나의 Google AI Agents 인텐시브 경험 — 하루하루의 회고

Source: Dev.to

🗓️ 1일차 – 에이전트 AI 소개

첫 번째 날은 내가 AI를 바라보는 방식을 완전히 바꾸어 놓았습니다. 에이전트는 단순한 모델이 아니라 목표를 달성하기 위해 인지하고, 판단하고, 행동할 수 있는 시스템이라는 것을 배웠습니다.

우리는 에이전트 시스템의 구성 요소인 추론, 계획, 메모리, 도구 사용을 탐구했습니다. LLM이 단순히 프롬프트에 응답하는 것이 아니라 환경과 상호작용할 수 있다는 생각이 매우 흥미로웠습니다.

🗓️ 2일차 – 간단한 AI 에이전트 만들기

우리는 이론에서 손에 잡히는 실습으로 넘어가 첫 번째 간단한 에이전트를 만들었습니다.

Gemini 모델과 Kaggle 노트북을 사용해 에이전트에 구조를 부여하는 방법을 배웠습니다: 목표, 컨텍스트, 행동을 정의하는 것이죠.

모델이 추론 단계를 실행하고 작업을 자율적으로 수행하는 모습을 보는 것은 정말 짜릿했습니다. 프롬프트 설계와 컨텍스트 관리가 에이전트의 지능을 정의한다는 점을 깨달았습니다.

🗓️ 3일차 – 도구 사용과 계획

이 날은 게임 체인저였습니다. 우리는 도구가 결합된 에이전트, 즉 API를 호출하거나 실시간 데이터를 가져오거나 코드를 실행할 수 있는 시스템을 탐구했습니다.

에이전트가 다단계 행동을 계획하고 결과를 검증하며 전략을 동적으로 조정하는 방법을 배웠습니다. 실습을 통해 AI의 “자율성”이 마법이 아니라 구조화된 계획과 추론 루프의 결과임을 이해하게 되었습니다.

🗓️ 4일차 – 다중 에이전트 협업

우리는 서로 다른 에이전트가 협력해 복잡한 문제를 해결하는 다중 에이전트 시스템의 세계에 뛰어들었습니다.

“리서치 에이전트”가 데이터를 수집하고 “요약 에이전트”가 인사이트를 도출하는 작은 워크플로를 구축했습니다. 두 에이전트가 함께 작업하는 모습을 보며 AI 협업이 인간 팀워크를 닮을 수 있다는 생각이 강화되었습니다—작업을 분담하고 결과를 공유하며 최적의 결과를 도출하는 방식이죠.

🗓️ 5일차 – 캡스톤 프로젝트와 회고

캡스톤 과제로 저는 Kaggle 데이터셋에서 정보를 가져와 구조화된 인사이트로 요약하는 리서치 & 요약 에이전트를 만들었습니다.

이 프로젝트를 통해 에이전트가 단계별로 컨텍스트를 유지하고, 메모리를 효과적으로 활용하며, 일관된 다단계 출력을 생성할 수 있음을 이해하게 되었습니다.

마지막에 저는 AI 에이전트가 단순한 도구가 아니라 추론하고, 적응하고, 지능적으로 협업할 수 있는 공동 창조자라는 사실을 깨달았습니다.

💡 최종 회고

이 집중 과정은 제가 AI를 바라보는 관점을 완전히 바꾸어 놓았습니다. 이제 에이전트를 목표 지향적인 시스템으로 보며, 스스로 행동하고 학습하며 개선할 수 있다고 생각합니다.

핵심 개념을 이해하고 실용적인 애플리케이션을 구축하면서, 저는 스스로 지능형 워크플로를 설계할 수 있는 사고방식과 기술을 모두 갖추게 되었습니다.

앞으로도 Gemini, Kaggle, 그리고 다중 에이전트 프레임워크를 가지고 실험을 계속할 생각에 설레입니다—AI가 우리를 위해서만이 아니라 우리와 함께 일하는 미래를 향해 나아가고 싶습니다.