Python 60줄로 첫 AI 에이전트 만들기 — 프레임워크 없이

Source: Dev.to

우리가 만들고 있는 것

간단한 AI 에이전트로 다음을 할 수 있습니다:

• 목표를 입력으로 받는다
• 목표를 하위 작업으로 나눈다
• 각 하위 작업을 도구를 사용해 실행한다
• 최종 결과를 반환한다

이를 최소 실행 가능한 에이전트, 즉 어떤 것으로든 확장할 수 있는 골격이라고 생각하세요.

아키텍처

우리 에이전트는 고전적인 Observe → Think → Act 루프를 따릅니다:

┌─────────────┐
│   USER GOAL │
└──────┬──────┘
       │
       ▼
┌──────────────┐
│  THINK (LLM) │◄──────┐
└──────┬───────┘       │
       │               │
       ▼               │
┌──────────────┐       │
│  ACT (Tool)  │───────┘
└──────┬───────┘
       │
       ▼
┌──────────────┐
│    RESULT    │
└──────────────┘

코드 (60줄)

import json
import os
from anthropic import Anthropic

client = Anthropic()

# Define tools the agent can use
tools = [
    {
        "name": "calculator",
        "description": "Performs arithmetic calculations",
        "input_schema": {
            "type": "object",
            "properties": {
                "expression": {"type": "string", "description": "Math expression to evaluate"}
            },
            "required": ["expression"]
        }
    },
    {
        "name": "search_notes",
        "description": "Search through local notes/files",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string", "description": "Search query"}
            },
            "required": ["query"]
        }
    }
]

def execute_tool(name, input_data):
    if name == "calculator":
        try:
            return str(eval(input_data["expression"]))
        except:
            return "Error: Invalid expression"
    elif name == "search_notes":
        # Simulate search — replace with real implementation
        return f"Found 3 notes matching '{input_data['query']}'"
    return "Unknown tool"

def run_agent(goal, max_steps=5):
    messages = [{"role": "user", "content": goal}]
    system = "You are an AI agent. Use the provided tools to accomplish the user's goal. When done, provide a final answer."

    for step in range(max_steps):
        response = client.messages.create(
            model="claude-sonnet-4-20250514",
            max_tokens=1024,
            system=system,
            tools=tools,
            messages=messages
        )

        # Check if agent wants to use a tool
        if response.stop_reason == "tool_use":
            tool_block = next(b for b in response.content if b.type == "tool_use")
            result = execute_tool(tool_block.name, tool_block.input)
            messages.append({"role": "assistant", "content": response.content})
            messages.append({
                "role": "user",
                "content": [{
                    "type": "tool_result",
                    "tool_use_id": tool_block.id,
                    "content": result
                }]
            })
            print(f"Step {step+1}: Used {tool_block.name} → {result}")
        else:
            # Agent is done
            final = next(b.text for b in response.content if hasattr(b, "text"))
            print(f"\nAgent Result: {final}")
            return final

    return "Max steps reached"

# Run it
run_agent("What is 15% of 847, then round to nearest integer?")

How It Works

• Lines 1‑4: 종속성(Anthropic SDK)을 가져옵니다.
• Lines 6‑30: 도구를 JSON 스키마로 정의합니다. Claude는 이를 네이티브로 이해하므로 래퍼가 필요 없습니다.
• Lines 32‑40: 간단한 if/elif 논리로 도구를 실행합니다. 필요에 따라 실제 구현으로 교체하세요.
• Lines 42‑65: 핵심 에이전트 루프: 메시지를 전송하고, 도구 사용을 감지하고, 도구를 실행한 뒤 결과를 다시 입력하고, LLM이 최종 답변을 반환할 때까지 반복합니다.

왜 이것이 중요한가

모든 “에이전트 프레임워크”는 본질적으로 이 정확한 루프를 추상화로 감쌉니다. 원시 패턴을 이해한다는 것은 다음을 의미합니다:

• 디버깅이 빨라집니다 – 풀어야 할 프레임워크 마법이 없습니다.
• 확장이 쉬워집니다 – elif 블록을 추가하여 도구를 추가합니다.
• 코드를 직접 소유합니다 – 의존성 업데이트가 에이전트를 깨뜨리지 않습니다.

다음에 만들 것

이 60줄 스켈레톤을 기반으로 다음을 만들 수 있습니다:

• 개인 비서 – 캘린더, 이메일, 파일 도구를 추가합니다.
• 코드 리뷰어 – git diff와 린트 도구를 추가합니다.
• 콘텐츠 파이프라인 – 퍼블리싱 API를 도구로 추가합니다.
• 데이터 분석가 – SQL 및 차트 도구를 추가합니다.

요점

AI 에이전트를 만들기 위해 프레임워크가 필요하지 않습니다. 필요한 것은:

• 도구 사용을 지원하는 LLM (Claude, GPT‑4 등)
• 도구 결과를 모델에 다시 전달하는 루프
• JSON 스키마로 정의된 도구

그게 전부입니다. 60줄. 마법은 없습니다.