유니온클래스 | 한국 HPE 교육센터

과정 개요

- 본 과정은 단순한 LLM 체인(Chain)을 넘어, 스스로 계획하고, 도구를 사용하며, 계획을 수정하는 '자율형 AI 에이전트'를 설계·구현하는 고급 개발자 과정입니다.

- LLM 에이전트 개발에 널리 쓰이는 LangGraph를 사용하여, '상태(State)' 기반의 복잡하고 순환적인(Cyclical) 워크플로우를 설계하고, create_agent와 미들웨어(Middleware)로 에이전트를 표준화된 방식으로 구성합니다.

- 텍스트 기반의 Tool-Using을 넘어, 최신 플래그십 모델의 비전(Vision) 기능과 Qwen3-VL 같은 오픈소스 비전-언어 모델, Whisper 기반 음성 인식(Audio)을 에이전트의 도구로 통합하는 멀티모달(Multi-Modal) 아키텍처를 실습합니다.

- MCP(Model Context Protocol)로 직접 만든 도구를 표준화된 방식으로 연동하고, LangSmith로 에이전트의 실행 흐름을 추적·점검하는 실전 개발 역량을 확보합니다.

선수지식

- Python (중급 이상): 함수, 클래스, 비동기(asyncio) 등 파이썬 자료구조/문법에 능숙해야 함

- LangChain (필수): LCEL을 사용해 본 경험 및 'Tool'을 정의해 본 경험

- LLM API 사용 경험: OpenAI, Anthropic 등 LLM API 호출 및 Tool(Function calling) 연동 경험

학습 목표

• LangChain(DAG)의 한계를 이해하고, LangGraph(Stateful Graphs)의 필요성을 설명할 수 있다. • LangGraph의 State, Node, Edge와 create_agent, 미들웨어(Middleware)를 활용해 표준화된 에이전트 아키텍처를 설계할 수 있다. • Conditional Edges(조건부 분기)와 체크포인터(Checkpointer)를 구현하여, 에이전트가 도구 사용 결과에 따라 스스로 재계획(Re-plan)하거나 중단된 지점부터 안전하게 이어서 실행되게 만들 수 있다. • Qwen3-VL 등 오픈소스 비전-언어 모델과 Whisper 음성 인식 모델을 에이전트의 'Tool'로 래핑(Wrapping)하고 LangGraph에 통합할 수 있다. • 직접 만든 Tool을 MCP 서버로 만들어 연동하고, LangSmith로 에이전트의 실행 흐름을 추적·점검하는 '멀티모달 리서치 에이전트'를 구축할 수 있다.

수강대상

• LangChain(LCEL)을 사용해 봤지만, 더 복잡하고 자율적인 에이전트 구현에 한계를 느낀 AI 개발자 • 챗봇을 넘어, 'AI 비서', '자동화 봇' 등 복잡한 비즈니스 프로세스를 자동화해야 하는 시니어 개발자 • 최신 플래그십 모델, Qwen3-VL 등 멀티모달 모델을 활용하여 이미지/오디오를 이해하는 지능형 서비스를 기획/개발하는 기획자 및 엔지니어 • MCP나 에이전트 모니터링 같은 최신 개발 표준을 실무에 도입하려는 팀 리더 및 아키텍트

교육 일정

시작일2026년 12월 7일~종료일2026년 12월 11일

시작 시간9시 30분~종료 시간17시 30분

커리큘럼

자율형 AI 에이전트 개발 실무 LangGraph와 Multi-Modal Tool-Using

35시간

2026-12-07 ~ 2026-12-11대면

Module 1 – 왜 LangGraph인가? (From Chains to Agents)

- AI 에이전트의 핵심: ReAct, Planning, Tool-Using, Middleware

- LangChain(LCEL)의 한계와 순환(Cycle)의 필요성

- LangGraph 아키텍처: State, Node, Edge, 그리고 create_agent로 보는 표준 에이전트 구성 방식

- create_agent와 StateGraph 두 가지 방식으로 간단한 ReAct(Reason+Act) 에이전트 구현하기

Module 2 – LangGraph 심화: 상태 기반 워크플로우

- StateGraph 상태(State) 관리와 미들웨어(before_model, wrap_tool_call 등)를 활용한 에이전트 커스터마이징

- add_conditional_edges: 에이전트의 '두뇌' 구현 (도구 사용/재계획/종료 분기)

- 체크포인터(Checkpointer)로 대화·작업 상태를 저장하고, 중단된 지점부터 이어서 실행하기

- 에러 핸들링 및 'Self-Correction(자가 수정)' 루프 구현하기

Module 3 – 멀티모달 (Multi-Modal) Tool-Using

- 멀티모달 LLM의 이해: 최신 플래그십 모델의 비전(Vision) 기능과 Qwen3-VL 같은 오픈소스 비전-언어 모델

- Vision Tool 구축: 이미지(스크린샷)를 입력받아 설명(Description)을 반환하는 Tool

- Audio Tool 구축: 음성 파일을 입력받아 텍스트로 변환(STT)하는 Tool (Whisper 활용)

- LangGraph State에 이미지/오디오 데이터 추가 및 관리

Module 4 – 멀티모달 에이전트 통합

- 멀티모달 에이전트 라우팅 아키텍처 설계

- 'Vision 라우터' 구현: 입력에 이미지가 포함되면 Vision Tool 노드로 분기

- "웹 UI 자동화 에이전트": 스크린샷을 '보고' 다음 클릭할 버튼을 결정하는 에이전트

- 직접 만든 Tool을 MCP 서버로 만들어 표준화된 방식으로 연동하기

- LangSmith를 이용한 에이전트 실행 흐름 추적 및 디버깅

Module 5 – 멀티모달 리서치 에이전트

- "이 차트(이미지)와 최신 뉴스(텍스트)를 바탕으로 시장을 분석해 줘."

- 웹 검색 Tool (MCP로 연동)

- 이미지/차트 분석 Tool (Vision)

- 종합 리포트 생성 에이전트 (LangGraph로 전체 워크플로우 오케스트레이션)

- 에이전트 배포 및 FastAPI를 이용한 API 서빙, 체크포인터로 운영 안정성 확보

선수과정

Advanced RAG 그래프 DB와 하이브리드 검색 기반 지능형 질의응답 시스템