How to build AI Agents with smolagents - FULL Course

 

🧠 AI 에이전트의 개념과 구조

AI 에이전트는 단순한 텍스트 예측기인 기존의 LLM(Large Language Model)과 달리, 환경과 상호작용하며 목표를 달성하는 시스템입니다. 에이전트는 두 가지 구성 요소로 이루어집니다. **"브레인(Brain)"**은 LLM으로 구성되며 계획 수립과 의사결정을 담당하고, **"바디(Body)"**는 도구(tool)를 통해 환경과 상호작용합니다. 브레인은 흔히 라우터(router) 역할도 수행하며, 다양한 도구와 API를 통해 실행 능력을 갖춘다는 점에서 단순한 언어모델보다 능동적입니다.

---

🧭 워크플로우 vs 진정한 에이전트

현재 시장에서 대부분의 “AI 에이전트”는 사실상 **에이전틱 워크플로우(agentic workflow)**로, 사전에 정의된 흐름 내에서 LLM이 일부 결정을 내리는 구조입니다. 진정한 에이전트는 환경 피드백을 기반으로 자율적으로 경로를 결정하며, 예측 불가능한 상황이나 창의적인 문제 해결에 적합합니다. 반면 워크플로우는 반복적이고 예측 가능한 작업에 효과적입니다. 개발자는 상황에 따라 이 둘을 선택적으로 사용할 필요가 있습니다.

---

👥 멀티 에이전트 시스템과 협업 방식

복잡한 작업은 멀티 에이전트 시스템을 통해 처리할 수 있습니다. 각 에이전트는 고유한 역할, 시스템 프롬프트, 도구 세트를 가지며, 예를 들어 정보 수집, 분석, 코드 작성 등으로 분화됩니다. 협업 방식은 다음 네 가지로 나뉩니다:

1. 위임형 – 매니저 에이전트가 작업을 분할하여 하위 에이전트에게 할당
2. 병렬형 – 각 에이전트가 동시에 독립된 작업을 수행
3. 순차형 – 파이프라인처럼 순서대로 작업
4. 경쟁형 – 동일한 작업을 여러 에이전트가 수행 후 최적 결과 선택

---

🧰 smolagent의 핵심 기능

smolagent는 Hugging Face가 개발한 라이브러리로, 단순하면서도 유연한 에이전트 구현을 가능하게 합니다. 특징은 다음과 같습니다:

• 코드 기반 액션: 에이전트가 JSON 대신 Python 코드로 행동을 정의하며, 이는 복합적 작업 처리와 도구 결합(composability)에 유리합니다.
• 커스텀 도구 생성: @tool 데코레이터를 사용해 간단히 도구 생성 가능
• 도구 통합: 웹 검색, 코드 실행, PDF 분석 등의 기능을 포함하며 LangChain 등 타 프레임워크 도구도 호환
• 다중 모델 지원: Hugging Face, Azure, OPI 등 다양한 모델 연동 가능

---

🌦️ 실전: 날씨 분석 에이전트 만들기

기초 프로젝트로 날씨 데이터 분석 에이전트를 구현합니다. 핵심 절차는 다음과 같습니다:

1. 커스텀 도구 생성 – 샘플 데이터를 반환하는 get_weather_data 함수 정의
2. 외부 라이브러리 허용 – 예: 시각화를 위한 matplotlib 사용을 허용
3. 프롬프트 기반 실행 – 도쿄 날씨 데이터를 수집, 평균 온도 계산, 강수일 수 확인, 차트로 시각화

에이전트는 내부적으로 Python 코드를 생성·실행하여 목표를 달성하며, 실행 과정과 토큰 사용량은 로그로 상세히 확인 가능합니다.

---

🧑‍💻 사용자 인터페이스 및 공유

에이전트를 더 쉽게 사용하고 공유하기 위해 다음 기능이 제공됩니다:

• Gradio UI 통합: 클릭 한 번으로 웹 기반 인터페이스 구축 가능
• Hugging Face Hub 연동: 에이전트 및 도구를 "스페이스"로 업로드하여 다른 사용자와 공유 및 재사용 가능
• 코드 재사용: Hub에서 다른 사람이 만든 에이전트도 불러와 활용 가능

---

🤖 고급: 멀티에이전트 리서치 시스템 구축

실전 과제로 시장 동향 분석 에이전트 팀을 구성합니다:

1. 웹 에이전트: 정보 검색 및 웹 페이지 스크래핑
2. 분석 에이전트: 감성 분석, 핵심 지표 추출 등 수행
3. 매니저 에이전트: 전체 작업 계획 수립 및 역할 배분

이러한 멀티 에이전트 구조는 전통적 파이프라인보다 높은 유연성과 확장성을 제공합니다. OPI API 모델 사용 시 API 키 및 모델 성능 정보를 통해 적합한 모델을 선택하며, 시각화 함수로 전체 구조를 시각적으로 확인할 수 있습니다.

---

📊 운영 환경 모니터링: OpenTelemetry와 Langfuse

에이전트의 성능을 모니터링하기 위해 OpenTelemetry 표준과 Langfuse 오픈소스 플랫폼을 사용합니다. 이 조합은 다음을 가능하게 합니다:

• 트레이스(Trace) 및 스팬(Span) 단위의 실행 분석
• 에이전트 단계별 로그, 토큰 사용량, 지연 시간 시각화
• 도커 기반 로컬 서버 또는 클라우드 연동

실행 흐름 전체를 한눈에 파악할 수 있어, 실사용 환경에서의 문제 진단 및 개선에 매우 유용합니다.

---

✅ 요약 및 마무리

이 강의는 LLM의 한계를 넘어 능동적이고 목적지향적인 AI 시스템 구현의 전 과정을 포괄합니다. 이론부터 실습까지 전개되며, 다음과 같은 역량 확보를 목표로 합니다:

• AI 에이전트의 구조 및 분화된 협업 방식 이해
• smolagent를 활용한 커스텀 에이전트 개발 및 도구 생성
• 코드 기반 에이전트 설계 및 운영
• 멀티에이전트 시스템 및 실시간 모니터링 구축

지속적으로 학습하고 다양한 프레임워크 및 사례를 탐색함으로써, 실제 업무나 제품에 AI 에이전트를 효과적으로 적용할 수 있는 기반을 마련할 수 있습니다.