AI Agent 바이블 : n8n부터 LangGraph까지, 멀티 에이전트의 모든 것
[1+1 이벤트 : 6월 26일 쿠폰 자동발급]AI Agent 바이블 : n8n부터 LangGraph까지, 멀티 에이전트의 모든 것
에이전트는 더 이상 미래의 이야기가 아닙니다.
국내 기업의 AI Agent 엔지니어 채용은
이미 시작되었습니다.
AI 엔지니어 공급이 부족한 지금,
지금이 기회를 가장 빨리 잡을 수 있는 순간입니다.
01. 압도적인 학습 로드맵
AI Agent의 전 범위를 담은
어디에도 없는 유일무이한 커리큘럼
Level 01
싱글 에이전트 핵심 기초
AI 에이전트가 뭔지 이해하고, 단일 Agent를 직접 만들어봅니다.
· LLM 한계 (hallucination·memory)
· RAG / Agentic RAG 구조 이해
· Tool-calling / JSON output
(에이전트의 핵심 원리)
· RAG / Agentic RAG 구조 이해
· Tool-calling / JSON output
(에이전트의 핵심 원리)
· n8n 구조 이해
· RAG 챗봇 실습
· 자동화형 뉴스레터 Agent
· RAG 챗봇 실습
· 자동화형 뉴스레터 Agent
· Agent SDK / Agent Builder 이해
· File Search 기반 RAG 챗봇
· CS 챗봇 싱글 에이전트
· File Search 기반 RAG 챗봇
· CS 챗봇 싱글 에이전트
· ReAct(Reason+Act) 패턴
· Prompt Chaining
· 2-Agent 워크플로우
(웹 검색→요약)
· Prompt Chaining
· 2-Agent 워크플로우
(웹 검색→요약)
Level 02
멀티에이전트 구조 정복
베이스 아키텍처를 만들어 팀처럼 동작시키는 방법을 이해합니다.
· Orchestrator–Worker 구조
· Router / Planner / Evaluator 역할
· 싱글 Agent의 한계 극복 포인트
· Router / Planner / Evaluator 역할
· 싱글 Agent의 한계 극복 포인트
· MCP / A2A 프로토콜 이해
· Shared tools / actions 구조
· 모듈형 에이전트 설계 사고
· Shared tools / actions 구조
· 모듈형 에이전트 설계 사고
· MoA (답변 합성)
· CodeAct (복잡한 문제 해결)
· Evaluator-Optimizer(자율 개선 Loop)
· CodeAct (복잡한 문제 해결)
· Evaluator-Optimizer(자율 개선 Loop)
· DeepResearch / Manus 구조 해부
· Researcher·Writer·Outliner Sub-agent 설계
· File-system 기반 Context 관리(Manus 방식)
· Researcher·Writer·Outliner Sub-agent 설계
· File-system 기반 Context 관리(Manus 방식)
Level 03
멀티에이전트 프로덕션 (End-to-End)
실제 기업용 Multi-agent를 완성하고 최적화하는 방법을 학습합니다.
· Short/Long-term Memory
· File-based state passing
· Compaction(요약·중복제거)
· File-based state passing
· Compaction(요약·중복제거)
· Trace·Log·Cost 모니터링
· 병목 구간 탐지
· 실행 품질 분석
· 병목 구간 탐지
· 실행 품질 분석
· 모델 라우팅 & Fallback
· 비용/속도 최적화
· vLLM 로컬·폐쇄망 서빙
· 비용/속도 최적화
· vLLM 로컬·폐쇄망 서빙
· Orchestrator + Sub-agents 전체 연동
· Instruction-following 강화
· FastAPI + Streamlit 배포(E2E 완성)
· Instruction-following 강화
· FastAPI + Streamlit 배포(E2E 완성)
02. 촘촘한 실습 구성
그 경험을 충분히 쌓을 수 있도록,
필요한 모든 것을 한 강의에 담았습니다.
01. 실습 프로젝트
싱글부터 멀티 에이전트까지
40개+ 프로젝트로 완.전.정.복.
RAG부터 Web Search, Context 설계, 멀티 에이전트 협업까지
실제 업무에서 쓰는 모든 기술을 프로젝트로 익힙니다.
01. Claude code 같은 DeepAgent 구현하기
컨텍스트 엔지니어링까지 고려한 멀티 에이전트 시스템은 이제 Deep Agent로 진화했습니다.
파일 시스템으로 더 지속 가능한 컨텍스트 관리가 가능해졌으며,
세밀한 서브 에이전트 생성을 통한 최적화된 워크플로우 구성을 구현해봅니다.
컨텍스트 엔지니어링까지 고려한 멀티 에이전트 시스템은 이제 Deep Agent로 진화했습니다.
파일 시스템으로 더 지속 가능한 컨텍스트 관리가 가능해졌으며,
세밀한 서브 에이전트 생성을 통한 최적화된 워크플로우 구성을 구현해봅니다.
02. DeepResearch 에이전트 구현하기
DeepResearch는 대표적인 Orchestrator 아키텍처 기반의 탐색용 에이전트 시스템입니다. Planner-Sub agent로 이뤄진 멀티 에이전트를 통해 실제 AI 서비스들의 딥리서치 원리를 살펴보고 실제로 구현해봅니다.
DeepResearch는 대표적인 Orchestrator 아키텍처 기반의 탐색용 에이전트 시스템입니다. Planner-Sub agent로 이뤄진 멀티 에이전트를 통해 실제 AI 서비스들의 딥리서치 원리를 살펴보고 실제로 구현해봅니다.
03. 보고서 작성 에이전트 간단 구현하기
주어진 주제에 대해 개요를 작성하고, 여러 섹션을 병렬 처리하여 빠르게 보고서를 작성하는 간단한 멀티 에이전트 시스템을 구현해봅니다.
주어진 주제에 대해 개요를 작성하고, 여러 섹션을 병렬 처리하여 빠르게 보고서를 작성하는 간단한 멀티 에이전트 시스템을 구현해봅니다.
04. GraphRAG Agent 구현하기
GraphRAG의 핵심 기술인 Text2Cypher로 사용자의 질문을 해석하고, 필요한 정보를 찾기 위한 Cypher 쿼리를 동적으로 생성·수정·교정하는 Agentic RAG를 구현합니다.
GraphRAG의 핵심 기술인 Text2Cypher로 사용자의 질문을 해석하고, 필요한 정보를 찾기 위한 Cypher 쿼리를 동적으로 생성·수정·교정하는 Agentic RAG를 구현합니다.
이외에도 다양하게 준비된
40+개 실습을 통해 진짜 내 것으로.
실습 프로젝트명
학습 내용 설명
1. DeepResearch 에이전트 구현하기
실제 기업 실무에서 가장 많이 요구받는 에이전트 서비스인 DeepResearch를 구현해봅니다. 이 과정에서, Orchestrator, Sub agent with web research 등에 대한 구현이 진행됩니다.
2. Langgraph 1.0으로 Deepagent
간단 구현하기
Langgraph 초보자도 쉽게 복잡한 작업 수행이 가능한 Deep agent를 직접 만들어보는 실습 시간을 가집니다.
3. GraphRAG Agent 구현하기
Neo4j GraphRAG 파이썬 패키지의 ToolsRetriever를 이해하고, 이를 기반으로 도구 호출 기반 에이전트 구조에 대해 알아봅니다.
4. vLLM으로 폐쇄망에서
오픈소스 LLM API 서빙하기
폐쇄망 환경에서 Llama, Mistral 등 오픈소스 LLM을 빠르게 서빙하기 위한 vLLM 사용 방법을 익힙니다.
5. 비용·속도 개선하기
(모델 전환 & Loop 구조 개선)
시스템의 비용과 속도를 최적화합니다. 작업별 적절한 모델 선택, 불필요한 LLM 호출 제거, agentic loop 구조 개선을 진행합니다.
다른 프로젝트 더보기 ▼
02. 에이전트 아키텍처
‘요즘 에이전트’는 이렇게 만들어요.
현업에서 가장 많이 쓰는 에이전트 아키텍처, 여기 싹 다 담았습니다.
ㅣ 잠깐, 아키텍처는 왜 중요한가요?
같은 모델이라도,
아키텍처 설계에 따라 결과가 완전히 달라집니다.
검색·툴·메모리·피드백 루프를 어떻게 결합하느냐에 따라 에이전트의 정확도·속도·신뢰성이 극적으로 달라지며, 이 때문에 Self-RAG·MoA 같은 최신 아키텍처가 빠르게 확산되고 있습니다.
강의를 통해 지금 가장 핫한 에이전트 아키텍처를 전부 확인하세요.
아키텍처 설계에 따라 결과가 완전히 달라집니다.
검색·툴·메모리·피드백 루프를 어떻게 결합하느냐에 따라 에이전트의 정확도·속도·신뢰성이 극적으로 달라지며, 이 때문에 Self-RAG·MoA 같은 최신 아키텍처가 빠르게 확산되고 있습니다.
강의를 통해 지금 가장 핫한 에이전트 아키텍처를 전부 확인하세요.
ㅣ 강의를 통해 10개+ 최신 아키텍처를 확인하세요.
Parallelization
여러 에이전트가 동시에 답안을 생성해, 가장 빠르고 다양한 결과를 얻는 병렬 처리 구조입니다.
Prompt chaining
단계별 프롬프트를 연결해 사고 흐름을 설계하는 방식으로, 정확도와 논리성을 크게 높입니다.
Orchestrator-Worker
오케스트레이터가 작업을 나누고 워커가 수행하여, 복잡한 문제도 체계적으로 해결하는 협업형 구조입니다.
Evaluator-optimizer
생성–평가 루프를 반복하며 답을 다듬어가는 구조로, 더 나은 결과를 자동으로 찾아가는 최적화 방식을 구현합니다.
더욱 자세한 학습 내용은 하단 상세 커리큘럼을 참고해주세요.
03. 핵심 프레임 워크
지금 실무에서 가장 핫한
핵심 프레임워크 3종 비교 실습
n8n · Agent SDK · LangGraph로 같은 에이전트를 직접 구현하며
프레임워크 선택 기준과 실전 활용 방식을 확실히 배웁니다
프로덕션 수준의 Multi-Agent를 제대로 만들려면
반드시 해결해야 하는
핵심 고민 2가지
Liner 현직 ML 엔지니어
김윤기 강사님
1,100만 연구자
가 사용하는 AI,
Liner 현직 엔지니어
가 깔끔하게 알려드릴게요!
여러분들의 고민을 해결해 줄
멀티 에이전트 프로젝트를 소개합니다.
단순히 여러 Agent를 이어붙이는 수준을 넘어서,
실제 프로덕션처럼 동작하는 Multi-Agent 시스템을 End-to-End로 완성할거예요!
Multi-agent로 구현하는
Report Generation Agent
사용자가 입력한 리포트 주제·요구사항을 바탕으로 계획 수립, 자료 조사, 리포트 작성까지 자동화하는 멀티 에이전트 시스템을 직접 구현합니다.
[Sub agent 구성]
· Outliner Agent : 요구 사항 분석 & 목차 설계
· Researcher Agent : 목차별 자료 수집
· Writer Agent : 섹션 단위 작성 후 통합을 통한 리포트 생성
· Orchestrator : 각 단계에 맞는 subagent 호출 및 상태 관리
Report Generation Agent
사용자가 입력한 리포트 주제·요구사항을 바탕으로 계획 수립, 자료 조사, 리포트 작성까지 자동화하는 멀티 에이전트 시스템을 직접 구현합니다.
[Sub agent 구성]
· Outliner Agent : 요구 사항 분석 & 목차 설계
· Researcher Agent : 목차별 자료 수집
· Writer Agent : 섹션 단위 작성 후 통합을 통한 리포트 생성
· Orchestrator : 각 단계에 맞는 subagent 호출 및 상태 관리
ㅣ Sub agent 아키텍처 구성
Outliner-Agent (계획 수립 에이전트)
사용자 요구 사항을 해석하여, 정보 탐색 쿼리를 생성하고, 검색 결과를 바탕으로 리포트의 목차를 설계합니다.
Researcher-Agent (자료 수립 에이전트)
각 섹션 별로 필요한 정보를 식별하고, 웹 검색과 페이지 조회를 통해 섹션 별로 필요한 상세 자료를 정확하게 수집합니다.
Writer-Agent (보고서 작성 에이전트)
섹션 별로 수집된 정보를 기반으로 각 섹션을 작성하고, 이들을 통합하여 논리적 일관성이 보장된 리포트를 작성합니다.
| End-to-End로 완성되는 3단계 흐름
설계부터 구현·운영·최적화까지, Multi-Agent의 전 과정을 단계적으로 학습합니다.
차근차근 따라오기만 해도,
멀티에이전트 설계-구현-운영까지
모든 역량을 갖출 수 있어요.
01 ㅣ 설계
Multi-Agent 아키텍처 설계
복잡한 사용자의 요구 사항을 처리할 수 있는 구조로 multi-agent 시스템 아키텍처를 설계하는 방법을 배우게 됩니다.
02 ㅣ 구현
End-to-End 구현
설계·구현·운영까지 ‘전체 흐름을 스스로 완성’할 수 있게 됩니다.
멀티 에이전트 개발 환경 구축
LiteLLM·Langfuse 기반 Multi-Agent 개발 환경 구성 방법
공통 tools 구현
모든 agents가 공통적으로 사용하는 웹 검색, 페이지 조회 tools 구현 방법
Orchestrator 연동
Outliner·Researcher·Writer 을 총괄하는 Orchestrator 구현 방법
03 ㅣ 운영
비용 · 속도 · 성능 최적화 및 운영
모니터링 기반으로 병목을 찾고 성능을 직접 끌어올릴 수 있습니다.
모니터링을 통한 병목 분석
Langfuse로 전체 실행 로그, 토큰 사용량, 히스토리를 추적해 최적화가 필요한 지점을 정확히 찾아냅니다.
성능 최적화
LLM 호출 구조, 쿼리 생성, 데이터 처리, agentic loop 등 어디서 지연·비효율이 발생하는지 구조적으로 분석합니다.
비용·속도 최적화 (모델·Loop 개선)
불필요한 LLM 호출 제거, cheap model 활용, 병렬화 등을 통해 프로덕션 기준의 최적화 체계를 갖춥니다.
Context Engineering
Compaction/summarization logic, 파일 기반 커뮤니케이션 등을 통해 context window를 효율적으로 관리합니다.
03. 특별한 혜택
에이전트 바이블 수강생 한정
특별한 관리가 시작됩니다.
2026년 6월, 2026년 12월, 2027년 6월 (총 3회) 각 시기마다 2시간 분량의 추가 실습 영상이 추가 제공 됩니다.
질의응답은 패스트캠퍼스 커뮤니티를 통해 2026년 1월부터 2028년 11월까지 진행되며, 운영 기간은 당사 사정에 따라 조기 종료될 수 있습니다.
강사 소개
AI Agent, 아무나 가르칠 수 없으니까 !
패스트캠퍼스의 ‘검증된 강사님’만 모셨습니다.
✦ Part 1,2,3
약 2만명의 구독자가 믿고 따르는
모두의 AI, 윤성재 강사님
안녕하세요. 모두의 AI 채널을 운영하는 윤성재입니다.
2025년에는 다양한 에이전트가 등장했지만, 핵심 방향성은 명확합니다.
멀티 에이전트 아키텍처를 통한 복잡한 문제 해결,
컨텍스트 엔지니어링을 통한 효율성 향상,
그리고 DeepAgent를 활용한 지속 가능한 워크플로우 구축이 그것입니다.
이번 강의에서는 이러한 핵심 원리를 체계적으로 학습하고,
실습을 통해 실전 감각을 익힐 수 있도록 준비했습니다.
또한 n8n, OpenAI Agent Builder 등 실무에 바로 적용 가능한
도구들을 다루며, 초보자도 쉽게 따라올 수 있도록 안내해드리겠습니다.
약 2만명의 구독자가 믿고 따르는
모두의 AI, 윤성재 강사님
안녕하세요. 모두의 AI 채널을 운영하는 윤성재입니다.
2025년에는 다양한 에이전트가 등장했지만, 핵심 방향성은 명확합니다.
멀티 에이전트 아키텍처를 통한 복잡한 문제 해결,
컨텍스트 엔지니어링을 통한 효율성 향상,
그리고 DeepAgent를 활용한 지속 가능한 워크플로우 구축이 그것입니다.
이번 강의에서는 이러한 핵심 원리를 체계적으로 학습하고,
실습을 통해 실전 감각을 익힐 수 있도록 준비했습니다.
또한 n8n, OpenAI Agent Builder 등 실무에 바로 적용 가능한
도구들을 다루며, 초보자도 쉽게 따라올 수 있도록 안내해드리겠습니다.
주요경력
—————————————————————
∙ 현) LG경영연구원 리서치허브팀 AI컨설턴트 재직중
· 사내 RAG 시스템 개발 PoC 프로젝트 수행
· LLM 기반 NLP 프로젝트 다수 수행
· n8n 기반 사내 뉴스레터 워크플로우 구축
—————————————————————
∙ 현) LG경영연구원 리서치허브팀 AI컨설턴트 재직중
· 사내 RAG 시스템 개발 PoC 프로젝트 수행
· LLM 기반 NLP 프로젝트 다수 수행
· n8n 기반 사내 뉴스레터 워크플로우 구축
외부 이력
—————————————————————
∙ 유튜브 모두의AI: RAG, AI Agent, 오픈소스 LLM 등 AI 트렌드 소개 및 구현법 공유
∙ 도서 집필
∙ 패스트캠퍼스, 강의 진행
∙ 행정안전부, NIA, 핵융합에너지연구원 등 공기업 RAG 강의 및 자문 진행
—————————————————————
∙ 유튜브 모두의AI: RAG, AI Agent, 오픈소스 LLM 등 AI 트렌드 소개 및 구현법 공유
∙ 도서
∙ 패스트캠퍼스
∙ 행정안전부, NIA, 핵융합에너지연구원 등 공기업 RAG 강의 및 자문 진행
* 25년 11월 기준 Yes24 IT 모바일 Top 20
✦ Part 4
5천명의 구독자를 자랑하는 AI
Instructor 공원나연, 박나연 강사님
안녕하세요. 공원나연이라는 유튜브를 운영 중인 공원나연입니다.
이번 강의에서는 GraphRAG, 추천시스템 Agent 등 다른 곳에서는 쉽게 접할 수 없는 실무 중심의 예제들과 활용법을 준비했습니다.
여러분의 현업에 바로 도움이 될 수 있도록 프로젝트 중심으로 실습을 구성했으니, 많은 인사이트를 얻어가셨으면 좋겠습니다.
5천명의 구독자를 자랑하는 AI
Instructor 공원나연, 박나연 강사님
안녕하세요. 공원나연이라는 유튜브를 운영 중인 공원나연입니다.
이번 강의에서는 GraphRAG, 추천시스템 Agent 등 다른 곳에서는 쉽게 접할 수 없는 실무 중심의 예제들과 활용법을 준비했습니다.
여러분의 현업에 바로 도움이 될 수 있도록 프로젝트 중심으로 실습을 구성했으니, 많은 인사이트를 얻어가셨으면 좋겠습니다.
주요경력
—————————————————————
∙ 현) 프리랜서 AI Engineer
· Knowledge Graph 및 GraphRAG 시스템 개발
· 멀티에이전트 기반 지식관리 시스템 개발
· 공공기관 데이터 활용 RAG 기술 자문 및 개발
∙ 오픈소스 LLM 및 API 기반 RAG 챗봇 개발
—————————————————————
∙ 현) 프리랜서 AI Engineer
· Knowledge Graph 및 GraphRAG 시스템 개발
· 멀티에이전트 기반 지식관리 시스템 개발
· 공공기관 데이터 활용 RAG 기술 자문 및 개발
∙ 오픈소스 LLM 및 API 기반 RAG 챗봇 개발
외부 이력
—————————————————————
∙ 유튜브 <공원나연> Neo4j 기반 GraphRAG, AI Agent, LLM 등 개념 및 활용법 공유
∙ 패스트캠퍼스 <실전 AI Agent의 모든 것 (by. 공원나연)> 강사
∙ 천재교육 주관 머신러닝, 추천시스템 강사
∙ NCS직종 정보기술전략•계획(200101), 정보기술개발(200102), 인공지능(200107) 확인강사
—————————————————————
∙ 유튜브 <공원나연> Neo4j 기반 GraphRAG, AI Agent, LLM 등 개념 및 활용법 공유
∙ 패스트캠퍼스 <실전 AI Agent의 모든 것 (by. 공원나연)> 강사
∙ 천재교육 주관
∙ NCS직종 정보기술전략•계획(200101), 정보기술개발(200102), 인공지능(200107) 확인강사
✦ Part 5,6
1,100만 연구자가 사용하는 AI 도구 ‘Liner’
현직 엔지니어 김윤기 강사님
안녕하세요, 김윤기입니다.
Part 5에서는 실제 문제를 어떻게 정의하고, 이를 해결하기 위한 시스템을 어떻게 설계할 것인가에 집중합니다.
Production 환경에서 멀티 에이전트를 구현해온 경험을 바탕으로, 멀티 에이전트 아키텍처 디자인부터 구현·모니터링·최적화까지 전 과정을 함께 다룹니다.
복잡한 문제를 구조적으로 접근하는 방법,
그리고 실제 시스템을 만들 때 마주하게 되는 다양한 어려움들을 어떻게 해결해 나갈 수 있는지 실전 관점에서 안내드리겠습니다.
이번 강의를 통해 여러분이 스스로 문제를 정의하고, 설계하고, 개선해 나가는 능력을 갖추게 되길 기대합니다.
1,100만 연구자가 사용하는 AI 도구 ‘Liner’
현직 엔지니어 김윤기 강사님
안녕하세요, 김윤기입니다.
Part 5에서는 실제 문제를 어떻게 정의하고, 이를 해결하기 위한 시스템을 어떻게 설계할 것인가에 집중합니다.
Production 환경에서 멀티 에이전트를 구현해온 경험을 바탕으로, 멀티 에이전트 아키텍처 디자인부터 구현·모니터링·최적화까지 전 과정을 함께 다룹니다.
복잡한 문제를 구조적으로 접근하는 방법,
그리고 실제 시스템을 만들 때 마주하게 되는 다양한 어려움들을 어떻게 해결해 나갈 수 있는지 실전 관점에서 안내드리겠습니다.
이번 강의를 통해 여러분이 스스로 문제를 정의하고, 설계하고, 개선해 나가는 능력을 갖추게 되길 기대합니다.
주요경력
—————————————————————
∙ 현) Liner - Machine Learning Engineer @Research Agent Division
∙ 전) Upstage - Technical Leader @LLM Evaluation Team
—————————————————————
∙ 현) Liner - Machine Learning Engineer @Research Agent Division
∙ 전) Upstage - Technical Leader @LLM Evaluation Team
외부 이력
—————————————————————
∙ Top-tier 학회 논문 총 13편 게재
∙ NAACL 3편, ACL 2편, EMNLP 3편, COLING 2편, WSDM 1편, ICDE 1편, CIKM 1편
∙ 패스트캠퍼스 업스테이지 AI lab 부트캠프 강사 & 멘토
—————————————————————
∙ Top-tier 학회 논문 총 13편 게재
∙ NAACL 3편, ACL 2편, EMNLP 3편, COLING 2편, WSDM 1편, ICDE 1편, CIKM 1편
∙ 패스트캠퍼스 업스테이지 AI lab 부트캠프 강사 & 멘토
프로필로 담기지 않는 강사님의 역량.
수강생의 후기를 통해 그 진가를 확인하세요.
· 강사님 유튜브 실제 댓글 반응 & AI Lab 수강생 후기
QUESTION 01
어떤 분들이
이 강의를 수강하면 좋을까요?
어떤 분들이
이 강의를 수강하면 좋을까요?
이번 강의는 “AI Agent를 제대로 만들고 싶은 모든 사람”을 위한 올인원 로드맵입니다.
아래 항목 중 하나라도 해당된다면, 이 강의가 도움이 되실거에요.
· 실무에서 바로 적용 가능한 Agent를 만들고 싶은 수강생
· 최신 프레임워크를 비교하며 배우고 싶은 수강생
· RAG·LangChain까지만 써본 수강생
· 멀티 에이전트 아키텍처를 직접 만들고 싶은 수강생
· AI 엔지니어/에이전트 엔지니어로 취업/이직을 목표로 하는 수강생
아래 항목 중 하나라도 해당된다면, 이 강의가 도움이 되실거에요.
· 실무에서 바로 적용 가능한 Agent를 만들고 싶은 수강생
· 최신 프레임워크를 비교하며 배우고 싶은 수강생
· RAG·LangChain까지만 써본 수강생
· 멀티 에이전트 아키텍처를 직접 만들고 싶은 수강생
· AI 엔지니어/에이전트 엔지니어로 취업/이직을 목표로 하는 수강생
QUESTION 02
수강 후
어떤 역량을 갖추게 되나요?
수강 후
어떤 역량을 갖추게 되나요?
이 강의를 끝내면 에이전트를 “쓰는 사람”이 아니라 “만드는 사람”이 될 수 있습니다.
· LLM·RAG·Agent의 전 범위를 설명할 수 있는 지식
· 3대 프레임워크의 차이를 알고 다룰 수 있는 실전 능력
· 멀티 에이전트 아키텍처 설계·구현 능력
· GraphRAG + Text2Cypher 기반 고급 검색 에이전트 개발 능력
· 프로덕션 수준의 에이전트 최적화·운영 능력
· End-to-End 포트폴리오 완성
· LLM·RAG·Agent의 전 범위를 설명할 수 있는 지식
· 3대 프레임워크의 차이를 알고 다룰 수 있는 실전 능력
· 멀티 에이전트 아키텍처 설계·구현 능력
· GraphRAG + Text2Cypher 기반 고급 검색 에이전트 개발 능력
· 프로덕션 수준의 에이전트 최적화·운영 능력
· End-to-End 포트폴리오 완성
QUESTION 03
다른 에이전트 강의와
차별점이 무엇인가요?
다른 에이전트 강의와
차별점이 무엇인가요?
다수의 에이전트 강의는 ‘하나의 기술’ 또는 ‘하나의 프레임워크’ 중심으로 구성되어 있어,
실제로 서비스를 만들 때 필요한 전체 스펙트럼을 다루지 못하는 경우가 많습니다.
이번 에이전트 바이블의 경우에는
RAG → Advanced RAG → GraphRAG → Agentic RAG → Multi-agent까지
에이전트의 ‘완전한 흐름’을 제대로 익힐 수 있도록 구성되어 있습니다.
특히 실제 프로덕션 레벨의 멀티 에이전트를 직접 end-to-end로 구현해보는
유일 무이한 경험을 하실 수 있게됩니다.
실제로 서비스를 만들 때 필요한 전체 스펙트럼을 다루지 못하는 경우가 많습니다.
이번 에이전트 바이블의 경우에는
RAG → Advanced RAG → GraphRAG → Agentic RAG → Multi-agent까지
에이전트의 ‘완전한 흐름’을 제대로 익힐 수 있도록 구성되어 있습니다.
특히 실제 프로덕션 레벨의 멀티 에이전트를 직접 end-to-end로 구현해보는
유일 무이한 경험을 하실 수 있게됩니다.
QUESTION 04
실습을 따라하는 과정에서
추가 비용이 발생하나요?
실습을 따라하는 과정에서
추가 비용이 발생하나요?
네, 본 강의는 실제 프로덕션 수준의 Multi-Agent 시스템을 구현하기 때문에,
일부 실습 과정에서 유료 도구 또는 모델 API 비용이 발생할 수 있습니다.
대부분의 개발 도구는 무료 구간에서 충분히 실습 가능하지만,
다음 항목에서 추가 비용이 발생할 수 있습니다.
[비용이 발생할 수 있는 툴] 25년 11월 기준
- Cursor: 무료 사용량 초과 시 월 약 $20
- LLM 모델 API(GPT / Claude / Gemini 등): 모델 API는 사용한 토큰량(입·출력)에
따라 과금되며, 정확한 호출 비용은 아래의 "공식 가격 페이지"에서 확인할 수 있습니다.
OpenAI (GPT): OpenAI API Pricing 페이지
Anthropic (Claude): Claude API Pricing 페이지
Google (Gemini): Google AI Studio Pricing 페이지
*툴이나 프로그램 사용 환경과 버전 업데이트 등에 따라, 강의에서의 UI와 기능과 실제 수강에 차이가 있을 수 있습니다.
*본 강의는 특정 시점의 학습 흐름과 개념 전달에 중점을 두고 있으며, 버전 업데이트에 따른 내용 수정이나 추가는 별도로 제공되지 않습니다.
일부 실습 과정에서 유료 도구 또는 모델 API 비용이 발생할 수 있습니다.
대부분의 개발 도구는 무료 구간에서 충분히 실습 가능하지만,
다음 항목에서 추가 비용이 발생할 수 있습니다.
[비용이 발생할 수 있는 툴] 25년 11월 기준
- Cursor: 무료 사용량 초과 시 월 약 $20
- LLM 모델 API(GPT / Claude / Gemini 등): 모델 API는 사용한 토큰량(입·출력)에
따라 과금되며, 정확한 호출 비용은 아래의 "공식 가격 페이지"에서 확인할 수 있습니다.
OpenAI (GPT): OpenAI API Pricing 페이지
Anthropic (Claude): Claude API Pricing 페이지
Google (Gemini): Google AI Studio Pricing 페이지
*툴이나 프로그램 사용 환경과 버전 업데이트 등에 따라, 강의에서의 UI와 기능과 실제 수강에 차이가 있을 수 있습니다.
*본 강의는 특정 시점의 학습 흐름과 개념 전달에 중점을 두고 있으며, 버전 업데이트에 따른 내용 수정이나 추가는 별도로 제공되지 않습니다.