Q초보자도 교재 없이 수강 가능한가요? 프로그램 정보는?
A
네, 영상과 실습자료로 쉽게 학습할 수 있습니다. 알지오는 원격평생교육원으로 프로그램 관련 정보는 제공하지 않습니다.
AI Agent Engineering
이 강의에서 배우는 핵심 실무
AI 에이전트를 직접 개발하고 업무 자동화로 확장하려는 학습자를 위한 과정입니다. 공개된 40강은 Python 실습 환경과 모델 호출에서 출발해 구조화 응답, 도구 호출, 자율 실행 루프를 구성하는 흐름으로 이어집니다. n8n 업무 비서와 코드 기반 에이전트를 거쳐 상태 관리, 사람 승인, 문서 검색 기반 응답, MCP 연결, 역할별 협업을 다룹니다. 마지막에는 보안 통제와 평가를 점검하고 RAG·MCP·멀티 에이전트를 통합한 업무 지원 시스템의 배포와 최종 검증까지 연결합니다.
관련 분야 전체 과정AI 강의 - 인공지능 원리부터 생성형 AI·비즈니스 업무 활용까지 · 관련 전문관 학습 안내
수강 전 꼭 확인하세요
수강 전 자주 묻는 내용을 간단히 안내드립니다.
기업이 선택한 신뢰 강의
검증된 커리큘럼과 전문 강사진으로 높은 만족도를 제공합니다.
자세히 보기 >수강료 일부는 사회환원에 사용됩니다.
작은 나눔이 더 나은 내일을 만듭니다.
자세히 보기 >수강생 리얼후기!
실제 수강생의 학습 경험을 확인해 보세요.
수강후기를 불러오는 중입니다.
최근 수강질문
최근 등록된 수강질문을 작성순서대로 확인해 보세요.
연관학과
함께 학습할 관련 과정과 같은 학과의 강의를 모았습니다.
AI Agent Engineering: 공개 40강 학습 가이드
목차를 따라갈 때는 답변 내용뿐 아니라 도구 선택, 중단과 재개, 검색 근거, 승인 전후의 결과를 함께 확인하는 것이 좋습니다. 아래 안내는 각 단계에서 만들 대상과 점검할 결과를 연결해, 개별 기능이 최종 업무 지원 시스템으로 이어지는 순서를 정리합니다.
공식 기술정보 확인40강 커리큘럼 연결2026 현재 기술정보
개발 환경에서 첫 모델 호출까지
먼저 AI Agent와 LLM의 차이를 살피고 Python·VS Code·uv를 이용한 프로젝트와 가상환경을 준비합니다. 이어 목표·계획·도구·관찰·반복으로 구성되는 실행 구조와 ReAct 패턴을 정리하면, 첫 프로그램에서 무엇을 확장할지 연결해 볼 수 있습니다.
첫 모델 호출에서는 요청과 응답의 구조를 확인하고 콘솔 대화 프로그램으로 연결합니다. API 키와 환경변수 보호, 오류 처리 항목을 함께 점검해 정상 응답과 실패 상황을 구분하는 데 초점을 맞춥니다.
작업 지침을 검증 가능한 데이터와 도구로 연결하기
시스템 지침과 사용자 요청을 구분한 뒤 역할·목표·제약조건과 예시를 작성합니다. 컨텍스트 길이에 따른 응답 품질을 비교하고, JSON Schema와 Pydantic으로 필수 필드와 자료형을 검증하는 순서로 진행합니다.
구조화된 결과를 다룬 다음에는 도구 정의와 입력 스키마를 설계합니다. 함수 호출, 실제 실행, 결과 반환을 나누어 확인하고 인수 검증과 읽기 전용 도구를 통해 호출 결과가 다음 처리에 적합한지 점검합니다.
반복 실행 루프로 리서치 에이전트 구성하기
ReAct 기반 루프에서 도구 선택과 관찰 결과 반영을 연결합니다. 반복 횟수 제한, 종료 조건, 실패 처리를 먼저 확인한 뒤 검색 도구를 붙여 질문 조사와 최종 보고서 출력으로 확장하는 흐름입니다.
리서치 결과는 검색 내용의 비교, 근거 기반 요약, 출처 표시를 함께 살펴봅니다. 보고서가 생성됐는지만 확인하기보다 허위 정보 점검 항목과 출처 정리가 결과에 반영됐는지 검토하는 것이 학습의 기준입니다.
n8n 실행 환경과 조건별 데이터 흐름 익히기
n8n의 클라우드·로컬 실행 방식을 비교하고 에디터, 노드, 연결 정보 관리부터 시작합니다. 첫 워크플로를 저장하고 실행한 다음 수동 실행, 일정 실행, 외부 요청을 받는 트리거로 시작 조건을 확장합니다.
노드 사이의 입력·출력 데이터를 확인한 뒤 If·Switch·Edit Fields로 요청을 분류하고 데이터를 가공합니다. 누락 값 처리와 분기별 실행 결과를 비교하면 조건 설정과 데이터 매핑을 함께 점검할 수 있습니다.
대화형 업무 비서를 수집·보고·승인 흐름으로 확장하기
AI Agent·Chat Model·Memory·Tool 노드를 연결해 멀티턴 대화와 도구 사용 결과를 확인합니다. 이를 이메일 문의 유형·우선순위 분류와 답장 초안 생성으로 확장하면서 사람 승인 후 발송하는 흐름을 설계합니다.
정보 수집 단계에서는 중복 기사 제거와 날짜·출처 검증을 거쳐 요약을 정리합니다. 이어 스프레드시트의 행 추가·중복 검증·실패 재처리를 연결하고, 통합 업무 비서에서 승인 단계와 오류 알림, 재실행 결과를 확인합니다.
코드 기반 에이전트의 도구와 대화 기록 관리하기
OpenAI Agents SDK의 Agent와 Runner 구조를 바탕으로 지침과 모델을 설정하고 기본 대화의 실행 기록을 확인합니다. 함수 도구를 등록한 뒤 입력 인수 검증, 동기·비동기 호출 기초, 도구 실패 대응을 연결합니다.
세션별 대화 기록과 단기·장기 기억을 구분하고 요약과 컨텍스트 압축 후 대화를 재개하는 흐름을 점검합니다. 이후 LangChain에서는 모델·사용자 정의 도구·구조화 응답을 묶어 간단한 검색 비서를 구성하는 범위를 다룹니다.
상태 그래프에 재개·진행 표시·승인 기능 더하기
StateGraph의 상태·노드·연결선을 이용해 두 단계 작업을 구성하고 상태 업데이트를 확인합니다. 조건 분기와 반복을 추가할 때는 최대 반복 횟수, 재시도, 시간 초과와 대체 경로를 함께 점검하며, 체크포인트에서는 중단 후 재개와 사용자별 기록 분리를 확인합니다.
토큰·이벤트 스트리밍과 도구 실행 단계 표시를 통해 작업 진행 상태와 오류를 화면에 연결합니다. 이어 일시 중지·승인·수정·거절을 구성하고 승인 이력과 승인 전후 결과를 비교해 중요한 작업의 실행 흐름을 검토합니다.
문서 준비부터 근거 기반 상담 응답까지
PDF·TXT·CSV 문서를 읽고 정리한 뒤 청크 분할, 메타데이터, 중복 제거와 출처 저장을 진행합니다. 임베딩과 벡터 인덱스를 연결한 다음 유사도 검색과 Top-K 조정 결과를 확인하는 순서입니다.
검색 개선 단계에서는 하이브리드 검색, 재순위화, 출처 인용과 검색 실패 대응을 살펴보고 정답 문서와 검색 결과를 비교합니다. 상담 에이전트에서는 질문 재작성부터 답변 생성까지 연결한 뒤 근거 없는 답변 제한과 후속 질문 처리를 테스트 세트로 점검합니다.
MCP 연결 구조를 이해하고 조회 도구 제작하기
MCP의 클라이언트·서버·도구·리소스 관계와 연결 방식을 살펴본 뒤 연결 권한을 구분합니다. 로컬 서버 연결에서는 도구 목록 조회와 읽기 전용 리소스 호출을 진행하고, 연결 오류와 접근 범위를 확인합니다.
직접 서버를 만드는 단계에서는 Python MCP SDK로 조회 도구와 입력 검증, 도구 응답을 설계합니다. MCP Inspector 테스트와 에이전트 연동을 이어서 확인해 도구 자체의 응답과 연결 후의 사용 결과를 점검합니다.
역할 분담과 에이전트 팀의 실행 흐름 비교하기
조사·작성·검토 역할을 나누고 Supervisor·Worker 구조에서 업무 위임과 결과 취합을 구성합니다. 반복 검토가 어떻게 이어지는지 확인하고 한 에이전트의 실패가 다른 작업으로 전파되는 상황을 막는 설계를 살펴봅니다.
Google ADK에서는 전문 에이전트를 연결하고 순차·병렬·라우팅 흐름을 다룹니다. 목차에 제시된 LangGraph·CrewAI와의 설계 방식 비교를 따라 각 흐름이 역할 배치와 작업 연결을 어떻게 표현하는지 정리하는 데 초점을 둡니다.
브라우저 작업과 반복 지침의 실행 범위 정하기
브라우저 작업은 Playwright 기반 페이지 탐색과 정보 추출을 테스트 사이트에서 다루는 순서입니다. 로그인이나 수정 작업에 적용할 승인과 실행 제한을 함께 검토해 탐색 결과와 작업 수행 조건을 구분해 확인합니다.
반복 작업은 Agent Skills의 작업 절차로 정리하고 컨텍스트·파일·도구 범위를 관리하는 흐름으로 이어집니다. 하위 작업을 분리하면서 재사용할 절차와 각 작업에 필요한 범위를 정리하는 것이 점검 기준입니다.
보안 통제와 평가 기록으로 개선할 지점 찾기
프롬프트 인젝션 사례를 살펴보고 비밀키·개인정보 보호, 최소 권한, 도구 허용 목록과 입력 검증을 연결합니다. 실행 기록과 차단 테스트를 함께 확인해 설정한 제한이 결과에 반영되는지 점검합니다.
평가 단계에서는 테스트 질문과 기대 결과를 준비하고 LangSmith 실행 추적으로 처리 과정을 살펴봅니다. 성공률·지연·토큰 사용을 평가하고 오류 사례를 개선하는 순서로 결과의 정확도와 안정성을 검토합니다.
통합 업무 지원 시스템의 배포와 최종 검증
통합 프로젝트에서는 사용자 질문 분류, 내부 문서 검색, 외부 도구 조회와 전문 에이전트 협업을 연결합니다. 승인 흐름과 최종 응답까지 이어지는 과정을 확인하며 RAG·MCP·멀티 에이전트의 연결 결과를 점검합니다.
마지막 단계는 FastAPI·Streamlit 연결과 Docker 배포 기초를 다룹니다. 환경변수와 접근 제어를 확인하고 오류 로그·성능 테스트 결과를 검토한 뒤 프로젝트 결과물을 정리하는 순서로 마무리합니다.
