흑섬 TECH 블로그 - 데이터 기반 브리딩 기술

[AI 에이전트 5편] 멀티에이전트 — 역할 나눠 협업하다

AI 에이전트 5부작의 마지막 5편. 에이전트 하나에 모든 역할을 몰면 한계가 옵니다 — 멀티에이전트는 전문 에이전트가 역할을 나눠 병렬로 일하고 매니저가 종합합니다. 오케스트레이터-워커 패턴, 병렬 실행이 빠른 이유(합이 아닌 최댓값), 그리고 게코 교배 판정을 체중·지식(Neo4j)·환경 에이전트 3명이 병렬 검토하는 걸 파이썬 오케스트레이터와 우리 Workflow 도구로 실제 실행해 캡처했습니다. 오케스트라 비유 사진, Anthropic 공식 'Building Effective Agents' 가이드 캡처 포함. 생각→도구→연쇄→표준→협업으로 이어진 에이전트 한 바퀴를 마무리합니다.

[AI 에이전트 4편] MCP — 도구를 표준 규격으로 꽂다

AI 에이전트 5부작의 4편. 도구가 늘고 에이전트도 여럿이 되면 연결이 골치 — 이를 푸는 표준이 MCP(Model Context Protocol)입니다. 'AI의 USB-C'라 불리는 이유, 2·3편의 in-process 도구와 MCP 외부 서버의 차이, 클라이언트↔서버(list_tools/call_tool) 구조를 다룹니다. MCP 공식 문서('USB-C port for AI') 캡처, 실제 연결된 MCP 서버를 claude mcp list로 확인한 캡처(공개용 일반 도구만), USB-C 실사진(CC0)까지 넣어 표준으로 도구를 꽂는 개념을 보여줍니다. 생태계 서버를 골라 에이전트를 확장하는 법까지.

[AI 에이전트 3편] 멀티스텝 — 도구를 스스로 골라 연쇄한다

AI 에이전트 5부작의 3편. 2편에서 도구 하나를 붙였다면, 3편은 도구를 여러 개 주고 LLM이 스스로 골라 연쇄로 호출하는 멀티스텝 에이전트입니다. 도구 3개(체중조회·KB검색·환경체크)를 주고 'A개체 교배 가능?+주의사항+환경'을 물으면 도구를 네 번 연쇄로 부르는 실행을 캡처했습니다. KB검색 도구는 지난 KG-RAG 시리즈의 Neo4j(Docker로 띄움)에 그대로 붙습니다 — Docker 소개, docker ps, 에이전트 검색의 Neo4j Browser 실화면까지 직접 캡처. 무한루프·도구 실패·종료 조건 같은 안전장치도 다룹니다. 예시 개체는 익명 A/B/C.

[AI 에이전트 2편] Tool use — LLM에게 첫 도구를 쥐여주다

AI 에이전트 5부작의 2편. 1편에서 '생각'만 하던 에이전트에 첫 도구(함수)를 쥐여줍니다. tool use가 'LLM의 함수 호출 의도 + 우리 코드의 실제 실행'이라는 원리(LLM은 Action 텍스트만 뱉고 실행은 코드가 함)를, claude 날것 출력으로 직접 보여줍니다. 도구를 이름·설명·입력 스키마로 정의하는 법과 설명을 잘 쓰는 실전 팁, tool_use/tool_result 왕복(Anthropic SDK 정식 코드 + API 키 없이 로컬 Claude CLI 재현)을 다룹니다. 도구 직접 정의·호출, 실제 호출(A 42g)·재사용(B·C)·없는 개체 에러 처리까지 터미널 캡처 6개로 담았고, 1편의 '판단 불가'가 실제 체중으로 채워지는 걸 보여줍니다. 예시 개체는 익명 A/B/C.

[AI 에이전트 1편] 에이전트가 뭐야? — 생각하고 행동하는 ReAct

AI 에이전트 5부작의 1편. 지난 벡터DB·지식그래프 RAG 시리즈(검색→생성)에서 이어집니다. 그냥 LLM 답변과 에이전트의 차이, ReAct(Thought·Action·Observation 반복) 루프, RAG의 검색이 에이전트의 도구 하나로 들어가는 구조를 다룹니다. Claude Code·Cursor·Codex 같은 익숙한 도구가 곧 에이전트라는 점, 언제 에이전트가 과한지까지 짚습니다. 'A개체(암컷) 교배 가능?'을 Claude로 실제 실행해 단계적 사고로 쪼개고, 도구를 붙인 ReAct 루프가 실제 체중(42g)으로 판단까지 가는 과정, 도구를 두 번 호출하는 멀티스텝, 도구에 없는 건 솔직히 못 한다고 답하는 모습까지 터미널 캡처로 담았습니다. 익명 예시 개체로 게코 사육 에이전트를 단계별로 만들어 가는 시리즈의 출발점.

[벡터DB·지식그래프 RAG 5편] GraphRAG 완성 — 검색에 LLM을 붙이다

지식그래프 RAG 5부작의 마지막 편. 4편까지 완성한 하이브리드 검색(벡터 진입 + 그래프 확장) 위에 LLM(Claude)을 얹어 GraphRAG를 완성합니다. RAG가 검색+생성인 이유, baseline RAG(벡터검색만)의 한계, neo4j-graphrag의 GraphRAG 클래스로 검색기와 LLM을 묶는 법을 다룹니다. 같은 질문에 baseline RAG vs GraphRAG 답변을 실제로 생성해 비교 — 그래프로 넓힌 맥락이 답에 어떻게 반영되는지 실데이터로 확인합니다.