5일 인텐시브는 어땠는지

Source: Dev.to

이 코스를 듣기 전까지 “AI 에이전트”는 기본적으로 몇 가지 도구가 붙어 있는 LLM에 불과했습니다. Google과 Kaggle이 주관한 5일간의 AI 에이전트 인텐시브를 통해 상황이 크게 바뀌었는데—에이전트가 목표를 따르고, 적절한 도구를 호출하며, 실제로 검토할 수 있는 추론 과정을 남기는 팀원처럼 느껴졌습니다. AI 캔버스, 라우팅, 트레이스에 집중하면서 단일 프롬프트보다는 시스템 전체가 시간에 따라 어떻게 동작하는지에 더 신경 쓰게 되었습니다.

제가 가장 크게 기억하는 핵심 아이디어는 에이전트가 단순히 “채팅 완성”이 아니라, 계획하고, 행동하고, 기억하며, 다른 소프트웨어와 마찬가지로 측정될 수 있는 시스템이라는 점입니다. 이 사고 전환은 제가 만든 캡스톤 프로젝트 Orca의 설계 방식에 큰 영향을 주었습니다.

5일 동안 다룬 내용

Day 1 – Agent Architectures & “From Prompt to Action”

사용자 요청이 단일 응답이 아니라 계획, 도구 호출, 루프 등으로 전환되는 과정을 설명했습니다.

Day 2 – Agent Tools & Best Practices

에이전트를 실제 API와 서비스에 안전하게 연결하기 위한 Agent Development Kit (ADK)와 Model Context Protocol (MCP)을 다루었습니다.

Day 3 – Agent Sessions & Memory

단기 컨텍스트와 장기 지식을 관리해 에이전트가 다중 턴 작업을 수행하고 중요한 정보를 기억하도록 하는 방법을 논의했습니다.

Day 4 – Agent Observability & Evaluation

ADK UI와 CLI를 통한 로깅, 트레이싱, 메트릭, 평가 실행에 초점을 맞췄습니다.

제가 만든 것: Orca

Orca는 사용자 정의 도구를 사용해 실제 시장 데이터를 가져오고, 지표를 계산하며, 예측을 수행한 뒤 에이전트가 이를 해석하도록 합니다. 도구 호출과 단계별 트레이스 실습이 특히 도움이 되었는데, 에이전트가 잘못된 도구를 선택하거나 출력을 오해했을 때 트레이스를 통해 오류를 바로 확인할 수 있었습니다.

코스가 Orca에 미친 영향

• Day 2 덕분에 데이터와 지표 도구를 작고, 집중적이며 예측 가능하게 만드는 견고한 템플릿을 얻었습니다—에이전트가 안전하게 호출할 수 있도록 설계되었습니다.
• Day 3은 사용자의 위험 프로필, 관심 종목, 이전 결정 등을 보관하면서 금융 데이터 프라이버시를 유지할 수 있는 메모리 레이어를 고안하게 했습니다.
• Day 4는 트레이스와 평가 실행을 일급 기능으로 다루게 만들었으며, 이를 통해 Orca를 블랙 박스가 아닌 금융 의사결정을 위한 “유리 박스”로 전환했습니다.

실습에서 눈에 띈 점

각 에이전트에 명확하고 좁은 역할을 부여하면 시스템이 훨씬 깔끔해집니다. 하나의 과부하된 “스마트” 에이전트 대신 몇 개의 집중된 에이전트를 두면 디버깅과 설명이 쉬워져, 투명성과 신뢰가 중요한 금융 분야에서 큰 장점이 됩니다.

에이전트에 대한 제 관점 변화

Orca에서는 목표가 블랙 박스 모델에서 유리 박스 경험으로 바뀌었습니다. 트레이스, 중간 추론, 에이전트 간 작은 토론이 이제 제품 경험의 일부가 되었으며, 특히 사용자가 실제 금전적 결정을 내릴 때 중요한 역할을 합니다.

앞으로 나아가고 싶은 방향

가장 큰 변화는 제가 이제 묻는 질문입니다: “이 모델을 어떻게 프롬프트하나요?”가 아니라 “사람들이 신뢰하고, 디버깅하고, 시간이 지나도 개선할 수 있는 에이전시 시스템을 어떻게 설계하나요?” Orca는 그 질문에 대한 첫 번째 진지한 시도이며, 인텐시브를 통해 이를 실현 가능하다고 느꼈습니다.

직접 Orca 사용해 보기

• Live app:
• GitHub repository:
• Demo video (2 minutes):