Do it! LLM을 활용한 AI 에이전트 개발 입문(Do it! 시리즈)

GPT API, 딥시크, 라마, 랭체인, 랭그래프, RAG를 활용해
일상을 바꾸는 AI 에이전트를 내 손으로 만든다!
최근 LLM과 생성형 AI 기술의 활용 방법이 빠르게 표준화되고 있습니다. 이 책은 LLM을 활용한 AI 에이전트를 직접 만들며 최신 방법론을 체계적으로 소개하고 AI 기술을 응용할 수 있는 기본을 탄탄하게 쌓아 줍니다. 첫째마당에서는 LLM이 무엇인지 알아보고 AI 에이전트를 개발하는 파이썬 환경을 구축합니다. 둘째마당에서는 GPT API를 활용해 논문 요약, 회의록 작성, 주식 분석 등 다양한 업무를 자동화할 수 있는 프로그램을 직접 만듭니다. 셋째마당에서는 랭체인과 RAG를 활용해 멀티에이전트를 구현하고 딥시크 언어 모델을 로컬에서 사용해 봅니다. 넷째마당에서는 랭그래프를 활용해 목차를 작성하는 멀티에이전트를 만들고 로컬에서 보안 걱정 없이 라마 언어 모델과 임베딩 모델을 활용하는 방법을 익힙니다. 실습을 따라 익히다 보면 현재 기술을 이해하는 것은 물론이고 앞으로 계속해서 등장할 신기술을 쉽게 받아들이는 토대를 마련할 수 있습니다.

1인 1 AI 에이전트 시대!
맞춤형 업무 자동화 프로그램부터 멀티에이전트까지 직접 만든다!
이 책은 GPT API로 시간을 아껴 주는 맞춤형 업무 자동화 프로그램을 만들고, 랭체인과 랭그래프를 활용해 스스로 판단해서 작업을 발전시키는 멀티에이전트를 개발합니다. AI 에이전트를 개발하는 원리를 파악하면 나만의 맞춤형 AI 에이전트를 만들 수 있습니다.

***이 책에서 만드는 6가지 AI 에이전트***
1. PDF 문서를 전처리하고 요약하는 AI 연구원
2. 회의록을 정리하는 AI 서기
3. 이미지를 분석하고 문제를 만들어 주는 AI 이미지 분석가
4. 최신 주식 정보를 알려 주는 AI 투자자
5. 문서, 유튜브, 인터넷을 검색해서 답변하는 맞춤형 AI 에이전트
6. 책과 보고서의 목차를 작성하는 AI 에이전트

파이썬 기본만 안다면 바로 시작하자!
친절한 설명과 문제 해결법으로 익히는 실전 AI 개발!
이 책은 AI 기술을 아직 접해 보지 못한 사람도 AI 에이전트 개발을 쉽게 익히고 일상에 제대로 활용할 수 있도록 구성했습니다.
1. 초보자도 쉽게 따라 할 수 있도록 실습 과정과 코드를 자세하게 설명합니다.
2. 결과 파일을 제공하여 자신이 작성한 코드를 비교하며 학습할 수 있습니다.
3. 〈한 걸음 더!〉 코너에서 헷갈리는 개념 정리는 물론, 실력을 키울 수 있는 팁까지 익힐 수 있습니다.
4. 단순히 매뉴얼을 알려 주는 데 그치지 않고, 실제 개발 과정에서 일어날 수 있는 문제와 이를 해결하는 과정까지 모두 담았습니다.

이 책, 이런 분께 추천해요!
ㆍ LLM을 활용한 AI 에이전트를 실무에 적용하고 싶은 분
ㆍ LLM, 생성형 AI 등 최신 AI 기술을 체계적으로 이해하고 싶은 분
ㆍ AI 서비스를 구상하고 개발해야 하는 개발자나 기획자

목표를 정해 혼자서도 체계적으로 공부해 보세요!
30일 코스와 15일 코스, 2가지 학습 계획표와 예제 파일 제공!
이 책은 혼자서도 체계적으로 공부할 수 있도록 학습 계획표를 제공합니다. 학습 계획표에 스스로 목표 날짜를 써넣고 공부해 보세요. LLM을 활용한 개발을 처음 시작한다면 30일 코스를, AI 에이전트 개발을 빠르게 익히고 싶다면 15일 코스를 추천합니다. 15일 학습 계획표로는 한 학기 수업도 할 수 있어요! 또한 이 책의 예제 파일을 이지스퍼블리싱 홈페이지와 저자 깃허브에서 제공합니다. 자신이 작성한 코드와 내려받은 예제 파일을 비교하면서 막힘없이 공부할 수 있습니다!

함께 배우고, 나누고, 성장하는 'Do it! 스터디룸'으로 오세요!
혼자 계획을 세우고 공부하다 보면 금방 지치기 마련입니다. 어려운 내용은 나와 비슷한 고민을 하는 독자와 공유해 보세요. 서로 도움을 주고받으며 공부하다 보면 더 보람차니까요. 내가 잘 이해한 내용은 남을 도와주고 내가 잘 이해하지 못한 내용은 도움을 받으면서 공부하면 복습 효과도 누릴 수 있습니다. 멀리 가려면 친구와 함께해 보세요.
ㆍ Do it! 스터디룸: cafe.naver.com/doitstudyroom

첫째마당 | LLM과 친해지기

01장 LLM으로 어떤 일을 할 수 있을까?
_01-1 챗GPT로 시작된 생성형 AI 시대
__대규모 언어 모델, LLM은 무엇일까?
__LLM의 종류
__LLM을 활용한 생성형 AI 서비스의 종류
_01-2 LLM을 왜 공부해야 할까?
__LLM 프로그래밍 경험이 필요한 이유
__어떤 언어 모델을 선택해야 할까?
__LLM의 한계를 보완하는 기술 6가지

02장 환경 설정하고 GPT API 시작하기
_02-1 파이썬 프로그래밍 환경 설정하기
__[Do it! 실습] 파이썬 설치하기
__[Do it! 실습] 비주얼 스튜디오 코드 설치하기
__[Do it! 실습] 가상 환경 만들기
_02-2 GPT API 시작하기
__API란?
__오픈AI의 API
__[Do it! 실습] 오픈AI의 API 키 발급받기
__[Do it! 실습] 오픈AI의 API 키로 질문하고 답변받기
__[Do it! 실습] API 키 관리하기

03장 오픈AI의 API로 챗봇 만들기
_03-1 프롬프트 엔지니어링 알아보기
__[Do it! 실습] GPT에게 역할 부여하기
__[Do it! 실습] 원샷 프롬프팅과 퓨샷 프롬프팅 적용하기
_03-2 GPT와 멀티턴 대화하기
__[Do it! 실습] 멀티턴 대화하는 챗봇 만들기
_03-3 스트림릿으로 챗봇 완성하기
__[Do it! 실습] 스트림릿으로 챗봇 UI 만들기


둘째마당 | 오픈AI의 GPT API를 활용한 업무 자동화

04장 문서와 논문을 요약하는 AI 연구원
_04-1 PDF 문서 전처리하기
__[Do it! 실습] PDF 파일을 텍스트 파일로 변환하기
__[Do it! 실습] PDF 파일 전처리 하기
_04-2 논문을 요약해 주는 AI 연구원 완성하기
__[Do it! 실습] 텍스트 요약 프롬프트 만들기
__[Do it! 실습] PDF 내용 요약하여 출력하기

05장 회의록을 정리하는 AI 서기
_05-1 음성을 텍스트로 변환하기
__[Do it! 실습] 위스퍼 API 활용하기
_05-2 로컬에서 음성을 텍스트로 변환하기
__허깅페이스
__[Do it! 실습] 위스퍼 모델을 내려받아 로컬에서 사용하기
_05-3 문장과 화자 구분하기
__[Do it! 실습] 화자 분리 모델로 시간대별 화자 구분하기
__[Do it! 실습] 판다스로 문장 분석하고 화자 매칭하기
_05-4 회의록을 정리하는 AI 서기 완성하기
__[Do it! 실습] 전체 회의 내용 요약하기
__[Do it! 실습] GPT로 녹취록 교정하기

06장 GPT-4o를 이용한 AI 이미지 분석가
_06-1 GPT 비전에게 이미지 설명 요청하기
__[Do it! 실습] 인터넷에 있는 이미지로 설명 요청하기
__[Do it! 실습] 내가 가진 이미지 설명 요청하기
__[Do it! 실습] GPT 비전의 한계 알아보기
_06-2 이미지를 활용해 퀴즈 만들기
__[Do it! 실습] 문제 생성 함수 만들기
__[Do it! 실습] 영어로 문제 출제하기
__[Do it! 실습] TTS로 영어 듣기 평가 문제 만들기

07장 최신 주식 정보를 알려 주는 AI 투자자
_07-1 펑션 콜링의 기초
__GPT야, 지금 몇 시지?
__펑션 콜링이란?
__[Do it! 실습] 펑션 콜링 적용하기
__뉴욕은 지금 몇 시야?
__[Do it! 실습] 도시별 시간 알려 주기
__[Do it! 실습] 여러 도시의 시간을 한 번에 대답할 수 있게 하기
__[Do it! 실습] 스트림릿에서 펑션 콜링 사용하기
_07-2 GPT와 미국 주식 이야기하기
__[Do it! 실습] yfinance 사용하기
__[Do it! 실습] GPT에서 사용할 yfinance 관련 함수 만들기
__[Do it! 실습] 코드 리팩토링하기
__[Do it! 실습] 종목 최근 주가 정보와 추천 정보 가져오기
_07-3 스트림 출력하기 180
__[Do it! 실습] 터미널 창에서 스트림 방식으로 출력하기
__[Do it! 실습] 스트림릿에서 스트림 방식으로 출력하기
__[Do it! 실습] 스트림 방식에서 펑션 콜링 사용하기


셋째마당 | 랭체인을 활용한 에이전트 개발

08장 랭체인으로 에이전트 만들기
_08-1 랭체인으로 챗봇 만들기
__랭체인이란?
__[Do it! 실습] 랭체인과 오픈AI의 GPT API 비교하기
__[Do it! 실습] 랭체인으로 멀티턴 대화하기
_08-2 LCEL로 체인 만들기
__[Do it! 실습] 출력 파서와 체인
__[Do it! 실습] 프롬프트 템플릿 이용하기
_08-3 랭체인 도구로 에이전트 만들기
__[Do it! 실습] @tool 데코레이터로 랭체인에 함수 연결하기
__[Do it! 실습] 파이단틱 이용하기
_08-4 스트림 방식으로 출력하기
__[Do it! 실습] 도구 사용할 때 스트림 출력하기
_08-5 스트림릿에 구현하기
__[Do it! 실습] 랭체인 메모리에 기반한 멀티턴 챗봇 만들기
__[Do it! 실습] 랭체인 메모리 없이 멀티턴 만들기
__[Do it! 실습] 도구 추가하고 스트림 방식으로 출력하기

09장 RAG로 문서에 기반해 답변하는 챗봇 만들기
_09-1 RAG란 무엇일까?
__언어 모델과 RAG의 작동 방식
__기본적인 언어 모델의 답변과 RAG의 차이
__청킹: 대량의 문서를 쪽지 단위로 자르기
__임베딩: 텍스트를 벡터로 변환하기
__벡터 DB와 리트리버
__질의 확장
_09-2 RAG에 기반한 챗봇 구현하기
__[Do it! 실습] PDF 파일 텍스트로 변환하고 청크 단위로 쪼개기
__[Do it! 실습] 오픈AI 임베딩 모델 사용하기
__[Do it! 실습] 벡터 DB와 리트리버
__[Do it! 실습] 주어진 청크에 기반하여 언어 모델로 답변 생성하기
__[Do it! 실습] 질의 확장 구현하기
_09-3 스트림릿으로 챗봇 완성하기
__[Do it! 실습] 기본 스트림릿 코드에 리트리버 추가하기
__[Do it! 실습] 출처 표기하기

10장 인터넷 검색을 활용해 답변하는 챗봇 만들기
_10- 1 인터넷 검색 후 답변하기 - 덕덕고 검색
__[Do it! 실습] GPT에 인터넷 검색 기능 추가하기
__[Do it! 실습] 검색 기능에 옵션 설정하기
__[Do it! 실습] 기사 링크 가져오기
__[Do it! 실습] 뷰티풀수프를 이용해 특정 영역만 가져오기
_10-2 자료 조사 후 기사 쓰기 - 타빌리 검색
__[Do it! 실습] 타빌리 활용하기
__[Do it! 실습] 인터넷에서 자료 조사 후 기사 쓰는 기자 만들기
_10-3 유튜브 영상 요약하기
__[Do it! 실습] YoutubeSearch 패키지로 유튜브 검색하기
__[Do it! 실습] YoutubeLoader 패키지로 유튜브 자막 가져오기
__[Do it! 실습] 자막 내용 요약하기
_10-4 웹과 유튜브 검색을 활용한 챗봇 만들기
__[Do it! 실습] 챗봇에 웹 검색 도구 추가하기
__[Do it! 실습] 유튜브 검색 도구 추가하기

11장 로컬에서 딥시크-R1 모델 사용하기
_11-1 딥시크 모델 알아보기
__소규모 언어 모델의 등장
__딥시크-R1 모델
__[Do it! 실습] 올라마와 딥시크-R1 모델 설치하기
_11-2 랭체인에서 딥시크 모델 사용하기
__[Do it! 실습] 딥시크와 랭체인으로 챗봇 만들기
_11-3 딥시크에 기반한 RAG 만들기
__[Do it! 실습] 딥시크로 RAG 만들기


넷째마당 | 랭그래프를 활용해 협업하는 AI 팀 만들기

12장 랭그래프와 친해지기
_12-1 랭그래프로 만드는 기본 챗봇
__랭그래프란?
__랭그래프의 기본 개념 - 노드, 엣지, 상태
__[Do it! 실습] 랭그래프로 간단한 챗봇 만들기
__[Do it! 실습] 상태 정의하기
__[Do it! 실습] 노드 생성하기
__[Do it! 실습] 엣지 설정하기
__[Do it! 실습] 스트림 출력하기
_12-2 대화 내용을 저장하는 메모리
__[Do it! 실습] 랭그래프의 메모리 기능 활용하기
_12-3 인터넷 검색 후 기사를 작성하는 챗봇 만들기
__[Do it! 실습] 신문기자 챗봇 만들기
__[Do it! 실습] 라우터 설정하기
__[Do it! 실습] 도구 테스트하고 기사 작성하기

13장 랭그래프를 활용해 멀티에이전트 RAG 만들기
_13-1 랭그래프에 기반한 RAG를 위한 사전 작업
__멀티에이전트 시스템과 정확한 가이드
__RAG의 한계 개선하기
__[Do it! 실습] PDF 전처리하고 벡터 DB 만들기
_13-2 라우터 알아보기
__라우터
__[Do it! 실습] 챗봇에 라우터 설정하기
_13-3 랭그래프로 RAG 에이전트 만들기
__[Do it! 실습] 관련 있는 청크만 필터링하기
__[Do it! 실습] RAG 답변 생성하기
_13-4 그래프 정의하기
__[Do it! 실습] 그래프 상태 선언하고 노드 정의하기
__[Do it! 실습] StateGraph 만들기
__[Do it! 실습] 멀티에이전트 테스트하기

14장 랭그래프로 목차를 작성하는 멀티에이전트 만들기
_14-1 사용자와 함께 목차를 작성하는 에이전트
__이 장에서 만드는 멀티에이전트
__사용자와 의사소통하는 커뮤니케이터 에이전트
__[Do it! 실습] 커뮤니케이터 에이전트 communicator 만들기
__책의 목차를 작성하는 콘텐츠 전략가 에이전트
__[Do it! 실습] 목차를 작성하는 콘텐츠 전략가 에이전트 content_strategist 만들기
_14-2 조장 역할을 하는 슈퍼바이저 에이전트
__조장이 필요하다! - 슈퍼바이저 에이전트
__[Do it! 실습] 슈퍼바이저 에이전트 supervisor 추가하기
__[Do it! 실습] 파이단틱의 BaseModel로 출력 형태 정의하기
_14-3 웹 검색과 RAG를 활용하는 벡터 검색 에이전트
__벡터 DB를 활용해 효율적으로 웹 검색하기
__[Do it! 실습] 웹 검색 기능 만들기
__[Do it! 실습] 벡터 DB 만들기
__관련 높은 청크 찾는 벡터 검색 에이전트
__[Do it! 실습] 랭그래프에 연결하기
_14-4 부족한 정보 검색하는 웹 검색 에이전트
__부족한 정보를 찾아 주는 웹 검색 에이전트
__[Do it! 실습] 웹 검색 에이전트 web_search_agent 만들기
__[Do it! 실습] 목차에 검색 결과 활용하기

15장 스스로 판단하고 작업하는 멀티에이전트 만들기
_15-1 에이전트의 공동 목표 만들기
__목표를 점검하는 비즈니스 분석가 에이전트
__[Do it! 실습] 사용자의 의도를 파악하는 에이전트 business_analysist 만들기
_15-2 템플릿으로 더 명확한 가이드 세우기
__문서 양식을 정의하고 답변 형식을 유도하는 템플릿
__[Do it! 실습] 목차 작성을 위한 템플릿 만들기
__[Do it! 실습] 목차 작성 템플릿을 활용해 시스템 프롬프트 발전시키기
__스스로 판단하고 작업하는 멀티에이전트
__[Do it! 실습] 스스로 판단하고 작업하는 멀티에이전트 시스템 만들기
_15-3 스스로 리뷰하고 수정하는 에이전트로 발전시키기
__목차 리뷰 에이전트
__[Do it! 실습] 목차 조언 항목 추가하고 business_analyst에 반영하기
__[Do it! 실습] 목차를 검토하는 outline_reviewer 만들기
__[Do it! 실습] 벡터 검색 에이전트도 비즈니스 분석가 에이전트에게 조언하도록 구성하기
__[Do it! 실습] 무한 루프 방지하기

16장 인공지능 더 안전하게 활용하기
_16-1 로컬에서 라마와 임베딩 모델 구동하기
__[Do it! 실습] 메타의 라마 모델을 로컬에서 구동하기
__[Do it! 실습] 라마 기반으로 간단한 챗봇 만들기
__[Do it! 실습] 로컬 임베딩 모델 사용하기
_16-2 LLM에 기반한 서비스 발전시키기
__빠른 답변 vs 사용자가 원하는 답변
__기능 개발이 끝났으면 그때부터 시작이다

찾아보기

이성용 컴퓨터와 수영, 그리고 음악을 좋아하는 데이터 분석가.
서울대학교 지역시스템공학과에서 박사 과정을 마친 후 한국과학기술기획평가원(KISTEP)에서 데이터 수집 및 분석 업무를 수행했다. OECD 과학기술지표작업반(NESTI)의 한국 대표로도 활동했다. 파이콘 한국 2017에서 통계 업무 자동화를 주제로 발표해 큰 호응을 얻었으며, 책과 동영상 강의를 통해 독자들에게 파이썬과 웹 개발에 관한 지식을 전달했다. 데이터 분석을 본격적으로 하고 싶어서 2019년에 삼성SDS의 데이터 분석 그룹에 합류했다.
현재 삼성SDS에서 마케팅, 제조, 조세 등 다양한 분야의 데이터 분석 프로젝트에 참여하고 있다. GPT가 등장한 이후에는 다양한 언어 모델을 기반으로 한 기업용 AI 에이전트, 챗봇 개발 프로젝트에 참여하고 있다.