Detail View

AI 에이전트의 기반이 되는 텍스트 인코딩과 트랜스포머의 원리부터 시작해 LLM, RAG, 지식 그래프, 강화학습, 그리고 복잡한 멀티 에이전트 시스템 구축에 이르기까지 AI 에이전트 개발의 전 과정을 체계적인 로드맵으로 제시한다. 수많은 논문과 참고 문헌을 바탕으로 핵심 이론을 깊이 있게 정리했으며 웹 스크래핑, 영화 추천, 여행 플래너 에이전트 등 실전 프로젝트 예제를 통해 독자가 직접 구현하며 배울 수 있도록 구성했다. 이론 없이는 불안하고 실전 없이는 아쉬웠던 모든 개발자에게, 이 책은 가장 믿음직한 가이드가 될 것이다.

AI 에이전트 개발의 A to Z
단 한 권으로 끝내는 LLM 기반 에이전트 이론과 실전의 모든 것!
이 책은 AI 에이전트의 기반이 되는 텍스트 인코딩과 트랜스포머의 원리부터 시작해 LLM, RAG, 지식 그래프, 강화학습, 그리고 복잡한 멀티 에이전트 시스템 구축에 이르기까지 AI 에이전트 개발의 전 과정을 체계적인 로드맵으로 제시한다. 수많은 논문과 참고 문헌을 바탕으로 핵심 이론을 깊이 있게 정리했으며 웹 스크래핑, 영화 추천, 여행 플래너 에이전트 등 실전 프로젝트 예제를 통해 독자가 직접 구현하며 배울 수 있도록 구성했다. 이론 없이는 불안하고 실전 없이는 아쉬웠던 모든 개발자에게, 이 책은 가장 믿음직한 가이드가 될 것이다.

이런 분께 추천!
● AI 에이전트의 근본 원리(텍스트 인코딩, 트랜스포머, LLM)부터 탄탄히 다지고 싶은 개발자
● 단순 LLM API 호출을 넘어, 스스로 판단하고 행동하는 자율 에이전트를 만들고 싶은 실무자
● RAG, 지식 그래프(GraphRAG), 강화학습 등 AI 에이전트의 핵심 기술을 체계적으로 마스터하고 싶은 엔지니어
● AI 에이전트 시스템의 전체 아키텍처를 설계하고 배포까지 경험하고 싶은 시니어 개발자 및 리더
● 최신 AI 기술의 원리를 논문과 함께 깊이 있게 공부하고 싶은 연구자 및 대학원생

LLM·RAG 기본부터 지식 그래프·강화학습·멀티 에이전트 심화까지
AI 에이전트 구축의 전체 지도, 이 책 한 권에 담았습니다!

최근 대규모 언어 모델(LLM)을 활용한 서비스가 쏟아지고 있지만, 단순히 API를 호출하는 수준으로는 사용자의 복잡한 요구사항을 해결하는 '진정한 자율 에이전트'를 구축하기 어렵습니다. 여전한 할루시네이션(환각) 문제부터, 스스로 판단하고 행동하며 학습하는 지능을 구현하는 것은 많은 개발자에게 막막한 과제입니다.
이 책은 이러한 한계를 극복하고, AI 에이전트를 구성하는 모든 기술 레이어를 근본부터 파헤치는 완벽한 로드맵을 제시합니다.

★ AI 에이전트의 모든 레이어를 관통하는 체계적인 흐름
· 1부에서는 AI의 기반이 되는 텍스트 인코딩, RNN/LSTM부터 현대 AI 혁명의 심장인 트랜스포머와 LLM의 내부 동작 원리까지 기초를 탄탄하게 다집니다.
· 2부에서는 LLM을 확장하고 똑똑하게 만드는 핵심 엔진인 RAG(기본 및 고급 기법), 정보 검색과 추론 능력을 극대화하는 지식 그래프, 그리고 자율적인 행동 학습을 위한 강화학습을 깊이 있는 수준으로 상세히 다룹니다.
· 3부에서는 이 모든 기술을 통합해 자율적으로 작동하는 단일 및 다중 에이전트 시스템을 구축하고, 스트림릿(Streamlit)과 도커(Docker)를 활용해 실제 애플리케이션으로 배포하는 실전 과정까지 안내합니다.

★ 단순한 도구 사용을 넘어, 문제 해결 능력을 갖춘 아키텍트로
특히 이 책은 각 기술이 왜 등장했는지, 그리고 다른 기술들과 어떻게 유기적으로 연결되는지를 강조합니다. 트랜스포머가 RNN의 한계를 어떻게 극복했는지, RAG가 LLM의 고질적인 문제를 어떻게 해결하는지, 그리고 지식 그래프가 왜 복잡한 추론에 필수적인지를 종합적인 시각에서 설명합니다.
이러한 본질적인 이해를 바탕으로 한 접근 방식은 독자가 단순한 라이브러리 사용자를 넘어, 실무에서 발생하는 복잡한 문제를 스스로 진단하고 최적의 솔루션을 설계하는 진정한 AI 아키텍트로 성장하게 할 것입니다.

방대한 참고 문헌과 풍부한 도식을 바탕으로 핵심 원리를 설명하면서도, 웹 스크래핑 에이전트, 영화 추천 RAG 에이전트, 여행 플래너 등 실제 동작하는 프로젝트 예제를 통해 이론을 실습으로 즉시 연결합니다.
AI 에이전트의 동작 원리를 꿰뚫어 보고, 미래의 AI 시스템을 주도적으로 설계하고 싶은 모든 개발자, 연구자, 실무자에게 이 책은 가장 든든하고 명쾌한 길잡이가 되어줄 것입니다.


-이 책의 구성-
_1장 '딥러닝으로 텍스트 데이터 분석하기'에서는 자연어를 머신러닝 모델에 적합한 형식으로 처리하고 표현하는 방법을 소개한다. 원-핫 인코딩(one-hot encoding)과 단어 가방(bag of words) 같은 기본 기법부터 TF-IDF와 word2vec과 같은 고급 표현까지 다양한 텍스트 인코딩 기법을 다룬다. 이어서 RNN, LSTM, GRU, CNN 등 순차 데이터에 적합한 주요 딥러닝 아키텍처를 탐구하고, 이를 텍스트 분류 작업에 적용하는 방법을 설명한다. 이 장을 마치면 이러한 기반이 어떻게 ChatGPT와 같은 현대 언어 모델을 가능하게 하는지 이해할 수 있을 것이다.
_2장 '트랜스포머: 현대 AI 혁명 이면의 모델'에서는 어텐션(attention) 메커니즘을 소개하고, 그것이 어떻게 발전해 트랜스포머 아키텍처로 이어졌는지를 설명한다. RNN과 LSTM 같은 초기 모델의 한계를 짚으면서, 트랜스포머가 이를 어떻게 극복해 현대 자연어 처리의 토대가 되었는지를 살펴본다. 셀프 어텐션, 마스크드 언어 모델링, 학습 기법, 내부 모델 시각화 등의 핵심 주제를 다루며, 실제 응용 사례를 통해 오늘날의 LLM을 이해하기 위한 기초를 다진다.
_3장 '강력한 AI 엔진, LLM 탐구하기'에서는 트랜스포머 모델의 대규모 학습이 어떻게 오늘날의 LLM을 탄생시켰는지 살펴본다. LLM의 발전 과정과 주요 능력, 한계를 다루며, 지시 튜닝(instruction tuning)과 파인튜닝(fine-tuning), 정렬(alignment) 같은 기법을 소개한다. 또한 더 작고 효율적인 LLM 변형 모델, 여러 데이터 유형을 다루는 멀티모달 모델, 할루시네이션 및 윤리적 문제, 프롬프트 엔지니어링과 같은 주요 과제도 함께 다룬다.
_4장 'LLM으로 웹 스크래핑 에이전트 구축하기'에서는 LLM을 확장해 행동 수행 능력을 보완하는 개념으로서 AI 에이전트를 소개한다. 이 장에서는 에이전트의 핵심 특성과 단일 에이전트 시스템과 다중 에이전트 시스템의 차이를 탐구한다. 이어서 에이전트를 구축하는 데 활용하는 주요 라이브러리를 소개하고, 실제로 인터넷에서 정보를 검색할 수 있는 웹 스크래핑 에이전트를 만드는 과정을 단계별로 안내한다.
_5장 '할루시네이션을 방지하는 RAG 기반 에이전트'에서는 RAG가 LLM의 한계인 오래된 지식과 할루시네이션을 어떻게 극복할 수 있는지 살펴본다. RAG의 임베딩과 벡터 데이터베이스를 통해 LLM이 외부 정보에 접근함으로써 정확성과 적응성을 향상시키는 방법을 설명한다. 또한 RAG와 파인튜닝을 비교하고, 영화 추천 에이전트를 구축하는 실습을 통해 실제 활용 방안을 제시한다.
_6장 '정보 검색과 증강을 위한 고급 RAG 기법'에서는 기본적인 RAG 아키텍처를 확장해 데이터 수집, 인덱싱, 검색, 생성 등 파이프라인 전 단계에서 성능을 향상하는 기법을 소개한다. 모듈형 RAG, 대규모 데이터셋과 사용자 기반에 맞춰 시스템을 확장하는 기술, 그리고 견고성과 개인정보 보호 같은 핵심 과제를 다룬다. 아울러 RAG 기반 시스템의 향후 발전을 둘러싼 현재의 도전 과제와 미해결 문제도 함께 조명한다.
_7장 '지식 그래프 생성하고 AI 에이전트와 연결하기'에서는 텍스트 기반 지식을 지식 그래프(knowledge graph)로 구조화해 AI 에이전트의 정보 검색과 추론 능력을 강화하는 방법을 다룬다. 이 장에서는 지식 그래프를 활용해 LLM에 구조화된 컨텍스트 데이터를 제공하는 GraphRAG 개념을 소개한다. 이어서 LLM을 활용해 엔터티와 관계를 추출해 지식 그래프를 구축하는 방법, 그래프를 활용한 쿼리와 추론 기법을 설명하고, 이러한 접근을 결합할 때의 장점과 한계, 나아가 향후 발전 방향을 논의한다.
_8장 '강화학습과 AI 에이전트'에서는 에이전트가 동적인 환경과 상호작용하면서 경험에 따라 행동을 조정하고 학습하는 방법을 설명한다. 이 장은 강화학습의 기본 원리를 소개하고, 에이전트가 어떻게 의사결정을 내리고 시간이 지남에 따라 성능을 개선하는지 다룬다. 또한 신경망을 활용해 행동을 최적화하는 방법을 시연한다. 마지막으로 LLM과 강화학습을 결합해 더욱 강력한 AI 시스템을 구축하는 방안을 논의하며 마무리한다.
_9장 '단일·다중 에이전트 시스템 만들기'에서는 LLM을 도구와 다른 모델로 확장해 자율 에이전트를 구성하는 방법을 다룬다. 단일 에이전트와 다중 에이전트 시스템의 개념을 소개하고, LLM이 API나 외부 모델과 상호작용하는 방식을 설명하며, HuggingGPT와 같은 대표 사례를 살펴본다. 또한 에이전트 간 조정 전략, 복잡한 분야에서의 실제 활용 사례, SaaS, MaaS, DaaS, RaaS와 같은 새로운 비즈니스 패러다임을 다룬다.
_10장 'AI 에이전트 애플리케이션 구축하기'에서는 AI 에이전트를 실제 애플리케이션으로 확장하고 배포할 때 발생하는 주요 과제를 살펴본다. 이 장에서는 에이전트 기반 시스템의 프론트엔드와 백엔드 컴포넌트를 빠르게 프로토타이핑할 수 있는 프레임워크로 스트림릿(Streamlit)을 소개한다. 아울러 비동기 프로그래밍, 도커(Docker)를 이용한 컨테이너화, 확장성과 운영 안정성을 갖춘 AI 솔루션을 구축하기 위한 모범 사례 등 핵심 운영 측면을 다룬다.
_11장 '다가올 미래'에서는 헬스케어를 비롯한 다양한 산업 전반에서 AI 에이전트가 지닌 변혁의 가능성을 탐구한다. 앞 장에서 논의한 기술 발전을 바탕으로, LLM과 에이전트 시스템이 직면한 기술적, 윤리적 과제를 돌아보고, 지능형 AI 에이전트의 개발과 배포 과정에서 남아 있는 미해결 과제와 향후 연구 및 실용화 방향을 제시하며 마무리한다.

Information Provided By: :

추천사

옮긴이의 말

들어가며



1부: AI 에이전트 엔진: 텍스트에서 대규모 언어 모델까지

1장 딥러닝으로 텍스트 데이터 분석하기

1. AI를 위한 텍스트 표현

__원-핫 인코딩

__단어 가방

__TF-IDF

2. 임베딩, 응용 그리고 표현

__word2vec

__텍스트의 유사도 개념

__임베딩의 속성

3. 텍스트 처리를 위한 RNN, LSTM, GRU, CNN

__순환 신경망

__장단기 메모리

__게이트 순환 유닛

__텍스트용 CNN

4. 임베딩과 딥러닝을 활용한 감정 분석



2장 트랜스포머: 현대 AI 혁명 이면의 모델

1. 어텐션과 셀프 어텐션 탐구하기

2. 트랜스포머 모델 소개

3. 트랜스포머 학습하기

4. 마스크드 언어 모델링 탐구하기

5. 내부 메커니즘 시각화하기

6. 트랜스포머 활용하기



3장 강력한 AI 엔진, LLM 탐구하기

1. LLM의 진화 과정 살펴보기

__스케일링 법칙

__창발적 특성

__컨텍스트 길이

__전문가 혼합

2. 지시 튜닝, 파인튜닝, 정렬

3. 작고 효율적인 LLM 탐색하기

4. 멀티모달 모델 탐색하기

5. 할루시네이션과 윤리적·법적 쟁점 이해하기

6. 프롬프트 엔지니어링



2부: AI 에이전트와 지식 검색

4장 LLM으로 웹 스크래핑 에이전트 구축하기

1. 두뇌, 지각, 행동 패러다임 이해하기

__두뇌

__지각

__행동

2. AI 에이전트 분류하기

3. 단일 에이전트와 다중 에이전트 시스템 이해하기

4. 주요 라이브러리 탐구

__LangChain

__Haystack

__LlamaIndex

__Semantic Kernel

__AutoGen

__LLM 에이전트 프레임워크 선택하기

5. 검색하여 정보를 스스로 찾는 ReAct 에이전트 만들기



5장 할루시네이션을 방지하는 RAG 기반 에이전트

1. 나이브 RAG 탐구하기

2. 검색, 최적화, 증강

__청크 분할 전략

__임베딩 전략

__임베딩 데이터베이스

3. 출력에 대해 평가하기

4. RAG와 파인튜닝 비교하기

5. RAG를 활용한 영화 추천 에이전트 구축하기



6장 정보 검색과 증강을 위한 고급 RAG 기법

1. 나이브 RAG의 문제점

2. 고급 RAG 파이프라인 살펴보기

__계층적 인덱싱

__가상 질문과 HyDE

__컨텍스트 강화

__쿼리 변환

__키워드 기반 검색과 하이브리드 검색

__쿼리 라우팅

__재순위화

__응답 최적화

3. 모듈형 RAG와 다른 시스템 통합하기

__훈련 기반 접근법과 비훈련 접근법

4. 고급 RAG 파이프라인 구현하기

5. RAG의 확장성과 성능 이해하기

__데이터 확장성, 저장, 전처리

__병렬 처리

__보안과 개인정보 보호

6. 미해결 과제와 미래 전망



7장 지식 그래프 생성하고 AI 에이전트와 연결하기

1. 지식 그래프 소개

__그래프와 지식 그래프의 형식적 정의

__분류 체계와 온톨로지

2. LLM을 활용한 지식 그래프 구축하기

__지식 생성

__LLM으로 지식 그래프 생성

__지식 평가

__지식 정제

__지식 확장

__지식 호스팅과 배포

3. 지식 그래프와 LLM을 활용하여 정보 검색하기

__그래프 기반 인덱싱

__그래프 기반 검색

__그래프 RAG 활용

4. 그래프 추론 이해하기

__지식 그래프 임베딩

__그래프 신경망

__LLM의 지식 그래프 추론

5. 지식 그래프와 그래프 RAG의 도전 과제



8장 강화학습과 AI 에이전트

1. 강화학습 소개

__멀티 암드 밴딧 문제

__마르코프 결정 과정

2. 심층 강화학습

__모델 프리 접근법과 모델 기반 접근법

__온-폴리시와 오프-폴리시 방법

__심층 강화학습 자세히 살펴보기

__심층 강화학습의 과제와 미래 전망

__강화학습으로 비디오 게임 학습하기

3. LLM과 강화학습 모델의 상호작용

__강화학습으로 강화된 LLM

__LLM으로 강화된 강화학습

4. 핵심 정리



3부: 복잡한 시나리오를 해결하는 고도화된 AI 에이전트

9장 단일·다중 에이전트 시스템 만들기

1. 자율 에이전트 소개

__툴포머

__허깅GPT

__켐크로우

__스위프트도시에

__켐에이전트

__법률 분야의 다중 에이전트

__의료 분야의 다중 에이전트

2. 허깅GPT 사용하기

__로컬에서 허깅GPT 사용하기

__웹에서 허깅GPT 사용하기

3. 다중 에이전트 시스템

4. SaaS, MaaS, DaaS, RaaS

__서비스형 소프트웨어, SaaS

__서비스형 모델, MaaS

__서비스형 데이터, DaaS

__서비스형 결과, RaaS

__다양한 패러다임 비교



10장 AI 에이전트 애플리케이션 구축하기

1. 스트림릿 소개

__스트림릿 시작하기

__결과 캐싱하기

2. 스트림릿으로 프론트엔드 개발하기

__텍스트 요소 추가하기

__스트림릿 앱에 이미지 삽입하기

__동적인 앱 만들기

3. 스트림릿과 AI 에이전트를 활용한 애플리케이션 만들기

4. 머신러닝 운영과 LLM 운영

__모델 개발

__모델 학습

__모델 테스트

__추론 최적화

__프로덕션에서 오류 처리하기

__프로덕션 보안을 위한 고려 사항

5. 비동기 프로그래밍

__asyncio

__비동기 프로그래밍과 머신러닝

6. 도커

__쿠버네티스

__머신러닝에 도커 사용하기



11장 다가올 미래

1. 의료 분야 AI 에이전트

__생물의학 분야 AI 에이전트

2. 다른 산업 분야 AI 에이전트

__피지컬 에이전트

__게임용 LLM 에이전트

__웹 에이전트

3. 해결할 과제와 미해결 질문

__인간-에이전트 간 의사소통 문제

__다중 에이전트의 뚜렷한 우월성 부재

__추론의 한계

__LLM의 창의성

__기계론적 해석 가능성

__범용 인공지능으로 가는 길

__윤리 문제



찾아보기

Information Provided By: :