학습 회고: Kaggle의 5일 AI Agents 인텐시브 (Google과 함께)
Source: Dev.to
Overview
이 제출물은 Google AI Agents Writing Challenge에 대한 회고이며, Kaggle의 5일 AI Agents Intensive에서의 경험을 요약합니다. 이 집중 과정은 대형 언어 모델(LLM)을 단일 턴 프롬프트에서 시간에 따라 행동하고, 추론하고, 협업하는 시스템을 구축하는 관점으로 바꾸어 놓았습니다.
Key Insights
1. Agents are workflows, not prompts
진정한 힘은 오케스트레이션에 있습니다: 상태, 메모리, 도구, 피드백 루프, 그리고 평가를 관리하는 것. 프롬프트는 단지 인터페이스일 뿐이며, 구성 요소가 어떻게 연결되는지가 에이전트의 능력을 정의합니다.
2. Tool use unlocks real‑world impact
올바른 도구 선택, 스키마 설계, 오류 처리 등이 사후 고려사항이 아니라 일차적인 관심사가 됩니다.
3. Planning, reflection, and iteration matter
효과적인 에이전트는 작업을 계획하고, 중간 결과를 반성하며, 결과를 개선하기 위해 반복합니다.
4. Multi‑agent systems amplify capability (and complexity)
여러 전문 에이전트를 조정하면 더 풍부한 결과를 얻을 수 있지만, 동시에 추가적인 조정 문제도 발생합니다.
5. Evaluation is hard—but essential
실패를 드러내고, 성능을 측정하며, 개선을 안내하기 위해서는 견고한 평가 전략이 필요합니다.
Mindset Shift: From Prompt Engineering to Systems Engineering
- From single‑turn answers → multi‑step reasoning
- From static responses → adaptive behavior
- From monolithic models → modular, composable agents
이러한 재구성은 에이전트 설계를 분산 시스템을 구축하는 것과 유사하게 만들며, 언어는 제어 평면 역할을 합니다.
Project: Multi‑Agent Research Assistant
- Planner Agent – 전체 작업을 관리 가능한 단계로 나눕니다.
- Research Agent – 관련 소스를 수집하고 요약합니다.
- Critic Agent – 가정을 검증하고, 빈틈을 찾아내며, 결과를 확인합니다.
- Synthesizer Agent – 입력들을 결합해 일관된 최종 답변을 만듭니다.
Lessons Learned
- Clear role boundaries는 출력 품질을 크게 향상시킵니다.
- Naïve agent loops는 적절한 중지 조건이 없을 경우 비용이 급증할 수 있습니다.
- Simple reflection steps는 파이프라인 초기에 환상을 잡아냅니다.
- Simplicity wins – 가장 효과적인 개선은 더 많은 에이전트를 추가하기보다 신중한 구조 설계에서 나왔습니다.
Conclusion
이 집중 과정을 통해 기술 역량과 직관이 모두 날카로워졌습니다. 에이전시 AI는 마법이 아니라 신중한 설계, 반복, 평가입니다. 올바르게 수행하면 단계별 사고, 도구 활용, 협업을 하는 강력한 새로운 지능형 시스템 구축 방식을 열어줍니다. 저는 간단한 에이전트에서 견고하고 프로덕션 수준의 다중 에이전트 시스템으로 나아가는 실험을 계속할 생각에 설레고 있습니다.