• 실습자료

  • 환경설정

  • 중요 url

  • Visual studio code 설치하기

  • 🤖 AI Agent(인공지능 에이전트)

  • 🏗️ AI 에이전트 핵심 구성 요소 (AI Agents in Action 기반)

  • 패러다임의 변환( 프로그래밍 언어 개발 ⇒ 자연어 기반 개발)

  • 프로그래밍언어 개발과 자연어 기반 개발의 차이점

  • LLM 에이전트 4가지 사용 예

  • 🚀 AI 에이전트가 주목받는 4가지 핵심 이유

  • 🚀 챗봇과 AI 에이전트 비교

  • 🏗️ OpenAI API 직접 개발 (프로그래밍 언어 python등) vs 에이전트 기반 개발 비교(자연어)

  • 🔄 API 호출 개발 vs 에이전트 기반 개발: 패러다임의 전환

  • LLM(Large Language Model)의 정의와 역할

  • LLM 프롬프팅(Prompting) 핵심 전략 정리

  • GPT Agent(GPTs / Assistants) 제작 가이드

  • GPT Store: 에이전트 생태계와 유통

  • Stateless LLM을 Stateful하게 만드는 3대 전략(지난 수업 질문)

  • 토큰 최적화 및 비용 절감 프롬프트 전략

    자연어 개발 패러다임에서 '비용'은 곧 '코드 효율성'과 같습니다. 토큰을 아끼는 3가지 실무 전략입니다.

    ① 시스템 프롬프트의 압축 (Prompt Compression)

    • 방법: 장황한 설명 대신 Markdown이나 JSON 형식을 사용하여 구조화된 명령을 내립니다.
    • 효과: "너는 임베디드 전문가로서 학생들에게 친절하게 가르쳐주는 역할을 수행해야 하며..." 식의 문장보다 Role: Embedded Expert / Target: Students / Tone: Kind 식의 구조가 토큰을 훨씬 적게 먹으면서도 에이전트가 더 명확하게 이해합니다.

    ② 출력 형식 지정 (Few-Shot Prompting)

    • 방법: 에이전트가 답할 형식을 미리 예시로 하나만(One-Shot) 보여줍니다.
    • 효과: 모델이 서론("네, 알겠습니다. 요청하신 내용을 정리해 드리겠습니다...")을 건너뛰고 바로 본론(데이터나 코드)만 출력하게 유도하여 출력 토큰 비용을 아낍니다.

    ③ 도구 사용(Tool Calling) 최적화

    • 방법: 에이전트에게 모든 라이브러리 사용법을 프롬프트로 알려주지 말고, 필요한 기능만 함수(Tool)로 정의해서 줍니다.
    • 효과: 긴 설명 대신 함수 정의(Definition)만 전달되므로 컨텍스트 윈도우를 훨씬 넓게 쓸 수 있습니다.

  • 학습에 필요한 데이터셋 있는곳