7가지 프로젝트로 배우는 LLM AI 에이전트 개발

옮긴이 머리말 xi
추천의 글 xiii
베타리더 후기 xiv
추천사 xvii
시작하며 xix
이 책에 대하여 xxiii

CHAPTER 1 에이전트란 무엇이며, 왜 에이전트인가
1.1 상상력을 자극하는 강연: Life 3.0 2
1.2 그렇다면, 도대체 에이전트란 무엇인가? 6
1.3 에이전트의 두뇌: LLM의 범용 추론 능력 11
__인간의 뇌는 대단하다 12
__LLM 이전의 에이전트 13
__LLM이 곧 에이전트의 두뇌다 14
__기대의 고점과 실망의 저점 17
__지식, 기억, 이해, 표현, 추론, 성찰, 일반화, 자기 향상 20
__LLM의 추론 능력 기반의 인공지능 애플리케이션 구축 24
1.4 에이전트의 감지 능력: 언어 상호작용 능력과 멀티모들 처리 능력 26
__언어 상호작용 능력 26
__멀티모들 처리 능력 26
__언어 상호작용 능력과 멀티모들 처리 능력의 결합 27
1.5 에이전트의 실행력: 언어 출력 능력과 도구 사용 능력 28
__언어 출력 능력 28
__도구 사용 능력 29
__구체적 지능의 실현 30
1.6 에이전트가 각 산업에 미치는 효율성 향상 31
__자동화된 사무 업무 지원 33
__고객 서비스 혁명 33
__개인화 추천 34
__프로세스 자동화 및 자원 최적화 34
__의료 서비스의 변화 35
1.7 에이전트가 가져오는 새로운 비즈니스 모델과 변화 37
__가트너의 8대 주요 예측 38
__AaaS 39
__다중 에이전트 협업 41
__자기 진화형 인공지능 42
__구체적 지능의 발전 44
1.8 요약 45

CHAPTER 2 LLM 기반의 에이전트 기술 기반 체계
2.1 에이전트의 네 가지 핵심 요소 47
2.2 에이전트의 계획 및 의사 결정 능력 51
2.3 에이전트의 다양한 기억 기제 53
2.4 에이전트의 핵심 기술: 도구 호출 54
2.5 에이전트의 추론 엔진: ReAct 기반 체계 57
__ReAct란 무엇인가? 57
__ReAct 기반 체계를 이용한 간단한 에이전트 구현 61
__ReAct 기반 체계 기반의 프롬프트 65
__LLM 인스턴스 생성 69
__검색 도구 정의 70
__ReAct 에이전트 생성 71
__ReAct 에이전트 실행 72
2.6 기타 에이전트 인지 기반 체계 76
__함수 호출 76
__계획과 실행 76
__자문자답 76
__비판적 수정 77
__사고의 연쇄 77
__사고의 나무 77
2.7 요약 78

CHAPTER 3 OpenAI API, LangChain, LlamaIndex
3.1 OpenAI API란 무엇인가? 83
__OpenAI라는 회사에 대해 이야기하다 83
__OpenAI API와 에이전트 개발 89
__OpenAI API를 이용한 대화 프로그램 예제 92
__OpenAI API를 이용한 이미지 생성 예제 101
__OpenAI API 사용 시 주의사항 103
3.2 LangChain이란 무엇인가? 106
__LangChain에 대해 이야기하다 107
__LangChain의 여섯 가지 모듈 114
__LangChain과 에이전트 개발 115
__LangSmith 사용 방법 117
3.3 LlamaIndex란 무엇인가? 120
__LlamaIndex에 대해 이야기하다 120
__LlamaIndex와 검색증강생성 기반의 인공지능 개발 121
__간단한 LlamaIndex 개발 예제 126
3.4 요약 130

CHAPTER 4 에이전트 1: 자동화된 사무 구현 - Assistants API와 DALL·E 3 모델을 이용한 프레젠테이션 제작
4.1 OpenAI의 도우미란 무엇인가? 134
4.2 코딩 없이 플레이그라운드에서 도우미 체험하기 136
4.3 Assistants API의 간단한 예제 142
__도우미 생성하기 143
__대화 흐름 생성하기 149
__메시지 추가하기 153
__도우미 실행하기 157
__응답 표시하기 163
4.4 간단한 가상의 프레젠테이션 작성하기 167
__데이터 수집과 정리하기 168
__OpenAI 도우미 생성하기 169
__자동으로 데이터 분석 차트 생성하기 172
__자동으로 데이터 통찰 생성하기 179
__자동으로 페이지 제목 생성하기 182
__DALL·E 3 모델을 사용해 프레젠테이션 첫 페이지 이미지 만들기 183
__자동으로 프레젠테이션 생성하기 185
4.5 요약 191

CHAPTER 5 에이전트 2: 다기능 선택 엔진 - 함수 호출 기능
5.1 OpenAI의 함수 195
__함수 도구란 무엇인가? 195
__함수 도구의 설명이 중요한 이유 196
__함수 도구 정의 예시의 의미 198
__함수 호출이란 무엇인가 199
5.2 플레이그라운드에서 함수 정의하기 201
5.3 Assistants API를 이용한 함수 호출 구현 205
__함수 도구를 사용할 수 있는 도우미 생성하기 207
__함수 호출 없이 직접 도우미 실행하기 210
__실행 세션이 조치 필요 상태일 때 순환 종료하기 219
__도우미가 반환한 속성 정보 획득하기 221
__도우미의 반환 정보를 통해 함수 호출하기 223
__결과를 제출하고 작업 완료하기 225
5.4 ChatCompletion API를 이용한 도구 호출 구현 231
__대화 초기화 및 사용 가능한 함수 정의 232
__첫 번째 LLM 호출: 대화 내용과 도구 정의 전달 후 응답받기 233
__모델이 선택한 도구 호출과 새 메시지 작성하기 237
__두 번째 LLM 호출: 최종 응답 받기 241
5.5 요약 244

CHAPTER 6 에이전트 3: 추론과 행동의 협업 - LangChain의 ReAct 기반 체계를 이용한 자동 가격 설정 구현
6.1 ReAct 기반 체계 복습 247
6.2 LangChain에서 ReAct 에이전트 구현하기 251
6.3 LangChain의 도구와 도구 모음 253
6.4 꽃 가격을 책정하는 ReAct 에이전트 256
6.5 AgentExecutor의 실행 기제 심층 탐구 263
__AgentExecutor에 중단점 설정하기 263
__첫 번째 사고: 모델이 검색하기로 결정하다 267
__첫 번째 행동: 도구를 이용해 검색을 실행하다 272
__두 번째 사고: 모델이 계산하기로 결정하다 276
__두 번째 행동: 도구를 이용해 계산을 실행하다 277
__세 번째 사고: 모델이 작업을 완료하다 279
6.6 요약 280

CHAPTER 7 에이전트 4: 계획과 실행의 분리 - LangChain의 계획과 실행 에이전트를 활용한 스마트 스케줄러 작성
7.1 계획과 해결 전략의 제안 284
7.2 LangChain의 계획과 실행 에이전트 290
7.3 계획과 실행 에이전트를 이용한 물류 관리 구현 291
__자동 재고 배분을 위한 도구를 에이전트에 정의하기 291
__계획과 실행 에이전트 생성 및 해결 불가능 과제의 해결 시도 294
__요청을 구체화하여 에이전트가 과제를 완료하게 하기 303
7.4 단일 에이전트에서 다중 에이전트로 309
7.5 요약 309

CHAPTER 8 에이전트 5: 지식의 추출과 통합 - LlamaIndex를 이용한 검색증강생성 구현
8.1 검색증강생성이란 무엇인가? 313
__프롬프트 엔지니어링, 검색증강생성, 파인튜닝 314
__기술적 관점에서 본 검색 부분의 파이프라인 316
__사용자 관점에서 본 검색증강생성 과정 317
8.2 검색증강생성과 에이전트 319
8.3 ReAct 검색증강생성 에이전트를 이용해 재무 보고서 검색하기 321
__전자상거래 업체의 재무 보고서 파일 적재하기 321
__재무 보고서 데이터를 벡터 데이터로 변환하기 322
__요청 엔진과 도구 구축하기 324
__텍스트 생성 엔진인 LLM 설정하기 325
__재무 정보 검색을 위한 에이전트 생성하기 325
8.4 요약 327

CHAPTER 9 에이전트 6: 깃허브의 인기 에이전트 탐색 - AutoGPT, BabyAGI, CAMEL
9.1 AutoGPT 330
__AutoGPT 개요 330
__AutoGPT 실습 332
9.2 BabyAGI 338
__BabyAGI 개요 338
__BabyAGI 실습 341
9.3 CAMEL 356
__CAMEL 개요 356
__CAMEL 논문의 주식 거래 시나리오 358
__CAMEL 실습 364
9.4 요약 373

CHAPTER 10 에이전트 7: 다중 에이전트 기반 체계 - AutoGen, MetaGPT
10.1 AutoGen 376
__AutoGen 소개 377
__AutoGen 실습 379
10.2 MetaGPT 386
__MetaGPT 소개 386
__MetaGPT 실습 388
10.3 요약 395

APPENDIX A 다음 세대 에이전트의 탄생지: 학술 논문에서 찾아낸 새로운 아이디어7
A.1 두 편의 고품질 에이전트 종합 논문 398
A.2 논문 추천: 에이전트 자율 학습, 다중 에이전트 협력, 에이전트 신뢰성 평가, 에지 시스템 배포, 체화 지능 구현 401
A.3 요약 402

마치며 404
찾아보기 407

에이전트는 ReAct 기반 체계를 통해 동적인 의사 결정 능력을 얻게 됩니다. 에이전트가 내부 지식만으로 해결할 수 없는 문제에 직면했을 때는 검색을 실시하거나 도구를 호출하여 자신의 지식을 확장합니다. 또 이 외에도 다양한 도구의 유연성을 활용하여 여러 데이터를 조정하며 전환하고 최종적으로 결정을 내리기 위한 데이터를 얻습니다. 에이전트는 각 단계를 수행한 후 결과를 관찰하고, 새로운 정보를 다음 의사 결정 과정에 반영하며, 이를 통해 뛰어난 학습 능력과 적응력을 보여줍니다.

LlamaIndex의 전략은 LangChain과는 약간 다릅니다. LlamaIndex는 그렇게 ‘크고 전면적’인 것은 아니지만, 인공지능 기반의 검색증강생성 기술 개발과 멀티테넌트 검색증강생성(multi-tenant RAG) 시스템 구축에 특히 주력하고 있습니다. LlamaIndex 기반의 기업 설루션은 기술과 보안 장벽을 제거하고 기업의 데이터 활용과 서비스 역량을 강화하는 데 중점을 둡니다. LlamaIndex의 관련 작업은 기술 개발뿐만 아니라 이러한 기술을 실제 비즈니스에 적용해 업무 효율성과 고객 경험을 향상하는 데도 중점을 두고 있습니다.