LLM Agent Cookbook: ReAct부터 Multi-Agent까지 4주 완성
ReAct 패턴, LangGraph, CrewAI를 활용한 LLM Agent 개발 4주 커리큘럼.
LLM Agent Cookbook: ReAct부터 Multi-Agent까지 4주 완성
LLM Agent 개발, 어디서부터 시작해야 할지 막막하신가요? ReAct 패턴은 들어봤는데 실제로 어떻게 구현하는지, LangGraph는 뭔지, CrewAI로 멀티에이전트는 어떻게 만드는지 궁금하셨다면 이 Cookbook이 답입니다.
왜 LLM Agent인가?
ChatGPT, Claude 같은 LLM은 강력하지만 한계가 있습니다:
- 실시간 정보 접근 불가
- 외부 시스템과 상호작용 불가
- 복잡한 작업의 단계별 수행 불가
Agent는 이 한계를 극복합니다. LLM에 도구(tools)를 주고, 스스로 판단하고 행동하게 만드는 거죠.
Cookbook 구성
Week 1: 기초 다지기
- ReAct 패턴 이해와 구현
- Tool Calling의 원리
- Pydantic으로 견고한 스키마 설계
Week 2: 추론 능력 강화
- RAG와 Memory 시스템
- LangGraph로 복잡한 워크플로우 구축
- Self-RAG로 검색 품질 향상
Week 3: Multi-Agent 시스템
- CrewAI로 팀 구성하기
- MCP와 Agent간 통신
- Supervisor 패턴으로 조율하기
Week 4: 프로덕션 배포
- Guardrails로 안전장치 만들기
- Human-in-the-Loop 구현
- FastAPI + Docker로 배포하기
- DSPy로 프롬프트 최적화
특징
- Jupyter Notebook 기반 실습
- 매주 실전 프로젝트
- GitHub에서 솔루션 코드 제공
- 한국어/영어 모두 지원
- DrillCheck AI 면접 연습 연동
누구를 위한 Cookbook인가?
- Python 기본 문법을 아는 분
- LLM API를 사용해본 경험이 있는 분
- Agent를 직접 만들어보고 싶은 분
- 실무에 Agent를 도입하려는 개발자
시작하기
무료로 제공되는 이 Cookbook으로 4주 만에 프로덕션 레벨의 LLM Agent를 만들어보세요.
관련 포스트
Models & Algorithms
Agentic RAG 파이프라인 — 멀티스텝 검색의 프로덕션 적용
Plan-Retrieve-Evaluate-Synthesize 풀 파이프라인 구현. Vector + Web + SQL을 Tool로 통합하고, 환각 탐지와 소스 그라운딩으로 신뢰도를 확보합니다.
Models & Algorithms
Self-RAG과 Corrective RAG — Agent가 자기 검색을 평가하는 법
Self-RAG의 reflection token 메커니즘과 CRAG의 품질 기반 폴백 전략을 구현합니다. LangGraph conditional edge로 retry/fallback 로직 구성.
Models & Algorithms
Agentic RAG 첫걸음 — Query Routing과 Adaptive Retrieval
Naive RAG의 한계를 진단하고, 쿼리 의도를 분류해 최적의 검색 소스로 라우팅하는 Agent를 LangGraph로 구현합니다. Adaptive Retrieval로 불필요한 검색을 제거하는 방법까지.