다중 에이전트 시스템을 위한 컨텍스트 엔지니어링(위키북스 생성형 AI 프로그래밍 시리 30)

▣ 01장: 프롬프트에서 컨텍스트로 - 의미 청사진 구축
1.1 컨텍스트 엔지니어링이란
__1.1.1 수준 1: 기본 프롬프트(컨텍스트 없음)
__1.1.2 수준 2: 더 나은 컨텍스트(선형 컨텍스트)
__1.1.3 수준 3: 좋은 컨텍스트(목표 지향적 컨텍스트)
__1.1.4 수준 4: 고급 컨텍스트(역할 기반 컨텍스트)
__1.1.5 수준 5: 의미 청사진
1.2 SRL: 선형 시퀀스에서 의미론적 구조로
1.3 SRL 시연을 위한 파이썬 노트북
__1.3.1 메인 함수: visualize_srl
__1.3.2 의미역 정의
__1.3.3 작도 엔진: _plot_stemma 함수와 캔버스 설정
__1.3.4 동적 위치 지정과 스테마(그래프) 그리기
__1.3.5 SRL 예제 실행하기
1.4 회의 분석 엔지니어링 사례 연구
__1.4.1 계층 1: 범위 설정('무엇을')
__1.4.2 계층 2: 조사 수행('어떻게')
__1.4.3 계층 3: 조치 결정('다음에 무엇을')
1.5 요약
1.6 연습문제
1.7 참고문헌
1.8 더 읽을거리

▣ 02장: 표준 통신 규약에 기반한 다중 에이전트 시스템 구축
2.1 MCP를 활용한 MAS 작업흐름 설계
2.2 MCP로 MAS 구축하기
__2.2.1 클라이언트 초기화
__2.2.2 프로토콜 정의
__2.2.3 에이전트 구축
__2.2.4 오케스트레이터 구축
__2.2.5 시스템 실행
2.3 오류 처리 및 검증
__2.3.1 LLM을 위한 견고한 구성요소 구축
__2.3.2 MCP 메시지 검증
__2.3.3 에이전트 전문화 제어 및 검증 추가
__2.3.4 검증 루프를 갖춘 최종 오케스트레이터
__2.3.5 견고한 최종 시스템 실행
2.4 AI 아키텍처의 진화
2.5 에이전트 시스템 구축을 위한 도구
2.6 요약
2.7 연습문제
2.8 참고문헌
2.9 더 읽을거리

▣ 03장: 맥락 인식 다중 에이전트 시스템 구축
3.1 이중 RAG MAS 설계
__3.1.1 페이즈 1: 데이터 준비
__3.1.2 페이즈 2: 실행
3.2 RAG 파이프라인 데이터 수집(컨텍스트와 지식)
__3.2.1 설치 및 설정
__3.2.2 파인콘 색인 초기화
__3.2.3 데이터 준비: 컨텍스트 라이브러리(절차적 RAG)
__3.2.4 데이터 준비: 지식 베이스 (사실 관계 RAG)
__3.2.5 데이터 처리 및 업로드(업서트)
__3.2.6 맥락 인식 시스템 구축
3.3 요약
3.4 연습문제
3.5 참고문헌
3.6 더 읽을거리

▣ 04장: 컨텍스트 엔진 조립
4.1 컨텍스트 엔진의 아키텍처
__4.1.1 아키텍처 개요
__4.1.2 함수 심층 탐구
4.2 시스템 조립
__4.2.1 스페셜리스트 에이전트
__4.2.2 에이전트 레지스트리
__4.2.3 컨텍스트 엔진
__4.2.4 모두 합치기
4.3 엔진 실행
4.4 요약
4.5 연습문제
4.6 참고문헌
4.7 더 읽을거리

▣ 05장: 컨텍스트 엔진 강화
5.1 단계별 아키텍처 둘러보기
__5.1.1 페이즈 1: 초기화
__5.1.2 페이즈 2: 계획 수립
__5.1.3 페이즈 3: 실행 루프
__5.1.4 페이즈 4: 마무리
5.2 실제 환경의 확장성을 위한 리팩터링
__5.2.1 중앙 집중식 설정 함수 생성
__5.2.2 주 노트북의 간소화
__5.2.3 보조 함수 강화
__5.2.4 프로덕션을 위한 에이전트 리팩터링
__5.2.5 에이전트 레지스트리의 리팩터링
__5.2.6 중앙 오케스트레이터 업그레이드
__5.2.7 강화된 엔진 실행하기
__5.2.8 엔진의 사고 과정 해체하기
__5.2.9 완료
5.3 엔진 모듈화하기
__5.3.1 로컬 임포트 문들
__5.3.2 모듈의 독립성
__5.3.3 최종 사전 프로덕션 노트북
5.4 요약
5.5 연습문제
5.6 참고문헌
5.7 더 읽을거리

▣ 06장: 컨텍스트 축약을 위한 요약자 에이전트 구축
6.1 유리 상자 시스템 설계
__6.1.1 단계별 아키텍처 둘러보기
__6.1.2 책임 분리
__6.1.3 유리 상자가 중요한 이유
6.2 요약자 에이전트로 컨텍스트 축약 구현하기
__6.2.1 비용 관리의 기초
__6.2.2 요약자 에이전트 구축
__6.2.3 엔진의 도구 모음에 새 에이전트 통합하기
__6.2.4 작가 에이전트의 유연성 보강
__6.2.5 요약자의 실제 동작 살펴보기
6.3 기술적 효율성을 비즈니스 가치로 전환
6.4 요약
6.5 연습문제
6.6 참고문헌
6.7 더 읽을거리

▣ 07장: 고충실도 RAG와 방어 - NASA에서 영감을 받은 연구 조교 에이전트
7.1 신뢰할 수 있는 연구 조교 에이전트 설계
__7.1.1 단계별 아키텍처 둘러보기
__7.1.2 책임 분리
7.2 고충실도 RAG 및 에이전트 방어 구현
__7.2.1 단계 1: 데이터 수집 파이프라인 업그레이드
__7.2.2 단계 2: 컨텍스트 엔진 역량 업그레이드
__7.2.3 단계 3: 최종 애플리케이션 - NASA 연구 조교 에이전트
7.3 컨텍스트 엔진의 검증과 하위 호환성
__7.3.1 컨텍스트 엔진의 완전한 구성요소 목록
__7.3.2 컨텍스트 엔진이 생각하는 방식
__7.3.3 기계의 마음 검증하기
7.4 요약
7.5 연습문제
7.6 참고문헌
7.7 더 읽을거리

▣ 08장: 현실에 맞는 아키텍처 구축 - 모더레이션, 지연시간, 정책 기반
8.1 엔터프라이즈 환경에 맞는 컨텍스트 엔진 아키텍처
__8.1.1 단계별 아키텍처 둘러보기
8.2 추론 엔진의 심사숙고에 따른 지연시간
8.3 모더레이션 구현
__8.3.1 모더레이션 문지기 구축
__8.3.2 모더레이션 문지기의 통합
__8.3.3 모더레이션 가드레일의 실제 작동
8.4 정책 기반 메타컨트롤러 아키텍처
__8.4.1 원칙 1: AI 시스템은 끊임없이 현실에 적응해야 한다
__8.4.2 원칙 2: 자동화된 문맥 기반 판단의 한계
__8.4.3 원칙 3: 새로운 엔지니어의 사고방식
__8.4.4 원칙 4: 궁극적인 컨텍스트로서의 정책
__8.4.5 원칙 5: 아키텍처적 해법
8.5 범용 다중 도메인 컨트롤 덱
__8.5.1 템플릿 1: 고충실도 RAG
__8.5.2 템플릿 2: 컨텍스트 축약
__8.5.3 템플릿 3: 근거 기반 추론
8.6 엔진 적용: 법적 규정 준수 보조 도구
__8.6.1 법률 지식 베이스 구축
__8.6.2 법률 용례와 현실의 한계
8.7 요약
8.8 연습문제
8.9 참고문헌
8.10 더 읽을거리

▣ 09장: 브랜드와 민첩성을 위한 아키텍처 - 전략적 마케팅 엔진
9.1 단계별 아키텍처 흐름
9.2 마케팅 지식 베이스 설계
9.3 엔진 실행
__9.3.1 프로덕션 안전장치 검증
__9.3.2 용례 1: 경쟁사 분석
__9.3.3 용례 2: 제품 설명을 마케팅 콘텐츠로 변환
__9.3.4 용례 3: 다양한 소스를 종합해서 설득력 있는 제안서 작성
9.4 요약
9.5 연습문제
9.6 참고문헌
9.7 더 읽을거리

▣ 10장: 프로덕션 전환을 위한 로드맵
10.1 유리 상자 엔진의 프로덕션 전환
__10.1.1 환경 설정 및 비밀값 관리
__10.1.2 프로덕션 API 구축(오케스트레이션 계층)
__10.1.3 비동기 실행 및 작업 대기열
__10.1.4 중앙화된 로깅 및 관측성
__10.1.5 인프라 및 컨테이너화
10.2 엔터프라이즈 역량 및 프로덕션 가드레일 배포
__10.2.1 능동적 컨텍스트 축약으로 운영 비용 관리
__10.2.2 고충실도 RAG로 신뢰와 규정 준수 보장
__10.2.3 데이터 오염 및 적대적 공격으로부터 데이터 파이프라인 방어
__10.2.4 자동화된 가드레일로 규정 준수 및 안전성 보장
__10.2.5 창의적 작업흐름으로 거버넌스와 품질 강화
10.3 비즈니스 가치 제시
__10.3.1 비용 센터에서 가치 증폭기로
__10.3.2 검증 가능성과 보안을 통한 이해관계자 신뢰 강화
__10.3.3 전략적 자산 창출
10.4 요약
10.5 연습문제
10.6 참고문헌
10.7 더 읽을거리

▣ 부록A: 컨텍스트 엔진 레퍼런스
A.1 이론적 토대
__A.1.1 의미 청사진
__A.1.2 유리 상자 아키텍처의 장점
__A.1.3 시스템 아키텍처와 작업흐름
__A.1.4 commons 라이브러리 레퍼런스
A.2 데이터 수집 파이프라인
__A.2.1 수집 과정
__A.2.2 컨텍스트 라이브러리(의미 청사진 라이브러리) 수집
A.3 실행과 운영
__A.3.1 엔진 룸
__A.3.2 컨트롤 덱
A.4 프로덕션 가드레일: 모더레이션, 정제, 정책
__A.4.1 자동화의 한계와 정책의 역할
A.5 운영의 현실: 지연시간과 확률성

▣ 부록B: 연습문제 해답

데니스 로스먼 Denis Rothma
데니스 로스먼은 소르본 대학과 파리-디드로 대학교를 졸업했다. AI 부흥 초창기에 word2matrix 임베딩 알고리즘을 개발해서 특허를 받았으며, AI 기반 대화형 에이전트를 선구적으로 개발했다. 경력 초기에 개발한 인지적(cognitive) NLP 챗봇은 모엣 & 샹동을 비롯한 글로벌 브랜드에 채택됐다. 이후 에어버스를 위해 AI 자원 최적화 도구를 만들었는데, IBM과 의류 업계의 여러 선도 기업도 그 도구를 도입했다. 전 세계에서 쓰이는 그의 APS(Advanced Planning and Scheduling, 고급 계획 및 일정 수립) 솔루션은 여러 산업 분야에 걸쳐 공급망 지능화를 이끌었다. 저술 활동을 통해서 데니스는 목적의식을 가지고 AI를 형성하는 데 전념하는 사상가, 제작자, 학습자로 구성된 글로벌 커뮤니티와 혁신의 경험을 공유한다.