AI 에이전트 처음부터 배우는 6단계 학습법

6단계 학습 경로

AI 에이전트를 처음부터 학습하려면 개념, 첫 번째 루프, 도구, 메모리, 루프 설계, 안전의 6단계를 순서대로 진행해야 합니다. 각 단계에서는 직접 하나의 결과물을 만듭니다. 앞 단계가 끝나기 전에 다음 단계로 넘어가면 학습이 중단되는 경우가 많습니다. 프레임워크가 이해해야 할 핵심 부분을 숨기기 때문입니다.

AI 에이전트는 도구를 호출할 수 있는 언어 모델을 중심으로 구성된 루프입니다. 이것이 전체 주제의 핵심입니다. 이후의 내용은 루프에 포함되는 요소, 도구가 접근할 수 있는 대상, 루프가 잘못 동작할 때 루프를 중지하는 방법에 대한 세부 사항입니다. 다른 사람에게 이 루프를 설명할 수 있다면 해당 내용을 학습한 것입니다. 프레임워크의 이름만 나열할 수 있다면 아직 학습한 것이 아닙니다.

아래 계획은 직접 만들어 보면서 학습한다고 가정합니다. 단계를 읽고, 작은 결과물을 만들고, 의도적으로 오류를 발생시킨 다음, 다음 단계로 넘어가십시오. 읽기만 한 단계는 아직 완료한 단계가 아닙니다.

stage 1 전에 실제로 필요한 것

실제로 필요한 사전 조건은 짧습니다. 대부분의 강좌 페이지에서 제시하는 목록보다도 짧습니다.

• 50줄짜리 스크립트를 작성하고 읽을 수 있는 수준의 Python 또는 TypeScript 사용 능력이 있습니다.
• Linux shell 사용에 익숙합니다. 패키지를 설치하고, 파일을 편집하고, 로그를 읽을 수 있어야 합니다.
• 호스팅된 모델용 API key가 있거나, 로컬 모델을 실행할 수 있는 머신이 있어야 합니다.

이것이 전부입니다. machine learning 이론은 필요하지 않습니다. 모델을 직접 학습한 경험도 필요하지 않습니다. agent 작업에는 gradient나 training data가 사용되지 않습니다. graphics card는 모델을 직접 실행하기로 결정한 경우에만 중요합니다. 이는 나중에 VPS에서 Ollama를 호스팅하여 LLM을 자체 호스팅하는 방법을 통해 익힐 수 있는 별도의 기술입니다.

사람들이 과소평가하는 부분은 shell 관련 내용입니다. agent는 권한, 경로, environment variable, 조용히 종료되는 process 때문에 실패합니다. PATH에 관한 stack trace나 file mode 때문에 terminal을 닫고 싶어진다면 먼저 주말 동안 Linux 기본 사항을 익히십시오. 그러면 나중에 한 달을 절약할 수 있습니다.

1단계: 에이전트란 무엇이며, 무엇이 아닌가

루프 없이 API를 1회 호출하는 것부터 시작합니다. 프롬프트를 보내고 응답을 출력한 다음, 응답의 토큰 수를 확인합니다. 이제 비용 단위와 지연 시간 단위를 이해한 것입니다.

그런 다음 도구 사용을 학습합니다. 도구 사용은 이 분야에서 실제로 새로운 유일한 개념입니다. 함수의 이름, 설명, 입력에 대한 JSON (JavaScript object notation) 스키마를 모델에 정의합니다. 모델이 직접 어떤 것도 실행하지는 않습니다. 모델은 구조화된 요청으로 응답합니다. 다음 인수로 run_command를 호출하라는 요청입니다. 코드가 함수를 실행하고, 그 출력을 메시지로 다시 보내고, 모델에 다시 요청합니다. 모델은 텍스트를 읽고 텍스트를 작성하는 플래너입니다. 실제로 작업을 수행하는 것은 코드입니다.

챗봇은 1회 응답 후 종료됩니다. 에이전트는 모델이 도구를 더 이상 요청하지 않을 때까지 이 교환을 반복합니다. 이 반복이 둘의 전체적인 차이입니다. 따라서 장애 양상도 다릅니다. 챗봇은 1회 잘못된 답변을 제공합니다. 에이전트는 누군가 알아차리기 전까지 잘못된 답변에 따라 여러 번 작업을 수행합니다.

2단계: 루프를 직접 한 번 작성합니다

프레임워크로 시작하지 마십시오. Python으로 약 30줄을 작성하여 코드의 구조를 직접 설계하십시오.

sudo apt update && sudo apt install -y python3-venv
python3 -m venv ~/agent
source ~/agent/bin/activate
pip install anthropic
export ANTHROPIC_API_KEY=your-key-here

import subprocess
import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "run_command",
    "description": "Run a read only shell command and return its output.",
    "input_schema": {
        "type": "object",
        "properties": {"command": {"type": "string"}},
        "required": ["command"],
    },
}]

messages = [{"role": "user", "content": "How much disk space is free here?"}]

while True:
    response = client.messages.create(
        model="claude-opus-5",
        max_tokens=4096,
        tools=tools,
        messages=messages,
    )
    if response.stop_reason != "tool_use":
        break
    messages.append({"role": "assistant", "content": response.content})
    results = []
    for block in response.content:
        if block.type == "tool_use":
            done = subprocess.run(
                block.input["command"], shell=True,
                capture_output=True, text=True, timeout=10,
            )
            results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": done.stdout or done.stderr,
            })
    messages.append({"role": "user", "content": results})

print(next(b.text for b in response.content if b.type == "text"))

python3 agent.py로 실행하십시오. 정상적으로 실행되면 파일 시스템 이름과 여유 공간을 한 단락으로 출력합니다. 모델이 df -h을 요청하고 코드가 해당 명령을 실행한 다음, 두 번째 단계에서 이 표를 문장으로 변환했기 때문입니다. 아무것도 출력되지 않으면 텍스트 블록이 도착하기 전에 루프가 종료된 것입니다. 루프 내부에 print(response.stop_reason)을 추가하고 값이 어떻게 변하는지 확인하십시오.

이제 의도적으로 오류를 발생시키십시오. tool_use_id 줄을 삭제하고 오류를 확인하십시오. 일치하는 id가 없는 도구 결과는 API에서 거부되며, 이는 초보자가 가장 자주 발생시키는 오류입니다. 두 개의 명령이 필요한 질문을 하고 루프가 두 번 실행되는지 확인하십시오. 실행할 수 없는 질문을 하고 루프가 포기하거나 영원히 반복되는지 확인하십시오.

이 예제에는 한 가지 주의할 점이 있습니다. shell=True을 사용하여 모델 출력을 셸에 직접 전달합니다. 다시 구축할 수 있는 테스트용 머신에서는 허용되지만, 그 밖의 환경에서는 잘못된 방식입니다. 6단계에서 이 문제를 해결합니다. 루프의 기반이 되는 개념은 VPS에서 직접 AI 에이전트 구축하기에서 더 자세히 설명합니다.

Stage 3: 에이전트에 아직 없던 도구

run_command 도구는 작동하지만, 실제 에이전트에는 시스템 외부에 연결되는 도구가 필요합니다. 여기에는 티켓 시스템, 데이터베이스, 저장소가 포함됩니다. 서비스별로, 에이전트별로 맞춤형 래퍼를 작성하는 방식은 확장되지 않습니다.

Model Context Protocol(MCP)이 업계에서 정착한 해답입니다. MCP 서버는 표준 전송 방식을 통해 여러 도구를 제공하며, MCP를 지원하는 모든 에이전트가 맞춤형 연결 코드 없이 이를 사용할 수 있습니다. 참조 파일 시스템 서버는 다음 한 명령으로 실행합니다.

npx -y @modelcontextprotocol/server-filesystem /home/you/projects

이 명령을 실행하려면 Node가 설치되어 있어야 합니다. 디렉터리 인수는 서버가 접근할 수 있는 유일한 경로입니다. 이것이 보안 모델의 핵심입니다. 경계는 모델이 아니라 서버가 결정합니다. 클라이언트를 서버에 연결하면 에이전트는 직접 작성하지 않은 파일 읽기 및 쓰기 기능을 얻게 됩니다. 이러한 서버를 서비스 계정으로 올바르게 실행하고 전송 방식의 선택지를 설명하는 방법은 AI 코딩 에이전트를 위한 VPS에서 MCP 서버 실행에서 다룹니다.

이 단계의 핵심은 도구 설계가 실제 작업이라는 점입니다. 설명이 모호하면 모델이 추측합니다. 40000자를 반환하는 도구는 컨텍스트 창을 오염시킵니다. 항목을 삭제할 수 있는 도구는 결국 항목을 삭제하게 됩니다.

4단계: 메모리, 대부분은 파일에 불과합니다

초보자는 이 단계에서 벡터 데이터베이스를 사용하려고 합니다. 적어도 아직은 그렇게 하지 마십시오.

에이전트는 호출 간에 메모리를 유지하지 않습니다. 매번 전체 대화를 다시 전송해야 하므로 긴 세션은 짧은 세션보다 턴당 비용이 더 많이 듭니다. 따라서 메모리는 2가지 문제로 나뉩니다. 첫 번째는 현재 컨텍스트 윈도우에 무엇이 들어가는지에 관한 문제입니다. 요약하고, 오래된 도구 출력을 줄이고, 프롬프트의 안정적인 접두부를 캐시하여 관리할 수 있습니다. 이렇게 하면 해당 부분에 지불하는 비용을 일부로 줄일 수 있습니다. 두 번째는 재시작 후에도 유지되는 것이 무엇인지에 관한 문제이며, 이는 스토리지의 문제입니다.

두 번째 문제에서는 에이전트가 읽고 쓸 수 있는 일반 Markdown 파일이 거의 모든 첫 프로젝트에서 벡터 데이터베이스보다 낫습니다. 파일 1개를 제공하고, 형식을 알려 주고, 작업을 시작하기 전에 해당 파일을 읽고 무언가를 학습하면 파일을 업데이트하도록 지시하십시오. 대부분의 이점을 얻을 수 있으며, 파일을 직접 열어 에이전트가 무엇을 알고 있다고 판단하는지 확인할 수 있습니다. 메모가 컨텍스트 윈도우에 더 이상 들어가지 않을 때 임베딩과 검색을 사용하십시오. 그 전에는 사용하지 마십시오.

Stage 5: loop가 제품입니다

이제 지켜보는 동안 작동하는 agent를 만들 수 있습니다. Stage 5에서는 지켜보지 않아도 작동하게 만듭니다.

사람의 개입 없이 agent를 안전하게 실행할 수 있는지는 4가지 질문으로 결정됩니다. 아무 작업 없이 실행되지 않도록 무엇이 agent를 트리거합니까? 실수가 발생해도 영향이 제한되도록 agent는 어떤 경계 안에서 작동합니까? agent가 자체 결과를 검증하면 항상 통과하므로 결과를 어떻게 검증합니까? 토큰 수 또는 wall clock time 기준으로 실행을 중지할 예산은 무엇입니까? 이 4가지를 의도적으로 설계하는 것이 loop engineering과 해당 정의가 다루는 내용에서 설명하는 원칙입니다.

실습은 다음과 같습니다. Stage 2 agent를 가져와 4~5단계가 필요한 작업을 할당하고, 반복 횟수에 hard cap을 추가합니다. 그런 다음 cap을 제거하고 무제한 loop가 token 요금에 어떤 영향을 미치는지 확인합니다. 이 작업은 한 번 작은 예산으로 수행해야 큰 예산에서 실수로 실행하는 일이 없습니다.

6단계: 안전, 보안 정보 및 비용

이 단계는 선택 사항이 아닙니다. 마지막 단계인 이유는 작동하는 무언가를 구축하기 전에는 위험을 체감할 수 없기 때문입니다.

에이전트는 root나 자신의 계정이 아닌 별도의 권한이 없는 사용자로 실행합니다. 이렇게 해야 문제가 발생했을 때 영향 범위를 시스템 전체가 아니라 하나의 디렉터리로 제한할 수 있습니다. 인증 정보는 모델이 접근할 수 없는 곳에 보관합니다. 컨텍스트 창에 들어간 내용은 무엇이든 도구 호출을 통해 다시 출력될 수 있기 때문입니다. 이 문제를 해결하려면 AI 에이전트에서 보안 정보를 분리하는 방법에 설명된 것처럼 helper 뒤에 수명이 짧은 토큰을 두어야 합니다. 지출에는 엄격한 상한을 설정합니다. 아무도 지켜보지 않는 백그라운드 루프는 반복할 때마다 비용을 청구하기 때문입니다. 이를 안정적으로 유지하는 상한과 일괄 처리는 항상 켜져 있는 VPS에서 AI 에이전트 비용을 제어하는 방법에 설명되어 있습니다.

비용은 구체적인 수치로 확인해야 합니다. 2026년 7월 기준으로 Claude Opus 5의 요금은 입력 토큰 1백만 개당 $5, 출력 토큰 1백만 개당 $25입니다. 대화 내용이 계속 증가하는데 에이전트가 이를 매번 다시 전송하면 단일 작업에서 수십만 개의 토큰이 사용될 수 있습니다. 프롬프트 캐싱과 일반적인 단계에 더 작은 모델을 사용하는 방법은 프롬프트를 조금 수정하는 것보다 비용 계산에 훨씬 큰 영향을 줍니다.

프롬프트 인젝션도 여기서 다뤄야 합니다. 에이전트가 웹 페이지, 이슈 트래커 또는 받은 편지함을 읽는다면 해당 텍스트를 작성한 사람이 에이전트에 대한 지침도 작성하는 셈입니다. 더 영리한 시스템 프롬프트가 방어책은 아닙니다. 핵심은 경계를 설정하는 것입니다. 저장소를 삭제할 수 없는 에이전트는 설득을 받아도 저장소를 삭제할 수 없습니다.

어떤 지도를 따라야 합니까?

여섯 개의 커리큘럼을 조금씩 살펴보지 말고 하나를 선택해 끝까지 학습합니다. Microsoft ai-agents-for-beginners repository는 가장 완성도가 높은 무료 커리큘럼입니다. 18개 강의로 구성되어 있으며, 2026년 7월 기준으로 별 70,000개를 넘었습니다. 또한 위에서 설명한 단계에 자연스럽게 대응합니다. 인기 있는 agent repository를 모아 놓은 목록은 어떤 항목이 존재하는지 파악하는 데는 유용하지만, 학습 과정으로는 적합하지 않습니다. 별 수를 기준으로 정렬한 목록은 교육 순서가 아니라 인기도를 기준으로 정렬되기 때문입니다.

실습할 실제 프로젝트가 필요하다면 coding agent를 첫 대상으로 선택하는 것이 좋습니다. 피드백이 즉시 제공되고, 도구가 명확하며, 실수를 쉽게 되돌릴 수 있습니다. VPS에서 coding AI agent 실행하기에서는 하나의 agent를 처음부터 끝까지 설정하고 실행하는 과정을 설명합니다. 처음부터 구축하기보다 작동하는 시스템을 살펴보고 싶다면 최고의 self-hosted AI agent의 비교 내용에서 여러 프로젝트가 동일한 loop를 서로 다르게 구현하는 방식을 확인할 수 있습니다.

이 작업에 걸리는 시간은 얼마나 됩니까?

이미 프로그래밍을 할 수 있다면 1단계와 2단계는 저녁 시간에 완료할 수 있습니다. 3단계는 주말이 걸립니다. 이 시간의 대부분은 프로토콜보다 도구 설명을 작성하는 데 사용됩니다. 4단계와 5단계는 실제로 몇 주 동안 사용해야 합니다. 에이전트가 무엇을 잊는지는 에이전트가 잊는 과정을 지켜봐야만 알 수 있기 때문입니다. 6단계는 완전히 끝나지 않습니다. 새로운 기능을 하나 부여할 때마다 이 단계의 작업을 다시 시작해야 하기 때문입니다.

꾸준히 저녁 시간을 두 달 사용하면 대부분의 사람은 작동하고 범위가 제한된 유용한 에이전트를 만들 수 있습니다. 1년이 걸리는 사람은 대개 구축하지 않고 계속 읽기만 한 사람입니다.

FAQ

AI 에이전트를 구축하려면 머신러닝을 알아야 합니까?

아닙니다. 에이전트를 구축한다는 것은 API를 통해 모델을 호출하고, 모델의 도구 요청을 실제 함수에 연결하는 작업입니다. 이는 일반적인 애플리케이션 프로그래밍입니다. 학습, 그래디언트 또는 데이터셋을 직접 다룰 필요는 없습니다. 에이전트의 작동 여부를 결정하는 기술은 도구의 스키마 설계, 오류 처리, Linux 권한 관리입니다. 머신러닝 이론은 모델을 fine tune하려는 경우에만 필요합니다. 이는 다른 사전 조건이 필요한 별도의 작업입니다.

LangChain 또는 CrewAI 같은 프레임워크로 시작해야 합니까?

먼저 프레임워크를 사용하지 않고 하나의 루프를 작성한 다음 프레임워크를 도입합니다. 프레임워크는 stage 2의 30줄을 구성 객체로 대체합니다. 무엇을 대체했는지 알고 있다면 편리하지만, 그 전에는 혼란을 일으킬 수 있습니다. 에이전트가 예상과 다르게 동작하면 메시지 목록과 도구 결과를 직접 분석해야 합니다. 이를 한 번도 본 적이 없다면 분석이 훨씬 어렵습니다. 직접 하나의 루프를 작성한 후에는 프레임워크가 작동 원리를 숨기지 않고 시간을 절약해 줍니다.

AI 에이전트를 배우는 데 비용이 얼마나 듭니까?

비용 상한을 설정하면 대부분의 예상보다 적게 듭니다. 호스팅된 API 키와 소형 VPS 하나면 이 6단계의 모든 내용을 수행할 수 있습니다. 실제 위험은 시간당 요금이 아닙니다. 사용자가 잠든 동안 무제한 루프가 각 반복마다 요금을 발생시키는 것이 위험합니다. 첫날 API 계정에 엄격한 지출 한도를 설정하고, 작성하는 모든 루프에 반복 횟수 제한을 추가하며, 일반적인 단계에는 더 저렴한 모델을 사용합니다. 모델을 로컬에서 실행하면 토큰 비용은 없어지지만 하드웨어가 필요합니다.

AI 에이전트와 챗봇의 차이는 무엇입니까?

챗봇은 한 번 답변합니다. 에이전트는 다음 주기를 반복합니다. 모델이 도구를 요청하고, 코드가 도구를 실행하며, 결과가 모델로 돌아가고, 모델이 다음 작업을 결정합니다. 이 반복 덕분에 에이전트는 여러 단계로 작업을 완료할 수 있습니다. 동시에 챗봇에는 필요하지 않은 경계 조건이 에이전트에 필요한 이유이기도 합니다. 챗봇의 잘못된 답변은 잘못된 문단입니다. 에이전트의 잘못된 답변은 잘못된 문단과 그에 따라 에이전트가 수행한 작업까지 포함합니다.