맥락을 설계하는 기술, 컨텍스트 엔지니어링으로 완성하는 실전형 Multi-Agent
정가800,000원
할인 금액(-64%) 513,000원
현재 판매가287,000원

월 23,917원

* 12개월 무이자 할부 시
바로 구매하기

효율적인 멀티 에이전트 를 구축하는 핵심 과정

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

점점 더 복합한 작업들을 수행하기 위해 한없이 무거워지는 멀티 에이전트 모델

효율적으로 처리하려면, 시스템 전체를 설계하는
컨텍스트 엔지니어링 이 필수입니다

Special 컨텍스트 엔지니어링으로 완성하는
Multi-Agent 글로벌 AI 리더들이 말하는 새로운 역량의 등장,
패스트캠퍼스에서 가장 빠르게 시작하세요.

핵심 01 문맥을 설계하는 컨텍스트 엔지니어링 기반
Multi Agent 개발 로드맵 시스템 전체를 아우르는 명확한 컨텍스트 설계를 통해
복잡한 Multi Agent를 구축하게 됩니다.
핵심 02 현업 멀티 에이전트 제작을
그대로 구현한 4가지 프로젝트 멀티 에이전트 설계 패턴과
실무 컨텍스트 엔지니어링을 실습으로 체득!
핵심 03 sLM 컨텍스트 엔지니어링과
MCP 컨텍스트 엔지니어링까지 진.짜. 멀티 에이전트 시스템 구축 시의 문제들을
컨텍스트 엔지니어링 관점으로 해결!
핵심 04 현업 AI 엔지니어의
현업 멀티 에이전트 구축 노하우 지금 AI Agent 업계를 선도하며
많은 수강생에게 현업의 이야기를 들려주는 전현준 강사님

AI 에이전트 성능을 끌어올리는 새로운 해답, 왜 컨텍스트 엔지니어링인가요? 에이전트가 수행하는 작업의 난이도가 점차 올라가면서
컨텍스트의 양이 LLM이 한 번에 받아들이기에 폭발적으로 많아졌습니다.

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

AI가 효과적으로 일하게 하기 위해
이제 멀티 에이전트에서 컨텍스트 관리는 필수입니다

컨텍스트 엔지니어링의 장점이 궁금하다면? (Click)


AI PM, PMPO, AGENT, Agent, pm 에이전트, 가상 시나리오, ai 도구, 클로드코드, mcp, 컨텍스트 엔지니어링, rag, ai 평가, 비즈니스 임팩트, ai prd
AI PM, PMPO, AGENT, Agent, pm 에이전트, 가상 시나리오, ai 도구, 클로드코드, mcp, 컨텍스트 엔지니어링, rag, ai 평가, 비즈니스 임팩트, ai prd
AI PM, PMPO, AGENT, Agent, pm 에이전트, 가상 시나리오, ai 도구, 클로드코드, mcp, 컨텍스트 엔지니어링, rag, ai 평가, 비즈니스 임팩트, ai prd

지금 필요한 건, 잘 짠 질문이 아니라 잘 설계된 문맥입니다.
컨텍스트 엔지니어링으로 당신의 AI를 ‘인턴’에서 ‘효과적인 일잘러’로 진화시켜보세요.

커리큘럼 컨텍스트 엔지니어링 기반
멀티 에이전트 구현을 위한 실전형 커리큘럼

ImageSlide
ImageSlide
ImageSlide
ImageSlide

| 학습 포인트 : 에이전트 개발이 처음이라도 따라올 수 있도록 프레임워크 처음부터 차근차근 학습

Ch 1 LangGraph v1.0 업데이트와
핵심 개념-원리
학습 내용

- 복잡한 에이전트 흐름 설계, 운영을 위한 LangGraph의 필요성
- LangGraph v1.0 주요 업데이트 내용 짚어보기

Ch 2 직접 만들어보는 agentic RAG,
Node와 Edge로 직접 만들기
학습 내용

- 실습 환경 설정 및 기본 StateGraph 그래프 구성
- Single Source RAG 의 컨텍스트 구성 전략
- Multi Source RAG 의 정보 통합형 컨텍스트 구성 전략

Ch 3 AI 에이전트 쉽게 완성하기
: Prebuilt Agent 활용법
학습 내용

- create_react_agent 활용법과 한계점 분석 및 보완
- create_supervisor_agent 활용법과 한계점 분석 및 보완

Ch 4 AI 에이전트 성능 최적화하기
: 비동기와 병렬 처리
학습 내용

- 비동기/병렬 처리 개념과 필요성
- LangGraph에서 비동기(Async) 실행 안정적으로 구현하기
- 여러 에이전트를 병렬(Parallel)로 실행하여 성능 향상하기

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv
컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

| 학습 포인트 : 에이전트 디자인 패턴별 적합한 상황과 발생할 수 있는 문제, 그 문제를 해결하기 위한 컨텍스트 활용 방법 실습

Project 1 계획-실행 패턴 (Plan -and - Execute) 리서치 자동화 Agent 구축
Project 2 경로 탐색 패턴 (Router) 페르소나 챗봇 Multi-Agent 구축
Project 3 자가 교정/회고 패턴 (Self Correction/Reflection) 코드 제작 어시스턴트 Multi-Agent 구축
Project 4 전문가 팀 패턴 (Hierarchical Team) 보고서 작성 전문가 Multi-Agent 구축
컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

Advanced Project 보고서 작성 전문가 Multi-Agent

학습 내용

- sLM으로 LLM 수준의 추론능력을 올리기 위한 방법
- KV Cache 를 적절히 유지하면서 개발하는 법

학습 내용

- 응답 지연을 줄이기 위한 컨텍스트 윈도우 관리
- 토큰 최적화를 위한 Conversation Hop 줄이기

더 자세한 커리큘럼이 궁금하다면?

상세 커리큘럼 바로가기 Click!

+ plus + 가장 빠른 LangGraph 1.0 버전의 실습 2025년 9월 2일에 따끈따끈하게 업데이트된
LangGraph v1.0의 핵심 개념을 가장 빠르게 알려드립니다.

프로젝트 멀티 에이전트 구현시 자주 마주하는 문제 해결을 위한
4가지 아키텍처 패턴별 컨텍스트 최적화 프로젝트

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

| 프로젝트 내용 : 여러가지 리소스의 데이터를 활용할 때 가장 효과적으로 답변하는 멀티 에이전트를 구현합니다.

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

※ 프로젝트의 간단한 청사진이며, 실제 제작 시에 아키텍처가 변동될 수 있습니다.

STEP 01 계획-실행 패턴
복잡한 목표를 구체적이고 실행 가능한 하위 단계들로 분해하기 위해 계획-실행 패턴을 선택합니다.
STEP 02 문제 원인 확인
여러가지 리소스의 데이터를 활용할 때 데이터를 이해하고 처리하는 데에 오류가 생길 수 있습니다.
STEP 03 컨텍스트 엔지니어링
여러 데이터를 빠르게 처리하도록 문서 컨텍스트와 표 데이터 컨텍스트를 집중 관리합니다.

| 프로젝트 내용 : 처음부터 끝까지 페르소나를 유지하며 답변하는 멀티 에이전트를 설계하고 구현해봅니다.

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

※ 프로젝트의 간단한 청사진이며, 실제 제작 시에 아키텍처가 변동될 수 있습니다.

STEP 01 경로 탐색 패턴
사용자 의도에 따라 에이전트 스스로 다음 행동을 결정하기 위해 담당 에이전트를 연결하는 경로 탐색 패턴을 선택합니다.
STEP 02 문제 원인 확인
초기 대답에는 페르소나를 대입해서 대답 하다가 후기에 가서는 페르소나를 잊어버리고 본래 GPT처럼 대답합니다.
STEP 03 컨텍스트 엔지니어링
장기 기억과 단기 기억을 나누어 분류하고 개인 맞춤형 대답을 제공하기 위해 메모리 컨텍스트를 집중 관리합니다.

| 프로젝트 내용 : 사람의 의도를 파악하여 스스로 코드를 작성하고 개선하는 나만의 Cursor 멀티 에이전트를 설계하고 구현해봅니다.

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

※ 프로젝트의 간단한 청사진이며, 실제 제작 시에 아키텍처가 변동될 수 있습니다.

STEP 01 자가 교정/회고 패턴
AI가 생성한 코드를 비평하고 검토하여 사람의 개입 없이 코드 완성도를 높이기 위해 자가 교정/회고 패턴을 선택합니다.
STEP 02 문제 원인 확인
기존의 코드를 무시하고 아예 코드를 새로 구현하려 하거나 outdated 버전의 코드를 구현합니다.
STEP 03 컨텍스트 엔지니어링
기존 코드를 유지하기 위해 RAG 기반 메모리 컨텍스트와 함께 코드 버전 관리를 위한 웹검색 도구 컨텍스트를 집중 관리합니다.

| 프로젝트 내용 : Agent를 세분화하며 방대해진 컨텍스트 양을 효율적으로 처리하는 멀티 에이전트를 구축합니다.

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

※ 프로젝트의 간단한 청사진이며, 실제 제작 시에 아키텍처가 변동될 수 있습니다.

STEP 01 전문가 팀 패턴
공유 불가능한 데이터와 공유 가능한 데이터를 잘 분리하고 지식을 정확하게 가져오기 위해 계층적 팀 패턴을 선택합니다.
STEP 02 문제 원인 확인
작은 범위에서 agent가 많을수록 전체 내용이 방대해져서 대장 에이전트가 요약 내용을 잘 이해하지 못하게 됩니다.
STEP 03 컨텍스트 엔지니어링
tool callling 횟수를 줄이거나, 데이터의 우선순위를 더 작게 축소하는 등 도구 사용과 추론 능력 관리 컨텍스트를 집중 관리합니다.

sLM, MCP 등 실제 환경에서는 복합적인 기술이 사용되죠.
서로 다른 모델 & 방식으로 구현된 멀티 에이전트 구현을 위한 컨텍스트 엔지니어링까지!

심화 프로젝트 sLM 컨텍스트 엔지니어링과
MCP 컨텍스트 엔지니어링까지 담은 멀티 에이전트 시스템 구축

프로젝트 목표 ✓ 프로젝트 ‘보고서 작성 전문가 Multi-Agent를 고도화하여 기업 실사용 수준의 Multi Agent를 완성합니다.
✓ 주제와 관련한 최신 뉴스 기사를 가져오고 설정한 테마와 목차에 따라 보고서를 작성하고 편집하는 과정을 자동화합니다.
✓ 단순 PoC 레벨을 넘어 실제 서비스 가능한 시스템을 구축하기 위해서는 sLM 활용, MCP 단순 활용을 넘어선 보안과 토큰 최적화까지 고려해야 합니다.

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

| LLM 모델 컨텍스트 엔지니어링 핵심 포인트

| MCP 컨텍스트 엔지니어링 핵심 포인트

POINT 01 팀플레이 컨텍스트 엔지니어링 공유 가능한 컨텍스트와 공유 금지를 구분하여
사용 가능한 데이터만 전달
| Why? MCP Gateway 를 통한 인증-인가 시스템 및 다중 MCP 적용 실습 시 MCP 플러그인을 통한 정보 유출 문제를 해결합니다.

POINT 02 도구 관리 컨텍스트 엔지니어링 MCP 호출 시 과도한 Tool Calling으로 인한 성능 저하 발생 시 필요한 데이터의 내용을 줄이지 않는 선에서 툴의 개수 조절
| Why? Claude Code MCP의 토큰의 수를 줄여 토큰 사용 가능 공간을 많이 확보하면, LLM 호출 비용을 효과적으로 줄이고 할루시네이션을 예방합니다.

| 활용 스택

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

실전 Multi Agent를 개발해본 사람만이 아는
고급 아키텍처 및 MCP 컨텍스트 엔지니어링 노하우를 프로젝트로 얻어가세요!

강사 소개 데이터 엔지니어 배경과 다양한 교육 경험을 갖춘 전현준만이
전달할 수 있는 멀티 에이전트 제작 노하우

| 전현준 강사님

전) 핀테크 스타트업 CTO
전) 카카오페이 데이터 엔지니어
전) 신한카드 데이터 엔지니어

| 참여 프로젝트

· 패스트캠퍼스: MCP와 A2A로 끝내는 상상도 못할 Multi-Agent 구축 강사
· 패스트캠퍼스: 실전 LLM 애플리케이션 개발 로드맵 강사
· L사, I사, B병원 등 Agentic AI 컨설팅 및 자문 · 대기업 S사, K사 등 다수의 기업에서 AI RAG, Agent, Agentic AI 현직자 대상 중-고급 강의 강사
· 티타임즈 바이브코딩 컨퍼런스 "바이브코딩으로 만드는 AI Agent" 연사
· Google DevFest Songdo 컨퍼런스 "LLM DR 시스템 Hands-on" 연사

안녕하세요, 이번 강의에서는 Agentic AI 서비스를 개발하는 현장의 지식을
최신화하고 바로 쓸 수 있는 것들을 한군데 모았습니다. Agentic AI 시스템이 어렵긴하지만 결국 LLM에 전달될 데이터를 잘 다루는 것이기에 무엇보다 대량의 데이터를 적절하게 다루기 위한 노하우가 중요한데요, 데이터 엔지니어의 백그라운드를 가진 제가 고민하고 개발하며 수많은 이슈들을 해결해갔던 과정을 공유합니다.

기획자부터 개발자까지 모든 직군을 망라하며 AI Agent 를 만들기 위해 했던 실전의 고군분투들을 모두 모아서 컨텍스트 엔지니어링을 위주로 쉽지만 논리적으로 풀어내고자 했습니다. 이제는 국내외를 막론하고 Agentic AI 시스템을 모두가 의미있게 개발하고 사용하면서 그것이 과연 효용가치가 있는지를 고민하는 시기이기 때문에 더욱 Context Engineering 이 필요한 시점이 아닐까 싶습니다.

저와 함께 이 강의에서 치열하게 고민하고, 해결해가는 과정을 거치며 좋은 해결책을 얻어가세요. 또한 강의의 실무 프로젝트에서 한층 더 성장 하실 수 있는 발판이 되길 바랍니다.

데이터 엔지니어 배경과 다양한 교육 경험을 갖춘 전현준만이
전달할 수 있는 멀티 에이전트 제작 노하우

국내 최대 개발자 행사인 DevFest Songdo 2023
: LLM DR System 구성하기 Hand-on 세션 진행

2025 MCP 주제 세미나 ‘판교 일할맛’
MCP hands-on 세션 진행

2025 AI Trend와 실전 LLM 개발 세미나
실전 LLM 개발 및 운영 세션 진행

전현준 강사님의 강의를 들어본
찐 수강생들의 간증

AI 를 어떻게 대하는 것이 좋겠다라는 큰 거시 적인 시각과 함께 미시적으로는 기술에 대한 깊은 이해 그리고 미리미리 생길 수 있는 문제점에 대해서 콕 찝어주는 과외선생님 느낌 으로 잘 진행해주셨습니다. 이 분만큼 수강생 (현업 실무자)의 평점이 꾸준하게 좋은 강사님은 없었습니다. 아마 온라인에서는 오프라인 강의 보다 조금 더 정제된 강의를 하시겠지만 그래도 그 실력을 숨길 수 없지 않을까 싶습니다. 대기업 K사 온디맨드 교육생

전현준 강사님은 다양한 사전지식을 가진 수강생들이 섞여 있는 와중에도 적절한 진행과 강의 스킬로 어려운 난이도가 필요하면 어려운 난이도에 맞춰서, 쉬운 난이도에는 쉽게 맞춰서 설명해주시며 모든 수강생들의 전체적인 레벨을 높여주셨습니다. 실제 실무형 프로젝트까지 마지막에 진행했는데 매우 실용적이었으며 앞으로 프로젝트 수행에 있어서 많은 도움이 될 것 같습니다.
대기업 I사 실무자 교육생

사내의 풀리지 않던 Agentic AI 문제를 전현준님과 함께 고민해보면서 저희 팀이 잘못 접근하고 있었다는 것을 깨닫게 되었고 좀 더 효과적인 접근 그리고 데이터에 대한 많은 인사이트를 통해 데이터를 다루는 법과 그걸 현재 저희가 구성한 Agentic AI 시스템에 적용하기 위해 해야하는 방법을 저희 개발자 팀원들에게 잘 설명해주셨습니다. 실전 AI Agent 그리고 Agentic AI를 제대로 배우고 싶으면 여기로 오세요! 스타트업 대표이사

현업 AI 엔지니어의 비법 노트 현업 AI 엔지니어의 찐한 노하우를 생생히 전달하는
무료 라이브 세미나 진행! 왜 내 AI 에이전트는 생각대로 움직이지 않는지 궁금하다면?
지금 이 강의를 듣고 강사님께 고민점을 문의해보세요!

컨텍스트, Context, context, 프롬프트, Prompt, prompt, 프롬프트엔지니어링, 프롬프트 엔지니어링, Prompt Engineering, prompt engineering, 컨텍스트엔지니어링, 컨텍스트 엔지니어링, Context Engineering, context engineering, 멀티 에이전트, 멀티agent, 멀티 agent, Multi Agent, multi agent, Multi-Agent, multi-agent, RAG, rag, 에이전트, Agent, agent, ai agent, AI Agent, Agentic AI, agentic ai, MCP, mcp, Function Calling, function calling, 함수 호출, 프롬프트 기법, 프롬프트 기술, Prompt Technique, prompt technique, 메모리, Memory, memory, 툴 결과, Tool Result, tool result, kv 캐시, KV Cache, kv cache, sLM, SLM, LLM, llm, API, api, 추론, Reasoning, reasoning, 도구, Tool, tool, Qwen, qwen, 딥서치, Deep Search, deep search, 챗봇, Chatbot, chatbot, agent빌더, Agent Builder, agent builder, 쿼리, Query, query, LangGraph, langgraph, 랭그래프, Claude MCP, claude mcp, 클로드 MCP, OpenAI, 오픈AI, AI 에이전트, AI 멀티에이전트, multi agent systemv

*본 라이브는 일반적인 "강의" 형식이 아닌 강사가 준비된 내용을 먼저 설명하고 그 뒤에 수강생들과 소통하는 형식으로 진행됩니다.
*강사님의 요청으로 "자료"가 미리 준비되기 보다는 해당 주제의 지식과 경험을 풀어놓는 측면에서 편안한 대담방식으로 진행될 예정입니다.
**월간 세미나는 강사님께서 스케줄이 있는 11월을 제외하고 25년 10월부터 26년 1월까지 총 3회 진행됩니다.

부가 혜택 초보자들도 쉽게 따라올 수 있도록
입문하는 수강생들을 위한 특별 혜택까지!

혜택 01 강사님께 직접 질문할 수 있는 내부 커뮤니티에서
컨텍스트 엔지니어링에 대한 모든 궁금증 해소! 실습 중 궁금한 사항은? 강사님에게 직접 질의응답 하세요. * 질의응답 게시판을 25년 10월 30일부터 27년 9월 28일까지 운영됩니다.
혜택 02 빠르게 더욱 더 관심이 커지고 있는
컨텍스트 엔지니어링 논문 정리본 제공 1.000개가 넘는 참고문헌을 통해 현재까지의 컨텍스트 엔지니어링 흐름을
정리하고, 앞으로 등장할 새로운 모델과 에이전트 구조의 발전 가능성을 담은
txt 형태의 파일을 25년 12월 4차오픈에 PDF 형식으로 제공됩니다.
혜택 03 실습을 따라가기 벅차시다구요?
강사님의 노하우가 담긴 코드 자료, 모두 제공 수강생이 바로 영상을 따라가며 실습을 진행할 수 있도록!
강의 내 사용된 실습자료를 모두 제공합니다. * 각 영상 공개 일정에 맞추어 ipynb과 Python, PDF 형식으로 제공될 예정입니다.

인터뷰

Question.01
어떤 분들에게
클래스를 추천하고 싶으신가요?
1. "분명 시키는 대로 했는데..." : RAG, ReAct 등 에이전트를 개발했지만 결과가 만족스럽지 않아 답답함을 느끼는 엔지니어

2. "왜 자꾸 다른 대답을 할까?" : dify, n8n 같은 노코드 툴로 에이전트 PoC를 진행했지만 일관성 없는 답변과 잦은 오류에 한계를 느끼는 기획자/PM

3. "더 똑똑한 AI 서비스를 만들고 싶다!" : 단일 에이전트를 넘어 여러 AI가 협업하여 복잡한 문제를 해결하는 고도화된 멀티 에이전트 서비스를 기획/개발하고 싶은 모든 분
Question.02
강의를 듣고 나면
수강생이 어떻게 변화할 수 있을까요?
1. 복잡한 데이터와 지시도 정확히 이해하고 수행하는 에이전트 설계
프롬프트 엔지니어링을 넘어 주어진 컨텍스트(context)를 효과적으로 분석하고 재구성하여 더 이상 AI의 변덕에 의존하지 않고 의도한 대로 정확하게 동작하는 컨텍스트 엔지니어링 기반 AI 에이전트를 설계하게 됩니다.

2. LangGraph 기초부터 실무 최적화까지

LangGraph를 활용하여 복잡한 멀티 에이전트 시스템을 자신있게 구축하게 됩니다.

3. 실무 문제 해결 능력 향상
성능 저하, 예측 불가능성 등 현업에서 발생하는 예측 불가능한 문제에 대해 다양한 아키텍처 패턴과 노하우를 바탕으로 자신만의 해결 전략을 제시하는 전문가로 성장합니다.

Question.03
개발/실습 환경 및 실습에 필요한
최소 사양은 어떻게 되나요? (OS 정보 포함)
운영체제에 관계없이 RAM은 최소 16GB 를 권장합니다. 그 외 Cursor AI IDE, Chrome 등을 원활하게 켠 채 활용할 수 있다면 문제 없습니다.

1) Windows WSL2 환경을 기본적으로 셋팅하셔야 원활한 수업이 가능합니다. 대부분 실습으로 진행하게 될 본 강의에서 강사의 컴퓨팅 환경이 MacOS 로 원활한 실습에 제약이 있을 수 있습니다. (Bash shell 실행, uv 등)

2) MacOS 등 Unix, Linux 계열 이 환경에서는 실습 진행에 큰 제약은 없으나, Mac 의 경우 M1 이상의 Apple Silicon 사양을 최소로 필요합니다. 대부분 개발 도구들이 Apple Silicon Chip 에 최적화되도록 개발되고 있기 때문입니다.
Question.04
실습 시
유료로 사용하는 프로그램이 있나요?
- Cursor Pro($20) 이상
- OpenAI API(Pay as you go)
- Anthropic API(Pay as you go)
- Gemini API(Free, Pay as you go)