텍스트를 숫자로 바꾸는 임베딩에서 협력하는 멀티에이전트까지 — 지능형 AI 에이전트를 만드는 모든 조각을 직관으로 풀어낸다.
질문에 답하는 앵무새를 찾는다면, 우리는 그것을 지능 있는 존재라 부를까. LLM은 정교한 앵무새다 — 거의 모든 질문에 답하지만, 행동할 수는 없다.
이 책은 그 앵무새를 에이전트로 바꾸는 여정이다. 자연어를 딥러닝 모델이 다룰 수 있는 수치 표현으로 바꾸는 법에서 시작해, 어텐션 메커니즘이 일으킨 트랜스포머 혁명을 지나, 대규모로 학습된 LLM에 이른다.
그 다음 LLM에 도구라는 손과 지각이라는 감각을 더해 에이전트로 만들고, RAG와 지식 그래프로 외부 기억을 빌려주며, 강화학습으로 환경에서 행동하며 배우게 한다. 마지막으로 여러 에이전트가 협력하는 시스템과 실제 배포까지 다룬다.
모든 장은 직관 우선이다. 수식은 의미를 설명하기 위해서만 등장하고, 핵심 개념마다 단계별 모션 스테이지로 작동 원리를 눈으로 따라갈 수 있다.
원-핫 인코딩에서 word2vec까지. 의미를 좌표로 옮기고, RNN·LSTM·GRU로 순서를 기억하는 신경망을 만든다.
Chapter 02"필요한 것은 어텐션이 전부다." 자기 어텐션과 Q·K·V, 트랜스포머 블록, 자기회귀 토큰 생성을 해부한다.
Chapter 03스케일링 법칙과 창발 능력, 전문가 혼합과 LoRA, 그리고 인간 가치와 모델을 맞추는 RLHF 3단계.
LLM을 에이전트로. 자율성·반응성·능동성·사회성, 작업 분해와 계획, 그리고 ReAct 추론–행동–관찰 루프.
Chapter 05모델에게 바깥의 기억을 빌려준다. 인덱싱·검색·생성 3단계, 청킹 전략, 임베딩과 벡터 데이터베이스.
Chapter 06재순위 지정·HyDE·하이브리드 검색·쿼리 변환. 모듈식 RAG는 "검색·읽기·다시쓰기"를 실현한다.
Chapter 07텍스트를 엔티티와 관계로 압축한다. 삼중항과 온톨로지, LLM으로 KG 생성, GraphRAG 부분 그래프 검색.
Chapter 08시행착오로 배우는 에이전트. 탐험 대 활용, MDP와 벨만 방정식, DQN·PPO, AlphaZero와 MCTS 4단계.