KBR's Stacked Thoughts

Day 3에서는 생성형 AI 에이전트(Generative AI Agents)에 대해 다룬다.
단순한 LLM 프롬프트를 넘어서, 에이전트의 구성 요소, 의사결정 흐름, 그리고 기존 시스템과의 연결 방식을 실습과 함께 익히는 유닛이다.

기본 과제와 선택 과제로 나뉘며, 팟캐스트/백서/코드랩이 모두 제공된다.

개인적으로는 팟캐스트가 백서 내용을 아주 잘 요약해주고 있고, 설명 흐름도 매끄러워서 호다닥 공부해야 한다면 팟캐스트를 굉장히 추천!

🎒 Today’s Assignments

1. Complete Unit 3 – “Generative AI Agents”
   유닛 3 – “생성형 AI 에이전트”
   • Listen to the summary podcast episode for this unit
     유닛 3의 요약 팟캐스트 듣기
   • To complement the podcast, read the “Agents” whitepaper
     팟캐스트를 보완하기 위해, 관련 백서 읽기
   • Complete these codelabs on Kaggle:
     Kaggle 코드랩 실습 진행하기
     • Talk to a database with function calling
       함수 호출로 데이터베이스와 대화하기
     • Build an agentic ordering system in LangGraph
       LangGraph로 주문 처리 에이전트 시스템 구축하기
2. [Optional] Advanced 3b - “Agents Companion”
   [선택과제] 고급 Unit 3b – “에이전트 심화”
   • Listen to the summary podcast episode for this unit
     요약 팟캐스트 듣기
   • Read the advanced “Agents Companion” whitepaper
     고급 버전 “에이전트 심화” 백서 읽기

💡 What You’ll Learn

Learn to build sophisticated AI agents by understanding their core components and the iterative development process. You’ll also learn more about advanced agentic architectures and approaches such as multi-agent systems, agent evaluation and more. The codelabs cover how to connect LLMs to existing systems and to the real world. Learn about function calling by giving SQL tools to a chatbot (including an example using Gemini 2.0’s Live API), and learn how to build a LangGraph agent that takes orders in a café.

📖 Day 3에서는 AI 에이전트를 구성하는 핵심 요소와 반복적인 개발 과정(iterative development process)을 이해한다.

🤖 그리고 다중 에이전트 시스템(multi-agent systems), 에이전트 평가(evaluation), 고급 구조 설계 방법 등도 함께 배운다.

⚙️ 코드랩에서는 LLM을 실제 시스템과 연결하는 법을 실습하면서

• SQL 도구를 챗봇에 연결해 함수 호출(Function Calling)을 실행하는 방법,
• Gemini 2.0 API를 활용한 실시간 예제,
• 그리고 LangGraph로 카페 주문을 처리하는 에이전트까지 직접 만들어본다.