프롬프트 엔지니어링과 AI 에이전트 설계
프롬프트 엔지니어링과 AI 에이전트 설계
강의 개요
LLM을 “잘 쓰는 것"과 “그냥 쓰는 것"의 차이를 체계적으로 다루는 특강입니다.
전반부는 프롬프트 엔지니어링입니다. LLM의 행동을 제어하는 인터페이스 설계로 접근합니다.
후반부는 AI 에이전트입니다. while 루프 기반 에이전트부터 LangGraph, 멀티 에이전트 협업까지 단계적으로 구현합니다.
모든 데모는 오픈소스 도구(Ollama, LiteLLM, LangGraph)로 진행합니다.
상용 서비스 없이 재현 가능하며, 코드는 GitHub으로 공유합니다.
prompt_agent
https://github.com/CodeCompose7/prompt_agent
강의 흐름
%%{init: {'theme':'base','themeVariables':{'primaryColor':'#e3f2fd','primaryBorderColor':'#90caf9','lineColor':'#546e7a','textColor':'#333','mainBkg':'#fafafa','nodeBorder':'#90a4ae','clusterBkg':'#f5f5f5','clusterBorder':'#bdbdbd'}}}%%
flowchart LR
subgraph 전반부["전반부 — 프롬프트 엔지니어링"]
direction TB
P0["도입\nLLM을 쓴다\nvs 제어한다"]
P1["Part 1\n원리와 핵심 테크닉"]
P2["Part 2\n설계 패턴과\n실전 적용"]
P0 --> P1 --> P2
end
subgraph 후반부["후반부 — AI 에이전트"]
direction TB
P3["Part 3\nwhile 루프\n에이전트"]
P4["Part 4\nLangGraph\n멀티 에이전트"]
P5["Part 5\n학습 로드맵"]
P3 --> P4 --> P5
end
전반부 --> 후반부
style P0 fill:#e3f2fd,stroke:#90caf9,stroke-width:2px,rx:10,ry:10
style P1 fill:#e3f2fd,stroke:#90caf9,stroke-width:2px,rx:10,ry:10
style P2 fill:#e3f2fd,stroke:#90caf9,stroke-width:2px,rx:10,ry:10
style P3 fill:#fff9c4,stroke:#f9a825,stroke-width:2px,rx:10,ry:10
style P4 fill:#fff9c4,stroke:#f9a825,stroke-width:2px,rx:10,ry:10
style P5 fill:#fff9c4,stroke:#f9a825,stroke-width:2px,rx:10,ry:10
style 전반부 rx:15,ry:15
style 후반부 rx:15,ry:15
학습 목표
- LLM의 프롬프트 처리 원리를 이해하고, 이를 바탕으로 프롬프트를 설계하는 사고방식 습득
- 핵심 프롬프트 엔지니어링 테크닉을 상황에 맞게 선택·조합하는 능력 배양
- AI 에이전트의 4가지 구성요소(LLM, Tool, Memory, Orchestration) 이해
- while 루프 → LangGraph → 멀티 에이전트까지 복잡도가 올라가는 스펙트럼 체험
수강 대상 · 선수 지식
| 수강 대상 | 선수 지식 |
|---|---|
| LLM을 사용해 본 경험이 있는 이들 | ChatGPT, Claude 등 LLM 서비스 기본 사용 경험 |
| ChatGPT 등을 써봤지만 체계적인 활용법을 배우지 않은 이들 | Python 기초 문법 이해 (에이전트 파트의 코드 데모를 읽기 위함) |
| AI 에이전트의 개념과 구조에 관심이 있는 이들 | 프로그래밍 경험이 없어도 수강 가능 |
| AI 관련 개발/연구를 고려하는 이들 |
시연 환경
| 항목 | 구성 |
|---|---|
| 기기 | MacBook Pro (로컬) + RTX 3090 서버 (원격, 대형 모델용) |
| 로컬 LLM | Ollama |
| 프롬프트 데모 모델 (Part 1~2) | llama3.1:8b — 가볍고 빠름 |
| 에이전트 데모 모델 (Part 3) | qwen3-coder:30b — 코딩 특화, HTML 게임 생성 가능 |
| LangGraph 데모 모델 (Part 4) | qwen3.5:9b — tool calling 안정적 |
| LLM 통합 인터페이스 | LiteLLM (Part 1~3), ChatOllama (Part 4) |
| 에이전트 프레임워크 | LangGraph (Part 4) |
| 코드 실행 | Python 3.11+, Jupyter Notebook |
강의 구성
도입 — “LLM을 쓴다” vs “LLM을 제어한다”
- 프롬프트 엔지니어링과 AI 에이전트의 정의 제시
- 같은 과제를 나쁜 프롬프트 / 좋은 프롬프트로 비교하는 라이브 데모
- LiteLLM으로
model파라미터만 바꿔 provider를 전환하는 시연
Part 1 — 프롬프트 엔지니어링: 원리와 핵심 테크닉
- LLM은 프롬프트를 어떻게 처리하는가: 토큰화, 컨텍스트 윈도우, Temperature/Top-p, 다음 토큰 예측
- 핵심 테크닉: System Prompt/역할 지정, Few-shot Prompting, Chain-of-Thought, 구조화된 출력 요청, 네거티브 프롬프팅
- 각 테크닉을 Before/After 데모로 비교
Part 2 — 프롬프트 설계 패턴과 실전 적용
- 역할 기반 프롬프트 설계: 같은 코드를 보안 전문가 / 성능 엔지니어 / 코딩 멘토 3가지 역할로 분석
- 프롬프트 반복 개선(Iteration): 유튜브 채널 분석기 프롬프트를 v1→v4까지 4번 반복 개선
Part 3 — AI 에이전트: 프롬프트 하나로는 부족할 때
- 단일 프롬프트의 한계와 에이전트의 4가지 구성요소 (LLM, Tool, Memory, Orchestration)
- 순수 Python + LiteLLM으로 while 루프 기반 코드 생성+실행 에이전트 구현
- 데모: 뱀 게임 HTML 생성, 데이터 분석, 데이터 시각화
Part 4 — 에이전트 설계 원칙과 LangGraph
- 복잡도 스펙트럼: 단일 프롬프트 → 프롬프트 체이닝 → 라우터 → ReAct → 풀 에이전트 → 멀티 에이전트
- Part 3의 while 루프를 LangGraph 그래프로 재구현
- 멀티 에이전트 협업: 기획자 + 코더 + 리뷰어가 PPT 보고서 자동 생성
Part 5 — 이 기술이 왜 중요한가 + 학습 로드맵
- 자연어가 곧 프로그래밍 언어가 되는 패러다임
- Ollama → LiteLLM → 프롬프트 패턴 → 에이전트 루프 → LangGraph 단계별 학습 로드맵
- 추천 리소스: CrewAI, Anthropic Prompt Engineering Guide, MCP
강의 방식
- 형태: 오프라인 대면 강의 (2시간)
- 라이브 코딩 데모: Jupyter Notebook에서 실제 코드를 실행하며 결과를 보여줌
- 코드 공유: 모든 데모 코드를 GitHub 레포지토리에 공개
- Provider 전환 시연: LiteLLM의
model파라미터를 바꿔서 로컬 → 상용 API 전환 - 학생 실습 없음: 관찰 및 이해 중심, 강의 후 GitHub 코드로 스스로 실습 가능
- 질의응답: 강의 중 자유 질문 허용, 마지막 10분 별도 Q&A
핵심 메시지 요약
| 파트 | 핵심 메시지 |
|---|---|
| 도입 | 프롬프트의 품질이 곧 결과의 품질이다 |
| Part 1 | LLM의 동작 원리를 알면 프롬프트 설계가 달라진다 |
| Part 2 | 프롬프트도 코드처럼 설계하고, 반복 개선하고, 버전 관리한다 |
| Part 3 | 에이전트는 LLM이 코드를 짜고, 실행하고, 스스로 디버깅하는 자율적 루프다 |
| Part 4 | while 루프 → LangGraph → 멀티 에이전트: 본질은 같고 복잡도만 다르다 |
| Part 5 | LLM을 제어하는 능력은 이 시대의 새로운 핵심 역량이다 |
문의
강의 일정 및 비용 문의는 이메일로 연락 주세요.