채널톡 아이콘

실전 랭그래프: LLM을 활용한 고급 AI 에이전트 개발-(2026)

이 강좌에서 기대할 수 있는 것 LangGraph를 사용하여 고급 AI 에이전트를 설계하고 배포하는 방법을 익히기 위한 궁극적인 가이드인 'LangGraph in Action'에 오신 것을 환영합니다. 이 강좌에서는 모듈식이며 확장 가능하고 프로덕션 환경에 바로 적용할 수 있는 에이전트를 구축하는 기초를 실습 위주의 방식으로 탐구합니다. LangGraph의 상태 기반 설계의 기초를 이해하는 것부터 풀스택 애플리케이션을 제작하는 것까지, AI 에이전트를 실제로 구현하는 데 필요한 기술을 습득하게 됩니다. 강좌 주요 내용 상태 기반 설계: 노드(nodes)와 에지(edges)라는 LangGraph의 핵심 철학을 깊이 있게 다루어 구조화되고 유지보수가 용이한 에이전트를 생성합니다. 메모리 관리: 체크포인터(checkpointers)를 활용한 단기 메모리와 Store 객체를 활용한 장기 메모리를 탐구하여, 적응하고 학습하는 에이전트를 구현합니다. 고급 워크플로우: Human-in-the-loop 시스템을 구축하고, 병렬 실행을 구현하며, 멀티 에이전트 패턴을 마스터합니다. 프로덕션용 개발: 비동기 작업, 서브그래프(subgraphs)를 배우고 FastAPI와 Docker를 사용하여 풀스택 애플리케이션을 제작합니다. 강좌를 마칠 때쯤이면 강력한 이론적 이해뿐만 아니라 오픈소스 도구만을 사용하여 어디서나 AI 에이전트를 배포할 수 있는 실무 기술을 갖추게 될 것입니다. 최신 기술을 앞서가려는 개발자이든, AI 툴킷을 확장하려는 숙련된 엔지니어이든, 이 강좌는 빠르게 성장하는 AI 에이전트 분야에 필요한 역량을 제공합니다. 실제 애플리케이션에서 AI 에이전트 도입이 증가함에 따라, 이 강좌는 실질적인 과제를 해결하는 고급 시스템을 설계, 구축 및 배포할 수 있도록 준비시켜 줍니다. 함께 AI의 미래를 만들고 구축해 봅시다!

14명 이 수강하고 있어요.

난이도 초급

수강기한 무제한

multi-agent
multi-agent
fullstack
fullstack
rag시스템구축
rag시스템구축
AI Coding
AI Coding
multi-agent
multi-agent
fullstack
fullstack
rag시스템구축
rag시스템구축
AI Coding
AI Coding

수강 후 이런걸 얻을 수 있어요

  • LangGraph를 사용하여 모듈형 프로덕션급 AI 에이전트 구축하기

  • AI 에이전트의 단기 및 장기 메모리 관리

  • 휴먼 인 더 루프(human-in-the-loop) 워크플로우 및 복잡한 다중 에이전트 시스템 개발

  • FastAPI와 Docker를 사용하여 풀스택 애플리케이션에 AI 에이전트 배포하기

  • Pytest로 AI 에이전트 함수 테스트 및 유지 관리하기

실전 LangGraph: 메모리, 멀티 에이전트 워크플로우 및 풀스택 배포를 통한 AI 에이전트 마스터하기

이 강의는 LangGraph를 사용하여 실제 프로덕션 환경에 바로 적용 가능한 AI 에이전트를 설계, 구조화 및 배포하는 방법을 가르쳐 드립니다. 상태 기반 워크플로우 구축, 단기 및 장기 메모리 통합, 멀티 에이전트 시스템 구현, 그리고 FastAPI와 Docker를 이용한 애플리케이션 배포 방법을 배우게 됩니다.
이러한 기술은 오늘날 소프트웨어 엔지니어링, 자동화, AI 개발, 지능형 비서 제작 및 AI 기반 제품 구축에 있어 필수적입니다.

추천 대상

이 강의의 대상 (1)

이 강의는 노코드 도구나 지나치게 단순화된 에이전트 튜토리얼에 한계를 느끼는 개발자들을 위한 것입니다. 많은 이들이 견고하고 테스트 가능하며 모듈화된 워크플로우를 구축하고 싶어 하지만, 중단, 메모리 또는 다단계 의사결정을 지원하는 에이전트를 어떻게 구조화해야 할지 모르고 있습니다.
이 강의는 LangGraph를 사용하여 신뢰할 수 있는 프로덕션 지향 시스템을 구축하는 방법을 보여줌으로써 바로 이러한 과제들을 해결합니다.

이 강의의 수강 대상 (2)

이 과정은 상태 관리, 리듀서, 사이클, 조건부 엣지, 서브그래프, 고급 도구 호출, 장기 메모리 및 API 통합 등 현대적인 에이전트가 실제로 어떻게 작동하는지 이해하고자 하는 기초적인 LangChain 경험이 있는 Python 개발자를 위해 특별히 설계되었습니다.
단순한 튜토리얼 수준을 넘어 실제 애플리케이션에서 사용되는 에이전트를 구축하고 싶다면, 이 강의가 바로 당신을 위한 것입니다.

이 강의의 수강 대상 (3)

이 강의는 Human-in-the-loop 워크플로우, 계층형 멀티 에이전트 시스템 또는 복잡한 RAG 파이프라인을 구현하려는 엔지니어에게도 이상적입니다.
자율 에이전트를 구조화하는 방법, 노드를 병렬로 실행하는 방법, 비동기 및 스트리밍 실행을 처리하는 방법, 그리고 Docker로 배포 가능한 풀스택 애플리케이션에 에이전트를 통합하는 방법을 배우게 됩니다.

이 강의를 수강한 후

이 과정을 마치고 나면 여러분은 다음을 할 수 있게 됩니다:

  • LangGraph의 핵심 로직(State, Nodes, Edges, Cycles, Reducers)을 이해합니다.

  • 단기 기억(checkpointers) 및 장기 기억(Store)을 갖춘 에이전트를 구현합니다.

  • 도구 호출, 고급 RAG, 분류, 중단, 재개 및 포크를 포함한 복잡한 워크플로우를 구축합니다.

  • 관리자 에이전트, 하위 에이전트 및 계층적 워크플로우와 같은 멀티 에이전트 시스템을 개발합니다.

  • FastAPI와 Docker를 사용하여 프로덕션 배포를 위한 완전한 에이전트 애플리케이션을 구축하세요.

  • 더 나은 신뢰성과 유지보수성을 위해 Pytest로 노드와 워크플로 로직을 단위 테스트하세요.

이러한 기술을 적용하여 다음과 같은 것들을 만들 수 있습니다:

  • 기업용 어시스턴트,

  • 자동화 파이프라인,

  • 문서 처리 또는 고객 지원을 위한 전문 에이전트,

  • 다단계 자율 에이전트,

  • 그리고 모듈형 아키텍처를 기반으로 구축된 완전한 AI 기반 제품까지 만들 수 있습니다.

자주 묻는 질문

수강 등록 전 예비 수강생들이 가질 법한 질문과 답변을 최소 3개 이상 작성해 보세요. 일반적인 답변 대신, 답변에 여러분만의 개성과 전문성을 담아내야 합니다.

Q. 왜 LangGraph를 배워야 하나요?

현대적인 에이전트에는 구조화된 접근 방식이 필수적이기 때문입니다. LangGraph를 사용하면 명확하고, 테스트 가능하며, 확장이 용이한 프로덕션급 워크플로우를 구축할 수 있습니다. 기존의 단순 프롬프트 기반이나 스크립트 방식과 달리, LangGraph는 실제 애플리케이션에 최적화된 전문적인 아키텍처를 제공합니다.

Q. LangGraph를 배우고 나면 무엇을 할 수 있나요?

여러분은 자신만의 지능형 에이전트를 구축할 수 있게 됩니다. RAG 에이전트, 기업용 어시스턴트, 내부 자동화 시스템, 휴먼 인 더 루프(human-in-the-loop) 워크플로우, 멀티 에이전트 오케스트레이션, 또는 API와 Docker 배포를 포함한 전체 AI 애플리케이션 등이 그 예입니다.
이러한 기술은 수요가 매우 높으며 실제 프로젝트에 즉시 적용 가능합니다.

Q. 강의 내용이 얼마나 심도 있게 다뤄지나요?

이 강의는 중급에서 고급 수준을 다룹니다. LangGraph의 핵심 기초부터 장기 기억(long-term memory), 서브그래프(subgraphs), 비동기 스트리밍(async streaming), 계층적 에이전트(hierarchical agents), FastAPI 통합, 그리고 단위 테스트(unit testing)와 같은 고급 기능까지 모두 포함하고 있습니다.

Q. 강의를 수강하기 전에 준비해야 할 것이 있나요?

Python(함수, 클래스, 객체 지향 프로그래밍)에 익숙해야 하며, LangChain에 대한 기본적인 이해와 터미널 사용에 대한 자신감이 필요합니다. 기본적인 Docker 지식은 도움이 되지만, 필요한 모든 내용은 강의에서 설명해 드립니다.

Q. 강의가 업데이트되나요?

네. LangGraph는 빠르게 발전하고 있으며, (0.5.x 변경 사항과 같은) 주요 업데이트는 코스에 추가될 예정입니다.

등록 전 확인 사항

실습 환경

호환 가능한 운영 체제:
Windows, macOS, Linux (Ubuntu 권장)

필수 도구:

  • Python 3.10 이상

  • Docker Desktop

  • Git

  • VS Code 또는 Cursor

  • FastAPI (강의 중 설치 예정)

권장 PC 사양:

  • 쿼드코어 CPU

  • 8–16 GB RAM

  • 5–10 GB의 여유 저장 공간

  • GPU는 필요하지 않음

학습 자료

제공되는 항목:

  • 모든 섹션에 대한 완성되고 정리된 소스 코드

  • 참고 기사 1개

  • 템플릿과 필수 파일이 포함된 다운로드 가능한 리소스

  • 고품질 비디오 콘텐츠

  • 전체 풀스택 에이전트 애플리케이션(FastAPI + Docker)의 전체 시연

모든 자료는 가볍고 구조가 깔끔하며, 여러분의 프로젝트에 즉시 재사용할 수 있도록 준비되어 있습니다.

사전 요구 사항 및 공지 사항

  • 중급 수준의 Python 지식과 기본적인 LangChain 지식이 필요합니다.

  • 모든 영상은 고화질이며 실습 위주로 구성되어 있습니다.

  • 수강생은 플랫폼을 통해 질문할 수 있습니다.

  • LangGraph의 발전에 따라 주요 업데이트가 추가될 예정입니다.

  • 모든 강의 자료는 저작권의 보호를 받으며 개인적인 용도로만 사용할 수 있습니다.


💡이 강의를 수강 완료하시면

이 코스는 이력서와 포트폴리오에 활용하기 적합한 형식의 수료증을 제공합니다.

강의를 수료하면 학습 성과를 공식적으로 증명할 수 있는 수료증을 받을 수 있습니다.

💡오디오 및 자막 언어 설정을 통해 스마트하게 학습하세요

학습 스타일에 따라 오디오와 자막을 모두 변경할 수 있습니다. 선호하는 언어를 선택하세요.

이런 분들께
추천드려요

학습 대상은
누구일까요?

  • LangChain 경험이 있으며 정교한 AI 에이전트 구축으로 나아가고자 하는 파이썬 개발자 및 소프트웨어 엔지니어

  • 실무 적용을 위한 모듈형 및 적응형 AI 에이전트를 설계, 개발 및 배포하고자 하는 전문가

선수 지식,
필요할까요?

  • 기초적인 파이썬 프로그래밍 기술

  • LangChain 또는 유사한 LLM 기반 워크플로우 프레임워크 활용 경험

안녕하세요
Markus Adam입니다.

안녕하세요, 마르쿠스입니다. 저는 인공지능과 파이썬을 전문으로 하는 소프트웨어 개발자입니다. 현재 금융 업계에서 근무하고 있으며, LangChain을 활용한 LLM 애플리케이션 개발 및 이를 성공적으로 프로덕션 환경에 배포한 풍부한 경험을 보유하고 있습니다.

저는 가르치는 것에 열정을 가지고 있으며, 명확하고 실습 위주의 학습 경험을 제공하는 데 집중하여 학생들에게 복잡한 주제를 쉽고 실용적으로 전달하기 위해 노력하고 있습니다.

여러분과 지식을 공유하고 여러분의 기술 성장을 도울 수 있게 되어 기쁩니다.

강의에 오신 것을 환영하며, 여러분의 배움의 여정에 함께하기를 고대합니다!

더보기

커리큘럼

전체

45개 ∙ (3시간 24분)

해당 강의에서 제공:

수업자료
강의 게시일: 
마지막 업데이트일: 

수강평

아직 충분한 평가를 받지 못한 강의입니다.
모두에게 도움이 되는 수강평의 주인공이 되어주세요!

비슷한 강의

같은 분야의 다른 강의를 만나보세요!

비공개 강의로
수강이 제한됩니다.