ai-agents-for-beginners

Exploring AI Agent Frameworks

(위 이미지 클릭 시 본 강의의 영상 보기)

AI 에이전트 프레임워크 탐색하기

AI 에이전트 프레임워크는 AI 에이전트의 생성, 배포 및 관리를 간소화하기 위해 고안된 소프트웨어 플랫폼입니다. 이 프레임워크들은 개발자에게 복잡한 AI 시스템 개발을 간편하게 할 수 있도록 사전 제작된 구성요소, 추상화 및 도구를 제공합니다.

이 프레임워크들은 AI 에이전트 개발의 공통 과제에 대한 표준화된 접근 방식을 제공하여 개발자가 애플리케이션의 고유한 측면에 집중할 수 있도록 돕습니다. 또한 AI 시스템 구축 시 확장성, 접근성 및 효율성을 향상합니다.

소개

이번 강의에서는 다음을 다룹니다:

학습 목표

이번 강의의 목표는 다음을 이해하는 데 있습니다:

AI 에이전트 프레임워크란 무엇이며 개발자로서 무엇을 할 수 있게 해주나요?

전통적인 AI 프레임워크는 다음과 같은 방식으로 애플리케이션에 AI를 통합하고 개선하는 데 도움을 줍니다:

이 모든 게 훌륭해 보이지만, 왜 AI 에이전트 프레임워크가 필요한가요?

AI 에이전트 프레임워크는 단순한 AI 프레임워크 이상의 것을 의미합니다. 이들은 사용자, 다른 에이전트, 환경과 상호작용하며 특정 목표를 달성할 수 있는 지능형 에이전트를 생성하게 설계되었습니다. 이들 에이전트는 자율적 행동을 보이고, 의사결정을 하며, 상황 변화에 적응할 수 있습니다. AI 에이전트 프레임워크가 지원하는 주요 기능을 살펴보겠습니다:

요약하면, 에이전트는 더 많은 일을 가능하게 하여 자동화를 다음 단계로 끌어올리고, 환경에서 학습하고 적응하는 더 지능적인 시스템을 생성할 수 있게 합니다.

에이전트의 기능을 빠르게 프로토타입하고 반복 개선하려면 어떻게 해야 할까요?

이 분야는 빠르게 변화하고 있지만, 대부분 AI 에이전트 프레임워크에서 공통적으로 제공하는 몇 가지가 있습니다. 모듈 구성요소, 협업 도구, 실시간 학습이 그것입니다. 각각을 살펴보겠습니다:

모듈 구성요소 사용

Microsoft Agent Framework 같은 SDK는 AI 커넥터, 도구 정의, 에이전트 관리를 포함하는 사전 구축된 컴포넌트를 제공합니다.

팀에서는 이렇게 활용할 수 있습니다: 팀은 이러한 구성요소를 조합해 처음부터 개발하지 않고도 기능적 프로토타입을 신속하게 제작하여 빠른 실험과 반복이 가능합니다.

실무 예시: 미리 만들어진 파서를 사용해 사용자 입력에서 정보를 추출하고, 메모리 모듈로 데이터를 저장 및 검색하며, 프롬프트 생성기로 사용자와 상호작용하는 작업을 모두 직접 만들 필요 없이 수행할 수 있습니다.

예제 코드. Microsoft Agent Framework를 AzureAIProjectAgentProvider와 함께 사용해 모델이 사용자 입력에 도구 호출로 응답하는 방법을 예로 보겠습니다:

# Microsoft Agent Framework Python 예제

import asyncio
import os
from typing import Annotated

from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential


# 여행 예약을 위한 샘플 도구 함수를 정의합니다
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
    agent = await provider.create_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # 예시 출력: 2025년 1월 1일 뉴욕행 항공편이 성공적으로 예약되었습니다. 안전한 여행 되세요! ✈️🗽


if __name__ == "__main__":
    asyncio.run(main())

이 예시를 통해 사용자 입력에서 출발지, 목적지, 비행 날짜 같은 핵심 정보를 추출하는 사전 제작된 파서를 활용하는 방법을 알 수 있습니다. 이 모듈식 접근 방식은 상위 레벨의 로직에 집중할 수 있게 해줍니다.

협업 도구 활용

Microsoft Agent Framework 같은 프레임워크는 여러 에이전트가 함께 작업할 수 있도록 지원합니다.

팀에서는 이렇게 활용할 수 있습니다: 팀은 특정 역할과 작업을 가진 에이전트를 설계해 협업 워크플로우를 테스트하고 개선하여 전체 시스템 효율성을 향상시킬 수 있습니다.

실무 예시: 데이터 검색, 분석, 의사결정 각기 다른 전문 기능을 가진 에이전트 팀을 구성할 수 있습니다. 이 에이전트들은 공동의 목표(예: 사용자 질문 답변 또는 업무 완수)를 위해 소통하고 정보를 공유합니다.

예제 코드 (Microsoft Agent Framework):

# Microsoft Agent Framework를 사용하여 함께 작동하는 여러 에이전트를 생성

import os
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# 데이터 검색 에이전트
agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# 데이터 분석 에이전트
agent_analyze = await provider.create_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# 작업에 대해 에이전트를 순차적으로 실행
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

이 코드는 여러 에이전트가 데이터를 분석하기 위해 협업하는 작업을 생성하는 방법을 보여줍니다. 각 에이전트는 특정 기능을 수행하며, 작업은 목표 달성을 위해 에이전트들 간 조정을 통해 실행됩니다. 전문화된 역할을 가진 전담 에이전트를 생성함으로써 작업 효율성과 성능을 높일 수 있습니다.

실시간 학습

고급 프레임워크는 실시간 맥락 이해 및 적응 기능을 제공합니다.

팀에서는 이렇게 활용할 수 있습니다: 팀은 에이전트가 상호작용에서 학습하고 동적으로 행동을 조절하는 피드백 루프를 구현해 능력을 지속적으로 개선하고 정제할 수 있습니다.

실무 예시: 에이전트는 사용자 피드백, 환경 데이터, 작업 결과를 분석하여 지식 기반을 업데이트하고 의사결정 알고리즘을 수정하며 성능을 개선합니다. 이 반복 학습 프로세스는 에이전트가 변화하는 조건과 사용자 선호에 적응해 전반적 시스템 효율을 향상시킵니다.

Microsoft Agent Framework와 Azure AI Agent Service의 차이점은 무엇인가요?

이 두 접근법을 비교하는 방법은 다양하지만, 설계, 기능 및 대상 사용 사례 측면에서 주요 차이를 살펴보겠습니다:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework는 AzureAIProjectAgentProvider를 이용해 AI 에이전트를 쉽게 구축할 수 있는 간소화된 SDK를 제공합니다. 이 프레임워크는 도구 호출, 대화 관리, Azure 인증을 통한 엔터프라이즈급 보안을 갖춘 Azure OpenAI 모델을 활용하는 에이전트 생성을 지원합니다.

사용 사례: 도구 활용, 다단계 워크플로우, 엔터프라이즈 통합 시나리오에서 프로덕션용 AI 에이전트 구축.

Microsoft Agent Framework의 주요 핵심 개념:

Azure AI Agent Service

Azure AI Agent Service는 Microsoft Ignite 2024에서 소개된 최신 서비스입니다. Llama 3, Mistral, Cohere 같은 오픈소스 LLM을 직접 호출하는 등 더 유연한 모델을 사용해 AI 에이전트를 개발 및 배포할 수 있게 합니다.

Azure AI Agent Service는 강화된 엔터프라이즈 보안 메커니즘과 데이터 저장 방식을 제공해 기업용 애플리케이션에 적합합니다.

Microsoft Agent Framework와 연동해 에이전트 빌드 및 배포가 가능합니다.

이 서비스는 현재 퍼블릭 프리뷰 단계이며 Python과 C#을 지원합니다.

Azure AI Agent Service Python SDK를 사용해 사용자 정의 도구를 갖춘 에이전트를 생성하는 예:

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# 도구 함수 정의
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-4o-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


if __name__ == "__main__":
    asyncio.run(main())

핵심 개념

Azure AI Agent Service는 다음 핵심 개념을 포함합니다:

사용 사례: 보안성, 확장성, 유연성이 요구되는 엔터프라이즈 AI 에이전트 배포에 적합합니다.

이 두 접근법의 차이는 무엇인가요?

겹치는 부분도 있지만, 설계, 기능, 대상 사용 사례 면에서 주요 차이가 있습니다:

아직도 어떤 것을 선택해야 할지 모르겠다면?

사용 사례별 안내

몇 가지 일반적인 사용 사례를 통해 도움을 드리겠습니다:

Q: 프로덕션용 AI 에이전트 애플리케이션을 빠르게 시작하고 싶어요.

A: Microsoft Agent Framework가 좋은 선택입니다. AzureAIProjectAgentProvider를 통해 도구와 지침을 몇 줄 코드로 정의하는 간단하고 파이썬 다운 API를 제공합니다.

Q: Azure 통합(검색, 코드 실행 등)과 같은 엔터프라이즈급 배포가 필요합니다.

A: Azure AI Agent Service가 가장 적합합니다. 여러 모델, Azure AI Search, Bing Search, Azure Functions를 위한 내장 기능이 있는 플랫폼 서비스이며, Foundry 포털에서 에이전트를 쉽게 빌드하고 대규모로 배포할 수 있습니다.

Q: 아직 헷갈려요, 한 가지만 추천해주세요.

A: 우선 Microsoft Agent Framework로 에이전트를 구축 시작하고, 프로덕션 배포 및 확장 시 Azure AI Agent Service를 사용하세요. 이렇게 하면 에이전트 로직을 빠르게 반복하면서도 엔터프라이즈 배포 경로를 확보할 수 있습니다.

핵심 차이를 표로 정리하면 다음과 같습니다:

프레임워크 초점 핵심 개념 사용 사례
Microsoft Agent Framework 도구 호출이 포함된 간소화된 에이전트 SDK 에이전트, 도구, Azure 인증 AI 에이전트 구축, 도구 사용, 다단계 워크플로우
Azure AI Agent Service 유연한 모델, 엔터프라이즈 보안, 코드 생성, 도구 호출 모듈화, 협업, 프로세스 오케스트레이션 안전하고 확장 가능하며 유연한 AI 에이전트 배포

기존 Azure 생태계 도구를 직접 통합할 수 있나요, 아니면 독립형 솔루션이 필요한가요?

답은 예입니다. 기존 Azure 생태계 도구를 Azure AI Agent Service와 직접 통합할 수 있습니다. 특히 이 서비스는 다른 Azure 서비스와 원활하게 작동하도록 구축되었기 때문입니다. 예를 들어 Bing, Azure AI Search, Azure Functions와 통합할 수 있습니다. 또한 Microsoft Foundry와도 깊이 통합되어 있습니다.

Microsoft Agent Framework는 AzureAIProjectAgentProvider와 Azure ID를 통해 Azure 서비스와 통합되어 에이전트 도구에서 직접 Azure 서비스를 호출할 수 있습니다.

Sample Codes

AI Agent Framework에 대해 더 궁금하신가요?

Microsoft Foundry Discord에 참여하여 다른 학습자들과 만나고, 오피스 아워에 참석하며 AI Agents 관련 질문에 답을 얻으세요.

References

Previous Lesson

Introduction to AI Agents and Agent Use Cases

Next Lesson

Understanding Agentic Design Patterns

면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있음을 양지해 주시기 바랍니다. 원본 문서는 해당 언어의 원본 문서가 권위 있는 자료로 간주되어야 합니다. 중요한 정보의 경우 전문 인간 번역을 권장합니다. 본 번역 사용으로 인해 발생하는 모든 오해나 잘못된 해석에 대해 당사는 책임지지 않습니다.

This site is open source. Improve this page.