과정 마무리
요약 (상) · Prompt 엔지니어링 + Agent
2장 복습 요약 · 1/2페이지: Message List를 설계하는 핵심 기술과 AI를 "말하는 것"에서 "실행하는 것"으로 전환하는 Agent 엔지니어링.
Part 1 · 컨텍스트 & Prompt
I. 컨텍스트 & Prompt 엔지니어링
Message List 설계 핵심 기술
컨텍스트 오버플로우 세 가지 전략
작업 공간은 제한적 — 신중하게 관리하세요
잘라내기
단순하지만 초반 정보가 영구 손실됩니다 — 짧은 대화 도구에 적합
요약 압축
균형적인 선택 — 추가 LLM 호출 필요, 장기 대화에 적합
의미 검색
가장 정확 — 벡터 시스템 필요, Token 사용 최적
Prompt 6요소 + 4가지 고급 기법
Prompt를 코드처럼 작성하세요
6요소: 역할 + 태스크 + 컨텍스트 + 제약 + 예시 + 형식
4가지 고급 기법: Few-Shot(예시로 형식 학습), Chain of Thought(단계별 추론), Constraints(글자 수/어조/금지어), Task Decomposition(단계별 분해)
4가지 고급 기법: Few-Shot(예시로 형식 학습), Chain of Thought(단계별 추론), Constraints(글자 수/어조/금지어), Task Decomposition(단계별 분해)
출력 형식 선택 원칙
상황에 맞는 형식을 선택하세요
사용자 측 스트리밍 → XML / 일반 텍스트 (증분 파싱 가능)
백엔드 소비 → YAML / JSON (YAML은 Token 15~30% 절감)
문서/리치텍스트 표시 → Markdown (렌더링 친화적)
백엔드 소비 → YAML / JSON (YAML은 Token 15~30% 절감)
문서/리치텍스트 표시 → Markdown (렌더링 친화적)
Part 2 · Agent 엔지니어링
II. Agent 엔지니어링
AI를 "말하는 것"에서 "실행하는 것"으로
Agent 네 가지 핵심 능력
🧭 Plan 계획
복잡한 태스크를 실행 가능한 단계로 분해합니다
🔧 Tool Use
검색, 코드 실행, 데이터베이스, API 호출
🗃️ Memory 기억
단기 컨텍스트 + 장기 벡터 데이터베이스
🔄 Act / Reflect
실행 후 관찰 — 실패 시 자기 교정
도구 호출의 실체
모델은 단지 형식화된 텍스트를 출력할 뿐입니다
1
System Prompt에 도구 목록이 미리 정의되어 모델에게 사용 가능한 도구를 알려줍니다
2
모델이 JSON 텍스트를 예측합니다 (실제 호출이 아님)
3
프레임워크 코드가 JSON 파싱 → 실제 API 호출 → 결과를 컨텍스트에 주입
Skill + 스캐폴딩
Agent를 안정적으로 실행하기
Skill = 프로세스 설명 + 도구 호출 가이드, ReAct 루프를 가능한 짧고 효율적으로 유지
스캐폴딩 = 타임아웃/재시도 + 최대 단계 수 제한 + 입출력 검증 + 상태 머신 + 관찰 가능성(로그).
스캐폴딩이 없는 Agent는 프로덕션 환경에서 불안정합니다.
스캐폴딩 = 타임아웃/재시도 + 최대 단계 수 제한 + 입출력 검증 + 상태 머신 + 관찰 가능성(로그).
스캐폴딩이 없는 Agent는 프로덕션 환경에서 불안정합니다.
2장 요약 · 상반부 · 다음 페이지: 비용 최적화 + AI PM 종합 이해