT 업계의 새로운 표준으로 자리 잡고 있습니다. 이 책은 랭체인의 기초 문법부터 시작하여 Streamlit을 활용한 웹 서비스 구현까지 다뤄, 실무에 즉시 적용 가능한 탄탄한 기반 지식을 다집니다. 그리고 더 나아가 LLM이 스스로 추론하고 도구를 선택하는 ReAct 패턴의 에이전트를 직접 설계하며, 단순한 코드가 지능형 비서로 진화하는 과정을 생생하게 경험할 수 있습니다. 특히 최신 기술인 MCP를 다뤄, 외부 시스템과 유기적으로 연결된 거대한 AI 생태계를 구축하는 방법까지 제시합니다. 코드 한 줄이라는 씨앗이 에이전트라는 나무로 자라 숲을 이루기까지, 나만의 AI 서비스를 꿈꾸는 개발자들에게 가장 확실한 실전 가이드가 되어줄 것입니다.

주요 내용

• AI 에이전트와 LLM 서비스의 구조적 차이와 설계 관점 이해
• 랭체인과 LCEL을 활용해 예측 가능한 에이전트 워크플로 구성
• RAG와 메모리, 도구 연계를 통해 지식 기반 AI 에이전트 구현
• MCP와 실습 프로젝트를 통해 운영 가능한 AI 에이전트 서비스 완성

CHAPTER 0 개발 환경 준비하기
_0.1 필수 API 키 발급
__0.1.1 오픈AI API 키
__0.1.2 크레딧 결제 수단 추가
__0.1.3 랭체인 허브 환경 설정
_0.2 구글 코랩 설정
__0.2.1 구글 드라이브에 코랩 앱 추가하기
__0.2.2 코랩 동작 테스트
_0.3 로컬 개발 환경 구축
__0.3.1 파이썬 설치 (3.11 버전 권장)
__0.3.2 Git Bash 설치
__0.3.3 VS Code 설치
__0.3.4 VS Code 환경 설정과 확장 도구 설치
__0.3.5 VS Code 사용 방법과 터미널 설정
_0.4 실습 파일 내려받기

PART 1 랭체인 기초와 LCEL로 시작하는 LLM 서비스 개발

CHAPTER 1 AI에서 AI 에이전트로의 진화

CHAPTER 2 LLM 서비스 개발을 위한 프레임워크, LangChain
_2.1 What is LangChain?
_2.2 LLM 기반 서비스, 챗GPT를 통해 파헤쳐보자
_2.3 랭체인 적용 사례
_2.4 랭체인 작동 원리: ‘체인’
_2.5 랭체인 학습을 위한 참고 자료
_2.6 핵심 요약

CHAPTER 3 체인을 구현하는 기초 문법, LCEL
_3.1 LCEL 기초 문법 이해
__3.1.1 LCEL 체인의 구축 및 실행
_3.2 LCEL 구축 시 주의 사항
__3.2.1 다중 입력 변수 처리 및 KeyError
__3.2.2 체인 구성 순서 및 ValueError
_3.3 결합된 체인 구축
_3.4 프롬프트
__3.4.1 PromptTemplate.from_template()
__3.4.2 PromptTemplate
__3.4.3 ChatPromptTemplate
_3.5 모델
_3.6 출력 파서
__3.6.1 CommaSeparatedOutputParser
__3.6.2 JsonOutputParser
_3.7 랭체인 허브
__3.7.1 랭스미스
__3.7.2 프롬프트 개선
_3.8 핵심 요약

CHAPTER 4 체인의 구조를 고도화하기, Runnable
_4.1 RunnableParallel
_4.2 RunnableLambda
_4.3 RunnablePassthrough
_4.4 핵심 요약

CHAPTER 5 GPT에게 기억력을 심어주자, Memory
_5.1 대화 기록 관리하기
__5.1.1 ChatMessageHistory
__5.1.2 MessagesPlaceholder
_5.2 Runnable 활용
__5.2.1 RunnableWithMessageHistory 기본
__5.2.2 사용자별 대화 관리
_5.3 핵심 요약

CHAPTER 6 랭체인 챗봇을 서비스로 구현하기, Streamlit
_6.1 Streamlit
__6.1.1 개발 환경 설정
__6.1.2 텍스트 요소
__6.1.3 데이터와 차트 요소
__6.1.4 레이아웃과 내비게이션 요소
__6.1.5 위젯 요소
__6.1.6 챗 요소
__6.1.7 세션 상태
_6.2 Streamlit과 랭체인을 활용한 범용 챗봇 개발
__6.2.1 사전 준비
__6.2.2 전체 시스템 아키텍처 및 개발 프로세스
__6.2.3 환경 구성
__6.2.4 기본 페이지 뼈대 구성과 내비게이션 구성
__6.2.5 주요 기능 구현
__6.2.6 테스트

PART 2 에이전트와 MCP로 실전 서비스 구축

CHAPTER 7 스스로 판단하고 행동하는 AI 요원, Agent
_7.1 도구 이해하기
__7.1.1 가장 단순한 도구 만들기
__7.1.2 도구 메타데이터 다듬기
__7.1.3 Pydantic 스키마로 구조화된 입력받기
_7.2 에이전트 첫걸음
__7.2.1 단일 에이전트 생성하기
__7.2.2 도구를 활용하는 에이전트 생성하기
_7.3 ReAct 패턴 이해하기
__7.3.1 ReAct란?
__7.3.2 ReAct 과정 관찰하기
_7.4 외부 도구 사용하기
__7.4.1 YouTubeSearchTool
_7.5 핵심 요약

CHAPTER 8 에이전트에게 지식 선물하기, RAG
_8.1 RAG 개념 이해하기
__8.1.1 RAG란?
__8.1.2 벡터 임베딩이란?
__8.1.3 벡터 저장소
_8.2 파일 로드 및 청킹
__8.2.1 환경 설정
__8.2.2 파일 로더로 문서 불러오기
__8.2.3 문서 청킹하기
_8.3 메타데이터로 데이터 구분하기
__8.3.1 메타데이터 추가
_8.4 임베딩 모델 이해하기
__8.4.1 임베딩 모델이란?
__8.4.2 오픈AI 임베딩 모델 설정하기
_8.5 Chroma 벡터 저장소 만들고 저장하기
__8.5.1 왜 Chroma를 선택했는가?
__8.5.2 Chroma 벡터 DB 생성 및 저장
_8.6 벡터 저장소에서 검색하기
__8.6.1 저장된 벡터 저장소 불러오기와 Retriever 객체 생성
__8.6.2 유사도 검색과 Top-k의 중요성
__8.6.3 메타데이터 필터로 검색하기
__8.6.4 MMR 검색으로 답변의 다양성 확보
_8.7 RAG 에이전트 만들기
__8.7.1 검색 Tool 만들기
_8.8 핵심 요약

CHAPTER 9 에이전트와의 대화 상태 유지하기, CheckPointer
_9.1 랭그래프와 메모리
__9.1.1 왜 체인이 아니라 그래프인가?
__9.1.2 랭그래프의 핵심 구성 요소와 메모리 시스템
__9.1.3 RunnableWithMessageHistory vs. 체크포인터
_9.2 체크포인터 설정
__9.2.1 InMemorySaver로 메모리 구현하기
__9.2.2 SqliteSaver로 메모리 영구화하기
_9.3 장기 기억을 위한 메모리 최적화
__9.3.1 SummarizationMiddleware로 대화 요약하기
_9.4 핵심 요약

CHAPTER 10 도구의 표준화, MCP
_10.1 MCP란 무엇인가?
__10.1.1 MCP의 기본 개념
__10.1.2 왜 MCP가 필요한가?
_10.2 FastMCP로 간단한 서버 만들기
__10.2.1 파일 관리 서버 만들기
_10.3 MCP 서버 연결 및 에이전트 활용
__10.3.1 MCP 서버의 도구를 에이전트에 불러오기
_10.4 외부 MCP 서버 연결하기
__10.4.1 외부 서버 설치하기
__10.4.2 외부 서버 사용하기
_10.5 핵심 요약

CHAPTER 11 똑똑한 와인 소믈리에 챗봇 만들기, Project
_11.1 서비스 기획 및 아키텍처
__11.1.1 시스템 아키텍처
__11.1.2 프로젝트 폴더 구조
__11.1.3 데이터셋 준비
_11.2 프로젝트 환경 및 기본 UI 구성
__11.2.1 프로젝트 생성 및 환경 설정
__11.2.2 Streamlit 기본 구조 만들기
_11.3 랭체인 에이전트 설계
__11.3.1 에이전트 설정 분리
__11.3.2 에이전트 생성기 작성
__11.3.3 에이전트 동작 확인 및 UI 연결
_11.4 하이브리드 지식 저장소 구축
__11.4.1 데이터 전처리 및 벡터 스토어 생성 코드 작성
_11.5 MCP 서버를 통한 도구 확장
__11.5.1 파일 관리 서버
__11.5.2 RAG 서버
__11.5.3 영상 검색 도구 추가
_11.6 핵심 요약

단순한 튜토리얼을 넘어, ‘운영 가능한 AI 에이전트’로

이 책은 생성형 AI와 AI 에이전트의 개념을 단순히 설명하거나 단편적인 예제를 나열하는 데 그치지 않습니다. 랭체인, RAG, MCP와 같은 개별 기술이 실제 서비스 환경에서 어떻게 유기적으로 연결되어 작동하는지 그 전체적인 흐름과 구조를 체계적으로 정리했습니다. 
 

특히 실무에서 AI 서비스를 설계할 때 직면하게 되는 토큰 관리와 최적화, 랭그래프 기반의 지속적인 대화 이력 관리, 그리고 에이전트의 효율적인 도구 선택 기준을 깊이 있게 다룹니다. 나아가 RAG 기술을 활용한 내부 지식 확장과 표준 프로토콜인 MCP를 통한 외부 시스템 연동까지, 에이전트 개발의 전 과정을 실습 중심으로 상세히 풀었습니다. 
 

도서의 마지막 부분에서는 실전 프로젝트인 ‘와인 추천 에이전트’를 기획부터 구현, 웹 배포까지 직접 수행해 봅니다. 이 과정을 통해 독자는 단순한 기능을 구현해 보는 수준을 넘어, 실제 비즈니스 현장에서 동작하는 완성도 높은 AI 프로젝트를 완수하는 경험을 얻게 될 것입니다. 
 

단순히 AI를 이용하는 것을 넘어, 하나의 견고하고 지속 가능한 지능형 시스템으로 구축하고자 하는 모든 개발자와 기술 리더들에게 이 책이 명확한 가이드가 되어줄 것입니다.
 

대상 독자

• 단순 챗봇을 넘어, 실제 업무를 수행하는 AI 에이전트 서비스를 구현해 보고 싶은 실무 엔지니어
• 파이썬 기초 문법과 LLM 활용 경험은 있으나, 이를 서비스 구조로 확장하는 데 어려움을 느끼는 개발자
• RAG, 에이전트, MCP 등 개별 기술은 알고 있으나, 이들을 하나의 시스템으로 설계하는 기준이 필요한 독자
• AI 기능을 PoC 수준이 아닌, 운영 가능한 서비스로 발전시키고자 하는 개발자 및 기술 담당자
• AI 기반 서비스 도입과 구조 설계를 검토해야 하는 기술 리더, 테크 리드, 프로덕트 매니저