Python 51

[2/3] 하니스엔지니어링(Harness Engineering) 로직 구현

이번 코드는 앞서 공부한 MCP + Skill 구조에서 한 단계 더 발전한 형태입니다.이전에는 우리가 다음 구조를 공부했습니다.SKILL.md → LLM → MCP Tool → MCP Server → 실제 데이터 → LLM → 답변이번에는 여기에 Harness Engineering이 추가됩니다.즉,“LLM에게 일을 시키는 것”에서 끝나는 것이 아니라, LLM이 여러 작업을 안정적으로 수행하도록 바깥에서 계획·상태·저장·재실행을 관리하는 구조입니다.특히 이번 코드에서 꼭 이해해야 할 핵심은 다음 5가지입니다.① SKILL.md → AI에게 "어떻게 일할지" 가르친다.② Tool → AI가 실제 데이터를 가져오게 한다.③ Agent Loop → Tool 호출 → 결과 전달..

Agentic AI/AI_AGENT 2026.10.04

A2A. (2/2) Weather Client

이 코드는 크게 보면 다음 한 문장입니다."Weather Server의 Agent Card를 먼저 확인하고 → A2A Client를 만들고 → 사용자의 질문을 Message로 포장하고 → Request로 한 번 더 포장해서 → 서버에 보내고 → 서버가 보내는 응답 이벤트를 받아서 → Client를 종료한다." 전체 구조부터 잡고 하나씩 보겠습니다.1. 먼저 전체 그림을 이해하자현재 우리가 만든 프로그램은 A2A Client입니다.상대방에는 앞에서 만든 Weather Agent Server가 실행되고 있습니다.┌─────────────────────────────┐│ A2A Weather Client ││ ││ 우리가 지금 공부하는 코드 ..

Agentic AI/AI_AGENT 2026.10.03

A2A. (1/2) Weather Agent Server

a2a-sdk 1.2.0 기반 — 코드의 구조부터 실행 흐름까지특히 이번 코드에서 중요한 점은 다음과 같습니다.WeatherCoreAgent: 사용자의 질문을 분석하고 날씨 정보를 반환하는 핵심 에이전트WeatherAgentExecutor: 핵심 에이전트를 A2A 서버의 실행 구조에 연결하는 실행기EventQueue: 에이전트가 생성한 응답을 A2A 서버에 전달하는 이벤트 큐DefaultRequestHandler: 외부에서 들어온 A2A 요청을 관리하는 요청 처리기AgentCard: 외부 에이전트가 우리 서버의 기능과 연결 정보를 확인할 수 있도록 제공하는 명세FastAPI와 A2A Routes: 실제 HTTP 요청을 받아 처리하는 웹 서버의 구조이번에는 단순히 각 코드가 무엇을 하는지 설명하는 데 그치..

Agentic AI/AI_AGENT 2026.10.03

AI Agent(3/3): MCP(Model Context Protocol) 서버와 MCP 클라이언트(LLM 에이전트)

세번째 코드는 MCP(Model Context Protocol) 서버와 MCP 클라이언트(LLM 에이전트)가 SSE(Server-Sent Events, HTTP 기반) 방식으로 네트워크를 통해 통신하도록 구현된 예제입니다. 이전 Stdio(표준 입출력) 방식과 달리, 서버와 클라이언트가 서로 별도의 프로세스/컴퓨터로 분리될 수 있는 웹 표준 서버 architecture 형태를 띱니다. 두 파일의 구조와 작동 원리를 핵심 위주로 명쾌하게 해설해 드리겠습니다.1. 시스템 구조 개요┌────────────────────────────────┐ HTTP GET/POST (SSE) ┌────────────────────────────────┐│ 첫 번째 파일: MCP Server ..

Agentic AI/AI_AGENT 2026.10.03

AI Agent(2/3): 다단계 도구 호출(Multi-step Tool Calling) 및 자율적 루프(Autonomous Re-act Loop)

첫 번째 코드와 비교했을 때, 이번 코드는 질문 하나를 해결하기 위해 여러 도구를 연쇄적으로 판단하여 호출하는 에이전트 구조로 진화했습니다. 다단계 도구 호출(Multi-step Tool Calling) 및 자율적 루프(Autonomous Re-act Loop)를 구현한 대단히 완성도 높은 AI 에이전트 코드입니다. 1. 이 코드가 작동하는 전체 시나리오 (Chaining Process)사용자가 "현재 서울의 평균 기온을 계산해 줘."라는 질문을 보냈을 때 내부 동작 순서입니다. [사용자 질문] "서울의 평균 기온 계산해 줘" │ ▼ ..

Agentic AI/AI_AGENT 2026.10.03

AI Agent(1/3): Function Calling(도구 호출) 에이전트의 정석

OpenAI의 최신 Responses API와 Open-Meteo API를 활용해, 사용자의 질문에서 도시명을 추출하고 날씨 정보를 조회해 자연어로 변환해주는 Function Calling(도구 호출) 에이전트의 정석적인 구조입니다.전체적인 코드 흐름과 스키마 설계, 그리고 실제 동작 구조까지 핵심을 짚어 설명해 드립니다. 1. 전체 실행 흐름 (Execution Lifecycle)[사용자 질문] "서울특별시의 오늘 날씨 알려줘" │ ▼[1차 LLM 호출] client.responses.create() │ ──> LLM 판단: "직접 답할 수 없으니 get_weather 도구를 호출하자" ▼[도구 실행] get_weather(location="서울특별시") ..

Agentic AI/AI_AGENT 2026.10.03

17. 중간 점검(2)

결론부터 말하면:지금까지가 "ChromaDB 기반 장기기억의 기본 동작을 완성하는 과정"이었다면, 다음 단계가 이 학습 단계에서의 마지막 핵심 단계라고 보는 것이 좋습니다.다만 AI Agent의 장기기억 시스템 전체로 보면 이후에 중복 기억 방지, 기억 수정/삭제, 중요도 관리, PostgreSQL↔ChromaDB 불일치 복구 같은 고급 단계가 더 있습니다.그리고 저는 지금은 그런 고급 기능으로 바로 넘어가지 않고, 한 단계 더 정리해서 현재 시스템을 완성된 구조로 이해하는 것을 추천합니다.1. 우선 이번 테스트 결과를 해석해 봅시다이번 결과는 사실상 우리가 목표로 했던 것을 거의 모두 보여줬습니다.첫 번째 질문:"나는 앞으로 AI Agent 공부를 계속할 생각이야."에 대해서:LLM Memory Ext..

Agentic AI/Memory 2026.09.12

16. 장기기억(12)- PostgreSQL의 memories 테이블과 ChromaDB연결 단계(4.3)

지금 구조를 보면:LLM이 Memory를 추출 → save_memory() → PostgreSQL 저장 → memory_id 확보 → save_memories()가 실제 저장 결과를 반환까지 검증됐습니다.이제 다음 단계는 자연스럽게 PostgreSQL에 저장된 새 Memory를 ChromaDB에도 넣는 것입니다. [요약]# PostgreSQL의 memories 테이블과 ChromaDB연결 단계(4.3) => agent_with_memory.py->PostgreSQL 저장 후 ChromaDB에도 저장하도록 연결 # step 1. agent_with_memory.py를 수정 # 1.1. from vector_store import add_memories 추가하기 # 1.2. run_once()의 마지막 부분..

Agentic AI/Memory 2026.09.12

15. 장기기억(11)- PostgreSQL의 memories 테이블과 ChromaDB연결 단계(4.2)

지금 단계는 단순히 "코드가 실행되느냐"가 아니라,PostgreSQL에 저장된 Memory를 ChromaDB에도 정확히 전달할 수 있는 구조를 만드는 단계라고 이해하면 좋습니다.[요약]# PostgreSQL의 memories 테이블과 ChromaDB연결 단계(4.2) => memory.py -> save_memories()가 저장된 Memory 정보를 반환하도록 수정 # step 1. memory.py 에서 save_memories()만 수정 # step 2. 기 만들어 놓은, test_save_memories.py 실행해서 테스트1. 먼저 현재 memory.py의 전체 구조를 보겠습니다현재 구조는 크게 이렇게 되어 있습니다.memory.py│├─ 1. 환경 설정│├─ 2. OpenAI Client│├─..

Agentic AI/Memory 2026.09.12

14. 장기기억(10) - PostgreSQL의 memories 테이블과 ChromaDB연결 단계(4.1)

현재 우리가 해결하려는 문제는 딱 하나입니다.새로운 Memory가 PostgreSQL에 저장될 때 생성된 memory_id를 받아서, 그 Memory를 ChromaDB에도 정확히 저장한다. [요약]# PostgreSQL의 memories 테이블과 ChromaDB연결 단계(4.1) => database.py -> PostgreSQL save_memory()가 생성된 memory_id를 반환하도록 수정 # step1. database.py에서 save_memory()를 찾아, 코드 교체하기(수정 코드 없음)# step2. test_save_memory.py 만들어서, 테스트오늘 진행할 범위전체 Dual Write는 다음 4단계입니다.STEP 7-1 database.py ↓ ..

Agentic AI/Memory 2026.09.12
반응형