5일 AI 에이전트 집중 코스가 내가 FoodMate, 멀티 에이전트 푸드 컨시어지를 구축하도록 도운 방법

Source: Dev.to

Introduction

Google × Kaggle 5‑Day AI Agents Intensive에 등록했을 때, 일주일 만에 깔끔한 프로젝트를 완성할 수 있을 거라 기대하지 않았습니다. 코스 구조, 실습형 codelab, 그리고 커뮤니티 지원 덕분에 간단하고 유용하며 실제로 동작하는 FoodMate라는 다중 에이전트 음식 추천 어시스턴트를 만들 자신이 생겼습니다.

가장 크게 와닿은 아이디어는 에이전트가 단일 모델이 아니라 팀이라는 점이었습니다. 선호도, 영양, 검증을 담당하는 에이전트로 작업을 분리하면서 시스템을 이해하고, 테스트하고, 확장하기가 쉬워졌습니다. 코스에서는 다음과 같은 실용적인 패턴을 보여주었습니다:

• 툴 사용 및 그라운딩 – 외부 정보를 안전하게 가져오는 방법
• 함수 호출 및 구조화된 출력 – 하위 애플리케이션이 결과를 활용할 수 있도록
• 에이전트 오케스트레이션 – 에이전트가 순차적·병렬적으로 소통하는 방식

Why FoodMate

음식은 개인적인 영역입니다. 스리랑카에서는 시간, 예산, 현지 재료와 같은 작은 제약이 일상 선택을 좌우합니다. 저는 FoodMate를 다음과 같은 목적을 위해 만들었습니다:

• 빠르고 문화적으로 적합한 식사 아이디어 제시
• 간단한 영양 휴리스틱 검증
• 필요 시 더 건강한 대안 제공

리소스가 제한된 환경에서도 실행될 수 있도록 의도적으로 작게 설계했습니다.

Architecture

• Preference Agent – 사용자의 취향과 제약을 수집
• Recipe Agent – 로컬 데이터베이스에서 적합한 레시피를 검색
• Nutrition Agent – 제안된 식사의 영양 프로필을 평가
• Aggregator – 출력들을 결합해 최종 추천을 제시

Tech stack: Kaggle Notebook, Python, Gemini / ADK 패턴 (쿼터 문제 시 로컬 레시피 DB를 백업으로 사용).

Demo

• Notebook: https://www.kaggle.com/code/shiyazamal/capstone-foodmate-multi-agent-food-recommendati
• Video walkthrough: https://youtu.be/-3B8amyQBKc

What Surprised Me

codelab을 진행하면서 에이전트가 반드시 복잡할 필요는 없다는 것을 깨달았습니다. 명확한 역할을 수행하는 작고 신뢰할 수 있는 모듈들만으로도 “지능적”이고 실제로 도움이 되는 시스템을 만들 수 있었습니다. Kaggle Discord 커뮤니티의 지원도 큰 도움이 되었는데, 사람들은 codelab 디버깅을 도와주고 더 나은 프롬프트 설계를 제안해 주었습니다.

Next Steps

• 사용자 메모리를 추가해 시간에 따라 선호도를 기억
• 에이전트를 Agent Engine 또는 Cloud Run에 배포
• 현지 레스토랑 메뉴와 연결해 실시간 제안 제공
• 쇼핑 중에도 사용할 수 있는 간단한 모바일 UI 구축

이번 인텐시브는 단순히 도구를 가르쳐 준 것이 아니라 사고 방식을 바꾸어 주었습니다. “모델을 어떻게 쿼리하지?”에서 “신뢰성 있게 하나의 유용한 문제를 해결하는 작은 에이전트 팀을 어떻게 설계하지?”로 관점이 전환되었습니다. 이것이 제가 다음에 만들고 싶은 방향입니다.

Links

• Notebook: https://www.kaggle.com/code/shiyazamal/capstone-foodmate-multi-agent-food-recommendati
• Demo video: https://youtu.be/-3B8amyQBKc

프로젝트에 대한 피드백을 원하시거나 협업을 원하시면 Kaggle에서 shiyazamal에게 연락 주세요.