Hello-Agents: Datawhale 오픈소스 AI 에이전트 튜토리얼로 제품급 에이전트를 처음부터 구축하는 방법

GitHub Stars: 45,600+ | 일간 성장: 1,162 stars | Forks: 5,500+ | 저장소: datawhalechina/hello-agents

2025년은 널리 “AI 에이전트의 해"로 인식되었습니다. OpenAI의 Operator에서 Google의 A2A 프로토콜까지, Anthropic의 MCP에서 ByteDance의 UI-TARS까지, 전체 기술 산업은 사용자를 대신하여 인지하고 계획하고 행동할 수 있는 자율적 지능 시스템으로 전환하고 있습니다. 그러나 대부분의 개발자에게 챗봇을 사용하는 것과 진정한 에이전트를 구축하는 것 사이에는 여전히 큰 간극이 존재합니다. 이러한 배경에서 Hello-Agents가 등장했습니다. 이는 중국의 저명한 오픈소스 AI 학습 커뮤니티인 Datawhale이 출시한 교육 프로젝트로, GitHub에서 45,600개 이상의 Stars를 획득하여 “대모델 사용자"에서 “에이전트 시스템 구축자"로 전환하려는 모든 개발자를 위한 가장 권위 있는 출발점이 되었습니다.

산만한 기술 블로그나 사전 지식을 전제로 하는 프레임워크 문서와 달리, Hello-Agents는 에이전트 기초 이론, 고전적 패러다임, 로우코드 플랫폼, 전문 프레임워크, 고급 메모리 시스템, 통신 프로토콜, 강화 학습 및 종합 실전 프로젝트를 다루는 완전한 16장 커리큘럼을 제공합니다. 모든 챕터에는 실행 가능한 코드가 포함되어 있으며, 전체 과정은 온라인 도서, 로컬 문서 및 다운로드 가능한 PDF 형태로 무료로 제공됩니다.

이 심층 리뷰에서는 Hello-Agents가 오늘날 GitHub에서 가장 가치 있는 에이전트 교육 리소스가 된 이유, 그 구조화된 커리큘럼이 초보자에서 제품급 에이전트 개발자로의 경로를 어떻게 가속화하는지, 그리고 이론, 실습 코딩 및 실전 프로젝트의 결합이 유료 부트캠프조차 따라갈 수 없는 학습 경험을 어떻게 창조하는지 살펴봅니다.

Hello-Agents란 무엇인가?

Hello-Agents는 중국에서 가장 영향력 있는 오픈소스 AI 교육 조직 중 하나인 Datawhale 커뮤니티가 만든 체계적이고 오픈소스인 AI 에이전트 구축 튜토리얼입니다. 이 프로젝트는 Apache 2.0 라이선스 하에 출시되었으며 GitHub의 datawhalechina/hello-agents 저장소에 호스팅되어 있습니다.

이 튜토리얼은 중요한 시장 격차를 정확히 메웁니다. ChatGPT 프롬프팅에 대한 소개는 수없이 많고 프레임워크의 README 파일도 풍부하지만, 에이전트가 실제로 어떻게 작동하는지를 체계적으로 가르치는 리소스는 거의 없습니다. 이는 이를 구동하는 Transformer 아키텍처부터, 이를 안내하는 추론 패턴, 이를 연결하는 통신 프로토콜, 그리고 이를 훈련시키는 강화 학습에 이르기까지입니다.

Hello-Agents는 다섯 가지 주요 부분을 통해 이 격차를 메웁니다:

에이전트 및 대형 언어 모델 기초 — 에이전트가 무엇인지, 그 역사, 그리고 이를 구동하는 언어 모델 이해
첫 번째 대형 언어 모델 에이전트 구축 — 고전적 패턴 구현, 로우코드 플랫폼 사용, 전문 프레임워크 활용
고급 지식 확장 — 메모리 시스템, 컨텍스트 엔지니어링, 에이전트 프로토콜, Agentic RL 및 평가
종합 사례 심화 — 여행 도우미, DeepResearch 에이전트, 사이버 타운 시뮬레이션
졸업 설계 및 미래 전망 — 처음부터 끝까지 완전한 지능형 애플리케이션 구축

핵심 커리큘럼: 16장 학습 경로

Hello-Agents의 핵심은 개발자를 제로 지식에서 제품급 에이전트 시스템을 구축하고 배포할 수 있는 능력으로 이끄는 세심하게 구성된 16장 커리큘럼입니다.

1부: 에이전트 및 언어 모델 기초

1장: 에이전트와의 첫 만남 이 장은 개념적 기초를 확립합니다. AI 에이전트가 무엇인지(환경을 인지하고 결정을 내리며 목표 달성을 위해 행동하는 자율 시스템), 기호 AI에서 대형 언어 모델 기반 에이전트까지의 진화, 그리고 오늘날 분야를 지배하는 핵심 패러다임을 소개합니다. 학습을 마치면 2025년이 왜 “에이전트의 해"가 되었는지, 그리고 진정한 에이전트가 단순한 챗봇 래퍼와 어떻게 다른지 이해하게 됩니다.

2장: 에이전트 발전 역사 초기 규칙 기반 시스템에서 AlphaGo와 같은 강화 학습 에이전트, 그리고 현재의 대형 언어 모델 기반 자율 시스템까지의 역사적 여정입니다. 이러한 역사적 맥락은 필수적입니다. 왜냐하면 많은 현대 에이전트 패턴이 수십 년 전 아이디어의 재발명이기 때문입니다. 역사를 이해하면 과거의 실수를 반복하지 않을 수 있습니다.

3장: 대형 언어 모델 기초 에이전트를 구축하기 전에 엔진을 이해해야 합니다. 이 장은 Transformer 아키텍처, 어텐션 메커니즘, 프롬프팅 기법(제로샷, 퓨샷, 사고의 연쇄) 및 에이전트 시스템이 극복해야 하는 현재 언어 모델의 한계를 다룹니다. 또한 GPT-4 및 Claude부터 오픈소스 대안까지 주류 대형 언어 모델 환경을 조사합니다.

2부: 대형 언어 모델 에이전트 구축하기

4장: 고전적 에이전트 패러다임 구축 여기서 본격적인 코딩이 시작됩니다. 처음부터 세 가지 기초적인 에이전트 패턴을 구현합니다:

ReAct(추론 + 행동) — 현대 에이전트를 구동하는 패턴으로, 모델이 작업이 완료될 때까지 사고 흔적과 도구 호출을 번갈아 가며 연속 루프에서 수행합니다.
Plan-and-Solve(계획 및 해결) — 에이전트가 먼저 단계별 계획을 생성한 다음 체계적으로 각 단계를 실행하는 두 단계 접근 방식입니다.
Reflection(반성) — 에이전트가 자신의 출력을 평가하고 오류를 식별하며 반복적으로 개선하는 자기 개선 패턴입니다.

각 패턴은 OpenAI API를 사용하여 깔끔한 Python 코드로 구현되므로, 프레임워크의 마법이 내부 메커니즘을 가리지 않고 루프가 정확히 어떻게 작동하는지 볼 수 있습니다.

5장: 로우코드 플랫폼 기반 에이전트 구축 모든 에이전트가 사용자 정의 코드를 필요로 하는 것은 아닙니다. 이 장에서는 세 가지 주요 로우코드 플랫폼을 사용하여 기능적인 에이전트를 구축하는 방법을 가르칩니다:

Coze(ByteDance) — 풍부한 플러그인 생태계를 갖춘 시각적 에이전트 빌더
Dify — 오픈소스 대형 언어 모델 애플리케이션 개발 플랫폼
n8n — AI 기능으로 확장할 수 있는 워크플로우 자동화 도구

로우코드(빠른 프로토타이핑, 비기술 팀)와 코드 기반 접근 방식(사용자 정의 로직, 확장성, 통합) 중 언제 선택할지 배웁니다.

6장: 프레임워크 개발 실습 로우코드 플랫폼의 능력을 초과하면 전문 프레임워크가 필요합니다. 이 장에서는 다음을 실습합니다:

AutoGen(Microsoft) — 에이전트가 서로 대화하여 문제를 해결할 수 있는 다중 에이전트 대화 프레임워크
AgentScope — 이종 에이전트에 대한 강력한 지원을 제공하는 유연한 에이전트 플랫폼
LangGraph(LangChain) — 대형 언어 모델을 사용하여 상태 저장 다중 액터 애플리케이션을 그래프로 모델링하는 라이브러리

세 가지 프레임워크 모두에서 동일한 간단한 에이전트를 구축하여 API, 추상화 및 트레이드오프를 직접 비교할 수 있습니다.

7장: 자신만의 에이전트 프레임워크 구축하기 2부의 마무리입니다. OpenAI API와 표준 Python 라이브러리만 사용하여 처음부터 최소하지만 기능이 완전한 에이전트 프레임워크를 구축합니다. 이 연습은 AutoGen 및 LangGraph에서 접한 모든 추상 개념을 완전히 파헤칩니다. 프레임워크가 존재하는 이유, 해결하는 문제, 그리고 언제 완전히 필요하지 않을 수 있는지 이해하게 됩니다.

3부: 고급 지식 확장

8장: 메모리 및 검색 상태 비저장 대형 언어 모델은 긴 대화에서 컨텍스트를 유지하거나 이전 세션의 정보를 회상할 수 없습니다. 이 장에서는 메모리 시스템을 구축하는 방법을 가르칩니다:

단기 메모리 — 토큰 제한 내에서 대화 컨텍스트 관리
장기 메모리 — 사용자 선호도, 사실 및 대화 기록의 영구 저장
RAG(검색 증강 생성) — 벡터 데이터베이스 및 임베딩 검색을 통해 에이전트를 외부 지식 베이스에 연결

오픈소스 임베딩 모델과 벡터 저장소를 사용하여 완전한 RAG 파이프라인을 구현하여 에이전트가 개인 문서를 기반으로 질문에 답할 수 있도록 합니다.

9장: 컨텍스트 엔지니어링 컨텍스트는 에이전트 시스템에서 가장 귀중한 자원입니다. 관련 없는 정보에 소비되는 모든 토큰은 추론에 사용할 수 없는 토큰입니다. 이 장에서는 고급 컨텍스트 관리를 가르칩니다: 윈도잉 전략, 요약 기술, 계층적 컨텍스트 구조, 그리고 아마추어 에이전트와 전문 에이전트를 구분하는 “컨텍스트 엔지니어링” 사고방식입니다.

10장: 에이전트 통신 프로토콜 에이전트 생태계가 성숙해짐에 따라 표준화된 프로토콜이 등장하고 있습니다. 이 장에서는 다음에 대한 심층 기술 분석을 제공합니다:

MCP(모델 컨텍스트 프로토콜) — Anthropic의 AI 시스템을 외부 데이터 소스 및 도구에 연결하기 위한 개방형 표준
A2A(에이전트 대 에이전트) — Google의 에이전트 상호 운용성 프로토콜
ANP(에이전트 네트워크 프로토콜) — 커뮤니티 주도의 에이전트 발견 및 통신 프로토콜

기본 MCP 서버 및 클라이언트를 구현하여 에이전트가 표준화된 방식으로 외부 도구를 호출할 수 있는 능력을 부여합니다.

11장: Agentic RL 이것은 오늘날 사용 가능한 모든 에이전트 튜토리얼 중 가장 고급 장 중 하나입니다. 강화 학습을 사용하여 에이전트 동작을 위한 언어 모델을 훈련시키는 방법을 가르칩니다:

SFT(감독 미세 조정) — 모든 사용자 정의 모델의 출발점
RLHF(인간 피드백을 통한 강화 학습) — ChatGPT의 정렬 뒤에 있는 핵심 기술
GRPO(그룹 상대 정책 최적화) — DeepSeek이 대중화한 효율적인 강화 학습 방법

데이터 준비부터 모델 평가까지 완전한 훈련 파이프라인을 오픈소스 도구를 사용하여 따라갑니다.

12장: 에이전트 성능 평가 에이전트가 얼마나 좋은지 어떻게 알 수 있나요? 이 장은 평가 지표(작업 성공률, 효율성, 안전성), 벤치마크 데이터 세트(AgentBench, SWE-bench) 및 체계적인 에이전트 테스트 프레임워크를 다룹니다. 배포 전에 회귀를 포착하는 평가 파이프라인을 구축하는 방법을 배웁니다.

4부: 종합 사례 심화

13장: 스마트 여행 도우미 MCP 도구 호출, 웹 검색, 지도 API 및 일정 계획을 결합한 실제 다중 에이전트 애플리케이션입니다. 여행 도우미는 여러 전문 에이전트(항공편 검색, 호텔 예약, 활동 추천)가 코디네이터 에이전트를 통해 협력하여 완전한 서비스를 제공하는 방법을 보여줍니다.

14장: 자동화된 심층 연구 에이전트 OpenAI의 DeepResearch는 에이전트가 웹에서 자율적으로 다단계 연구를 수행할 수 있음을 입증했습니다. 이 장에서는 검색 쿼리를 공식화하고, 결과를 탐색하고, 발견을 종합하며, 구조화된 연구 보고서를 생성하는 에이전트를 구축하는 과정을 안내합니다. 이 모든 것은 인간의 개입 없이 이루어집니다.

15장: 사이버 타운 구축하기 커리큘럼에서 가장 창의적인 프로젝트입니다. 각자 자신만의 개성, 목표 및 일상 루틴을 가진 AI 에이전트가 거주하는 시뮬레이션된 마을을 구축합니다. Stanford의 Generative Agents와 같은 프로젝트에서 영감을 받은 이 사례 연구는 다중 에이전트 사회 역학, 출현 행동 및 환경 시뮬레이션을 가르칩니다.

5부: 졸업 설계 및 미래 전망

16장: 졸업 설계 최종 장은 이전 15장에서 배운 모든 것을 적용하여 처음부터 끝까지 완전한 지능형 에이전트 애플리케이션을 설계하고 구축하도록 도전합니다. 프로젝트 계획 지침, 아키텍처 결정 프레임워크 및 배포 고려 사항이 포함됩니다.

커뮤니티 기여 및 추가 콘텐츠

핵심 16장 외에도 Hello-Agents는 Extra-Chapter 및 Co-creation-projects 디렉토리를 통해 활발한 커뮤니티 기여 시스템을 유지합니다. 주목할 만한 커뮤니티 콘텐츠는 다음과 같습니다:

에이전트 면접 질문 요약 — 에이전트 관련 직책을 위해 엄선된 기술 면접 질문 및 상세 답변
Dify 에이전트 생성 초보자 튜토리얼 — 초보자를 위한 단계별 에이전트 구축 가이드
Agent Skills 대 MCP 비교 분석 — 에이전트 도구 통합의 두 가지 주요 접근 방식을 심층 비교
GUI 에이전트 소개 및 실습 — 그래픽 사용자 인터페이스와 상호 작용하는 에이전트 탐색
Agent Self-Evolution(에이전트 자기 진화) — 폐쇄 루프 학습을 통해 자신의 능력을 향상시킬 수 있는 에이전트 구축

71명의 기여자와 지속적인 Pull Request 활동으로 인해 이 프로젝트는 빠르게 진화하는 에이전트 환경에 맞춰 콘텐츠를 최신 상태로 유지하는 활기찬 커뮤니티의 혜택을 받습니다.

설치 및 학습 환경 설정

Hello-Agents는 여러 형식을 통해 접근성을 보장합니다:

온라인 읽기

공식 문서 사이트 https://datawhalechina.github.io/hello-agents/를 방문하여 완전한 웹 기반 튜토리얼을 확인하세요. 중국 사용자는 최적화된 미러를 사용할 수 있습니다.

로컬 설정

저장소를 클론하고 로컬에서 문서를 제공합니다:

git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents
# Extra-Chapter/07의 환경 설정 가이드에 따라 작업하세요

PDF 다운로드

완전한 PDF 버전은 GitHub Releases 또는 Datawhale 웹사이트를 통해 무료로 다운로드할 수 있습니다. PDF에는 상업적 재판매를 방지하기 위한 Datawhale 워터마크가 포함되어 있지만, 개인 학습에는 전혀 영향을 미치지 않습니다.

코드 환경

/code 디렉토리에는 모든 장에 대한 실행 가능한 구현이 포함되어 있습니다. 주요 언어는 Python(72.5%)이며, 대화형 탐색을 위한 Jupyter Notebook이 함께 제공됩니다. 권장 환경:

Python 3.9+
OpenAI API 키 또는 GitHub Models 액세스
선택 사항: 로컬 모델 실행을 위한 Ollama
선택 사항: RAG 장을 위한 벡터 데이터베이스(Chroma 또는 Weaviate)

코드 예시: 처음부터 ReAct 에이전트 구축하기

튜토리얼의 실습적 특성을 설명하기 위해, 다음은 4장에서 구축하는 ReAct 에이전트의 단순화된 버전입니다:

import openai
import json

# 사용 가능한 도구 정의
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_web",
            "description": "웹에서 정보 검색",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"}
                },
                "required": ["query"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "수학 계산 수행",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {"type": "string"}
                },
                "required": ["expression"]
            }
        }
    }
]

# 간단한 도구 구현
def search_web(query):
    return f"검색 결과: {query}"

def calculate(expression):
    return str(eval(expression))

# ReAct 루프
messages = [
    {"role": "system", "content": "당신은 유용한 어시스턴트입니다. 필요할 때 도구를 사용하세요."},
    {"role": "user", "content": "도쿄의 인구를 1000으로 나눈 값은?"}
]

for step in range(5):  # 최대 5단계 추론
    response = openai.chat.completions.create(
        model="gpt-4",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    
    message = response.choices[0].message
    messages.append(message)
    
    if message.tool_calls:
        for tool_call in message.tool_calls:
            function_name = tool_call.function.name
            arguments = json.loads(tool_call.function.arguments)
            
            if function_name == "search_web":
                result = search_web(**arguments)
            elif function_name == "calculate":
                result = calculate(**arguments)
            
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": result
            })
    else:
        print("최종 답변:", message.content)
        break

이 패턴 —— 어떤 도구를 호출할지 추론하고, 실행하고, 결과를 관찰하고, 다시 추론하는 것 —— 은 OpenAI의 Operator와 Anthropic의 Claude Computer Use와 같은 전문 에이전트를 구동하는 근본적인 루프입니다.

실제 사용 사례 및 직업적 영향

예비 AI 엔지니어를 위한 활용

Hello-Agents는 “AI 에이전트 엔지니어” 또는 “대형 언어 모델 애플리케이션 개발자” 직무 공고에서 점점 더 요구하는 구조화된 기초를 제공합니다. 면접 질문 보충 자료는 주요 AI 기업의 실제 채용 프로세스에서 직접 추출한 것입니다.

제품 팀을 위한 활용

제품 관리자와 디자이너는 로우코드 장(Coze, Dify, n8n)을 사용하여 엔지니어링 리소스를 기다리지 않고도 에이전트 기반 기능을 빠르게 프로토타이핑할 수 있습니다. 프레임워크 장은 개발 팀과 효과적으로 협업하는 데 필요한 기술적 소양을 제공합니다.

연구자 및 학자를 위한 활용

Agentic RL 장(SFT에서 GRPO까지)과 평가 장은 연구 프로젝트의 출발점으로 사용할 수 있을 만큼 충분한 깊이를 제공합니다. DeepResearch 복제는 자율 정보 검색을 연구하는 학술 그룹에게 특히 가치가 있습니다.

인디 개발자 및 창업자를 위한 활용

졸업 설계 구조와 커뮤니티 기여 프로젝트 갤러리는 에이전트 기반 제품을 출시하기 위한 영감과 참조 구현을 제공합니다. 사이버 타운 시뮬레이션 장은 에이전트가 단순한 채팅 인터페이스를 넘어 매력적인 사용자 경험을 창출할 수 있음을 보여줍니다.

대안과의 비교

기능	Hello-Agents	프레임워크 공식 문서	유료 부트캠프	동영상 튜토리얼
구조화된 커리큘럼	16장 진행형	단편적, 선행 지식 가정	다양함	무작위
이론적 깊이	Transformer부터 RL까지	프레임워크 자체만	보통 얕음	보통 얕음
실습 코딩	모든 장	예제만	비용으로 제한	드물게 완전함
로우코드+코드 기반	둘 다 다룸	코드만	보통 하나만	혼합된 품질
고급 주제(RL, 프로토콜)	완전한 장	거의 다루지 않음	프리미엄 티어만	거의 없음
실전 프로젝트	3개의 종합 사례	보통 없음	1-2개 프로젝트	드물게 제품급
커뮤니티 및 업데이트	71명 기여자, 활발	업체 통제	없음	불안정
가격	무료(Apache 2.0)	무료	500-5000달러	무료
면접 준비	전용 Q&A	없음	때때로	드물게

Hello-Agents는 대학 과정의 깊이, 부트캠프의 실용성, 오픈소스 프로젝트의 커뮤니티, 무료 문서의 가격이라는 독특한 위치를 차지합니다.

Datawhale 커뮤니티 이점

Hello-Agents는 고립된 프로젝트가 아닙니다. 이는 중국의 오픈소스 AI 교육 분야에서 깊은 뿌리를 가진 Datawhale에서 제작되었습니다. Datawhale은 여러 개의 스타 저장소를 제작하고 활발한 학습 그룹, 해커톤 및 멘토링 프로그램을 운영하고 있습니다.

이러한 커뮤니티 지원은 다음을 의미합니다:

지속적인 유지보수 — 에이전트 환경이 진화함에 따라 프로젝트가 정기적으로 업데이트됨
품질 관리 — 콘텐츠가 병합되기 전에 실무자들에 의해 동료 검토를 거침
네트워크 효과 — 학습자는 수천 명의 커뮤니티에 참여하며, 단순히 문서를 고립되어 읽지 않음
커리어 연결 — Datawhale의 산업 파트너십은 학습에서 취업으로의 경로를 창출함

한계 및 고려사항

Hello-Agents가 뛰어나지만, 학습자는 몇 가지 제약을 인식해야 합니다:

중국어 중심 — 주요 콘텐츠는 중국어이지만, 영어 README가 존재하며 커뮤니티 번역이 진행 중입니다
빠른 생태계 변화 — 일부 플랫폼별 지침(Coze, Dify)은 제품이 발전함에 따라 오래될 수 있습니다. 핵심 원리는 여전히 유효합니다
하드웨어 요구사항 — Agentic RL 장은 훈련을 위해 GPU 액세스의 이점을 받습니다. CPU 실행은 가능하지만 느립니다
API 비용 — 실습에는 OpenAI API 또는 동등한 액세스가 필요합니다. 집중적인 실험 중 비용이 누적될 수 있습니다

결론 및 시작하기

Hello-Agents는 오늘날 AI 에이전트 개발을 학습하기 위한 가장 포괄적이고 접근 가능하며 커뮤니티가 지원하는 리소스입니다. 45,600개 이상의 GitHub Stars, Transformer 기초부터 GRPO 강화 학습까지 다루는 16장 커리큘럼, 그리고 콘텐츠를 지속적으로 확장하는 71명의 기여자 커뮤니티를 갖춘 이 프로젝트는 완전히 무료라는 점을 고려할 때 비할 데 없는 교육적 투자를 대표합니다.

ChatGPT 프롬프팅을 넘어 자율적으로 계획하고 추론하고 행동하는 시스템을 구축하기 시작하려는 개발자라면, Hello-Agents는 로드맵을 제공합니다. 에이전트가 무엇을 할 수 있고 없는지 이해해야 하는 제품 책임자라면, 사례 연구 장은 현실적인 인식을 제공합니다. 에이전트 분야에 진입하는 연구자라면, 프로토콜 및 RL에 대한 고급 장은 연구를 가속화할 수 있는 충분한 깊이를 제공합니다.

다음 단계:

저장소 github.com/datawhalechina/hello-agents 방문
온라인 문서 datawhalechina.github.io/hello-agents 읽기
오프라인 학습을 위한 PDF 버전 다운로드
/code 디렉토리를 클론하고 4장의 ReAct 구현 실행
커뮤니티 토론에 참여하고 Extra-Chapter 기여 내용 탐색

에이전트 혁명은 다가오는 것이 아니라 — 이미 여기에 있습니다. Hello-Agents는 당신이 단순한 관찰자가 아니라 구축자가 되도록 보장합니다.

Hello-Agents: Datawhale 오픈소스 AI 에이전트 튜토리얼로 제품급 에이전트를 처음부터 구축하는 방법#

Hello-Agents란 무엇인가?#

핵심 커리큘럼: 16장 학습 경로#

1부: 에이전트 및 언어 모델 기초#

2부: 대형 언어 모델 에이전트 구축하기#

3부: 고급 지식 확장#

4부: 종합 사례 심화#

5부: 졸업 설계 및 미래 전망#

커뮤니티 기여 및 추가 콘텐츠#

설치 및 학습 환경 설정#

온라인 읽기#

로컬 설정#

PDF 다운로드#

코드 환경#

코드 예시: 처음부터 ReAct 에이전트 구축하기#

실제 사용 사례 및 직업적 영향#

예비 AI 엔지니어를 위한 활용#

제품 팀을 위한 활용#

연구자 및 학자를 위한 활용#

인디 개발자 및 창업자를 위한 활용#

대안과의 비교#

Datawhale 커뮤니티 이점#

한계 및 고려사항#

결론 및 시작하기#

관련 기사#