AI 에이전트 아키텍처 학습을 위한 80개 이상의 실전 예제 저장소

실용적 조언

이론 중심의 튜토리얼보다 실제 구현된 프로덕션 스타일의 코드를 분석하는 것이 에이전트 엔지니어링 학습에 더 효과적이다.

공유된 저장소는 MCP, RAG, 메모리 아키텍처, 멀티 에이전트 워크플로, 툴 콜링 등 다양한 에이전트 패턴을 포함한다.

LangChain, LangGraph, LlamaIndex, CrewAI 등 여러 프레임워크로 동일한 개념을 구현하여 개발자 경험과 디자인 패턴을 직접 비교할 수 있다.

이러한 실전 예제 중심의 학습은 이론적 이해를 넘어 실무적인 에이전트 시스템 설계 역량을 강화하는 데 기여한다.

모델 컨텍스트 프로토콜(MCP): — Model Context Protocol의 약자로, AI 모델이 외부 데이터나 도구와 표준화된 방식으로 상호작용하기 위한 개방형 표준이다. 에이전트가 다양한 소스에서 컨텍스트를 안전하게 가져오고 도구를 호출할 수 있도록 지원한다.
검색 증강 생성(RAG): — Retrieval-Augmented Generation의 약자로, 외부 데이터베이스에서 관련 정보를 검색하여 LLM의 답변에 참조시키는 기법이다. 모델의 환각을 줄이고 최신 정보를 반영하는 데 필수적이다.
멀티 에이전트(Multi-Agent): — 여러 개의 AI 에이전트가 협력하여 복잡한 작업을 수행하는 시스템 아키텍처이다. 각 에이전트는 특정 역할을 수행하며, 상호작용을 통해 전체적인 문제 해결 능력을 향상시킨다.
툴 콜링(Tool Calling): — LLM이 외부 API나 함수를 호출하여 필요한 정보를 얻거나 작업을 수행하는 기능이다. 모델이 스스로 도구를 선택하고 인자를 구성하여 실행 결과를 답변에 통합한다.

LangChain중립

AI 에이전트 및 RAG 파이프라인 구축 프레임워크

LangGraph중립

상태 기반 에이전트 워크플로 구축

LlamaIndex중립

데이터 인덱싱 및 RAG 파이프라인 구축

CrewAI중립

멀티 에이전트 오케스트레이션

PydanticAI중립

타입 안전한 에이전트 개발