Token Lab검색

AI 에이전트 이해하기: 제어 루프에서 추론 인프라까지

배포 후 지연 장애를 따라 조사 범위, 증거, 도구 권한, 실패 처리와 결과 인계를 순서대로 설명하고 추론 및 자원 비용까지 계산합니다.

출처 및 버전 정보
에이전트 시스템의 연결된 실행 단계
개념 그림 — 에이전트 시스템의 연결된 실행 단계
이 글의 목차

1. 14:02 알림: 결과물 정의

이 사례는 자체 합성 사고이며 실제 고객·측정 데이터가 아닙니다. 14:00에 tenant A의 checkout r17을 인스턴스 10%에 배포하고, 14:02에 5분 p95가 120 ms에서 420 ms로 증가합니다. 전체 요청량은 대체로 일정합니다. 담당자는 배포가 원인인지, rollback할지 묻습니다. 이상 확인, 원인 추정, 부작용 있는 작업 승인은 별개입니다. Agent는 자동 복구가 아니라 증거 보고서를 약속합니다.

AI 에이전트는 목표와 제약 아래 관측으로 행동을 선택하고 결과를 다음 판단에 사용하는 시스템입니다. 모델은 결정을 제안하며 harness는 에이전트 내부의 컨텍스트 구성, 도구 어댑터, 제약, 검증, 수정을 담당합니다. 환경은 관측하거나 변경하는 파일, 서비스, 업무 상태입니다. 같은 프로세스에서도 책임은 구분됩니다. 정형 보고서는 자율 반복보다 결정적 워크플로가 적합합니다.

선수 지식은 구체적입니다. HTTP timeout은 서버가 실행하지 않았다는 증거가 아니며 JSON schema는 구조를 검사할 뿐 업무 권한을 보장하지 않습니다. 프로세스 메모리, 영속 기록, 외부 상태의 차이와 평균·분위수·자원 예산을 이해해야 합니다. 모델은 우선 확률적 판단 요소로 다루되 캐시 부분에서는 attention key/value의 의미가 필요합니다.

합성 사고의 증거 연결

조사 질문필요 증거가능한 결론
실제로 느려졌는가동일 기준 분위수·구간·요청량이상 확인 후 귀속
r17과 관련 있는가revision별 지표·배포 기록배포 연관 가설
pool이 기전인가현재 설정·연결 대기후보 지지, 대안 유지
자동 rollback 가능한가세션 권한·변경 승인읽기 Agent는 제안·인계
자체 참고 아키텍처: 모델 제안은 권한·예산 게이트를 통과한 뒤 실행됩니다. 증거는 제어기로 돌아가며 거부·timeout은 성공과 구분해 기록합니다.
자체 참고 아키텍처: 모델 제안은 권한·예산 게이트를 통과한 뒤 실행됩니다. 증거는 제어기로 돌아가며 거부·timeout은 성공과 구분해 기록합니다. 원본 크기 보기

2. 첫 판단: 질문을 조사로 바꾸기

제어기는 incident-017에 tenant A, checkout, 13:55–14:02, 읽기 전용 범위를 고정합니다. 전체 p95는 문제 인스턴스를 알려주지 않으므로 revision별 지연과 배포 이력을 독립 조회하도록 제안합니다. 출력은 제안이지 아직 증거가 아닙니다. 먼저 실행 허용 여부를 확인해야 합니다.

진입점은 인증된 사용자로부터 tenant, service, 시간 범위를 정하고 task_id를 발급합니다. 제어기는 이벤트에서 완료 단계를 복원하고 정책, 도구 정의, 질문, 현재 상태와 증거를 조합합니다. 모델은 get_metrics나 get_changes를 제안하거나 증거가 충분하면 답합니다. 스스로 권한을 늘리거나 문서 지시를 시스템 정책으로 승격할 수 없습니다.

독립 실행 게이트가 도구 허용 목록, 인자 타입, 자원 범위, 호출 예산, 기한과 승인을 검사합니다. 실행 결과에는 상태, call ID, 데이터 시각, 출처와 잘림 여부를 기록하고 다음 판단에 전달합니다. timeout은 증거를 못 얻었다는 뜻이지 지표가 정상이라는 뜻이 아닙니다. 예산 소진이나 진행 불가능 시 미완료 상태를 명시합니다.

이미 정해진 단계는 워크플로, 새 관측에 의존하는 분기는 모델에 맡깁니다. 인증·승인·보관은 결정적으로 유지합니다. 상태, 계약, 종료, 복구 의미를 먼저 정하지 않으면 프레임워크가 모호함을 가릴 뿐입니다.

오케스트레이션 선택

방식적용 조건비용·경계
고정 workflow단계가 알려짐예측 가능; 명시적 fallback 필요
단일 Agent증거가 다음 단계를 결정호출·도구·종료 제한
병렬 Agent증거 수집 분리 가능공유 상태 조정; 중복은 독립성이 아님

3. 실행 전: 권한 확인

read_metrics(, , group_에 대해 게이트가 인증 신원, 시간, 필드, 크기를 확인합니다. tenant B 조회나 restart_service는 설명이 타당해 보여도 거부됩니다. 세션에는 A 읽기 권한만 있습니다. 거부를 기록하고 합법적 대안을 선택하게 하되 모델이 권한을 확장하지는 못합니다.

설명은 모델에 호출 형식을 알려주며 실행 정책은 사용자의 권한을 판정합니다. MCP는 발견·호출을 표준화하지만 tenant 격리, 최소 권한, 외부 통신 제한, 승인 결합을 자동 제공하지 않습니다. 도구가 많으면 능력 목록에서 관련 schema만 불러오되 모두 같은 실행 게이트를 통과해야 합니다.

read_metrics, read_changes, restart_service를 분리합니다. 읽기 도구도 민감 로그를 유출할 수 있어 대상, 필드, 시간, 응답 크기와 목적지를 제한합니다. 쓰기 승인은 대상·행동·인자 digest·만료·operation_id에 결합하고 인자가 바뀌면 무효화합니다.

Prompt injection은 신뢰할 수 없는 데이터를 지시로 위장합니다. 악성 runbook이 자격 증명 전송을 요구할 때 프롬프트 경고만으로 막을 수 없습니다. 실행기가 허용되지 않은 능력을 거부하고 sandbox가 파일·네트워크를 제한하며 비밀은 컨텍스트 밖에 둡니다. 탐지기는 신호를 제공하고 독립 코드가 강제·감사를 수행합니다. 운영 쓰기에는 사람에게 인계하는 절차와 복구 의미도 필요합니다.

4. 첫 증거: 문서와 사실 구분

합성 E1은 같은 구간에서 r17 p95 420 ms, r16 125 ms를 보여줍니다. E2는 connection pool 설정 변경입니다. 오래된 runbook의 상한은 50이나 현재 설정 E3는 10입니다. 문서는 조사 방향, 실제 설정은 사실, revision 비교는 연관성을 제공합니다. 근본 원인을 단정하려면 부족하므로 다음 조회는 연결 획득 대기 시간입니다.

현재 작업 이벤트, 세션 간 사용자·조직 메모리, 인용 가능한 문서를 구분합니다. 접근·보존·갱신 정책이 다릅니다. 문서의 기본 timeout 30초는 오래된 정보일 수 있으며 현재 설정이 직접 증거입니다. 사용자가 보통 재시작을 허용한다는 기억은 이번 승인에 해당하지 않습니다.

RAG 적재 시 버전, 출처, 시각, ACL을 보존하고 검색 전에 호출자의 권한으로 범위를 제한합니다. 재정렬한 조각에도 증거 ID를 붙여 검증 가능한 주장과 연결합니다. 관련 문서가 검색되었다고 증거가 충분한 것은 아닙니다. runbook은 가능한 원인을, 현재 지표는 이번 사건에 해당하는지를 보여줍니다. 연결이 불명확하면 가설로 표시합니다.

메모리에는 제공자, 관측 시각, 대상, 대체한 과거 정보를 남깁니다. 구조화 사실은 부분 갱신이 쉽고 서술형 기록은 맥락을 보존하지만 중복을 만듭니다. 전부 벡터화해도 정체성·유효기간 문제는 해결되지 않습니다. 삭제는 파생 인덱스와 캐시까지 전파되어야 합니다.

5. 조사 계속: 중요한 정보 보존

세 번째 라운드에는 원시 기록이 많아집니다. 상태 요약에는 E1의 구간·그룹, E2 변경, E3 값, 대기 증거 미확보라는 공백을 남깁니다. 관측과 가설을 분리하고 원본 ID를 유지합니다. 요약은 다음 조회를 결정하는 입력이지 새 증거가 아닙니다. 이제 이 미확보 조회에 장애가 생기는 상황을 살펴봅니다.

각 호출은 시스템의 제한된 모습만 봅니다. 안정 prefix에는 역할·정책·핵심 schema를, 변화하는 suffix에는 요청·관측·기각한 가설·남은 예산을 넣습니다. 전체 로그를 넣으면 계산량과 잡음이 늘어납니다. 일반 코드로 서비스와 시간대를 필터링하여 집계, 대표 표본, 원본 기록 참조를 제공합니다.

압축은 목표, 제약, 증거 ID, 시간 범위, 실패 행동과 승인 범위를 보존해야 합니다. 요약은 손실 있는 뷰이지 원본 진실이 아닙니다. 원본 이벤트를 보관하고 중요한 행동 전에는 최신 상태를 확인합니다. runbook의 권고는 사용자 승인과 다릅니다.

안정 prefix는 캐시에 유리하지만 변경된 정책·도구 계약은 적중률보다 우선합니다. 재사용은 정확한 token·위치·모델 및 adapter·서버 격리 조건에 달려 있으며 의미 유사성으로 결정되지 않습니다. 이력 앞부분을 수정하면 이후 캐시도 무효화될 수 있습니다. 컨텍스트와 인프라는 함께 설계해야 합니다.

6. Timeout: 증거 없이 단정하지 않기

op-w1이 timeout되어도 누락은 0이나 정상을 뜻하지 않습니다. 읽기는 남은 예산·기한 내에서 재시도하고 논리 작업·attempt를 구분합니다. 합성 후속 E4는 r17만의 대기 증가를 보여 pool 가설을 강화합니다. 재시도도 실패하면 배포 연관성은 있으나 구체 기전은 미확인이라고 보고합니다. 로컬 코드는 incomplete 분기를 보여주며 실제 모니터링 조회는 구현하지 않습니다.

task_id, 논리 operation_id, attempt_id를 따로 저장합니다. 반복 제안, 메시지 중복, 실행 retry는 서로 다른 사건입니다. 저장된 결과는 복구 시 재사용합니다. 원격 실행 후 로컬 성공 저장 전에 장애가 나면 미실행으로 가정하지 말고 대상 시스템에 조회합니다.

참고 설계는 이벤트로 제어기를 복구하고 대상이 지원하는 idempotency key로 업무 중복을 막습니다. 모호한 결과는 unknown으로 남겨 조정 또는 검토를 기다립니다. 로컬 DB transaction은 외부 API까지 원자적으로 만들지 못합니다. 늦은 응답, 취소, lease 만료와 timeout을 정의해야 합니다. 로컬 대기 중단이 원격 실행 중단을 보장하지 않습니다.

파일·프로세스·대화·KV snapshot은 다른 checkpoint입니다. 저장소를 복원해도 DB 변경은 취소되지 않으며 대화를 복원해도 같은 모델 판단은 보장되지 않습니다. 업무 답변 오류, 환경 장애, 권한 거부를 구분해야 인프라 문제를 모델 능력 부족으로 잘못 평가하지 않습니다.

7. 여섯 번의 호출: 추론 비용 계산

잠시 비용을 계산합니다. 여섯 호출이 각각 입력 4000·출력 300 token이면 짧은 최종 보고서 뒤에 반복 계산이 숨어 있습니다. E1–E4와 안정 schema는 context·cache 재사용에 유용하지만 적중률 때문에 오래된 E3를 남기면 조사가 틀립니다. 증거 정확성을 먼저 보장하고 다음 계산으로 최적화를 판단합니다.

모델 호출에는 queue, prefill, token별 decode가 포함됩니다. prefill은 입력을 처리해 상태를 만들고 decode는 상태를 확장합니다. 도구 결과를 추가하며 반복하므로 최종 답변 길이는 총 작업량의 대리 지표가 아닙니다. 도구 대기 중 GPU가 다른 요청을 처리해도 환경 메모리와 KV는 남아 있을 수 있습니다.

일반 full-attention Transformer의 KV는 층 L, 동시 시퀀스 B, 길이 T, KV head H_kv, head 차원 d_h, 요소 bytes b를 곱하고 K·V 때문에 2배 합니다. , , , H_, d_, 라면 1 GiB, 32개 시퀀스는 KV만 32 GiB입니다. 가중치·activation·단편화·runtime은 제외합니다. sliding window, 양자화, MLA, recurrent 혼합 구조에는 다른 계산이 필요합니다.

6회 호출에서 매번 입력 4000·출력 300 token이면 총 24000·1800입니다. 뒤의 5회에서 정확히 3000 token prefix를 재사용하면 최대 15000 token의 재계산을 피합니다. 논리 입력 길이는 그대로이며 요금 할인은 제공자에 달려 있습니다. 합성 예시이지 속도 배수나 전체 지연의 비례 감소를 입증하는 측정이 아닙니다.

I_r·O_r는 r번째 입력·출력 token 수이며 R은 호출 횟수입니다. I·O는 캐시 할인 전 논리 총량입니다.

8. 알림 급증: 실제 용량 병목 찾기

유사 조사를 초당 두 건 수락하고 환경이 대기를 포함해 30초 상주한다고 합시다. CPU가 기다려도 메모리는 남아 core 추가만으로 큐가 줄지 않을 수 있습니다. 활성 계산, 상주 상태, 모델 동시성, 외부 quota를 함께 계획해야 합니다. 모델 throughput은 플랫폼 전체 throughput이 아닙니다.

제어기는 가속기·모델 상태 경로와 CPU·메모리·파일·외부 quota를 쓰는 도구 경로를 연결합니다. 각 경로가 상대 결과를 기다리므로 목표는 GPU 사용률 단독 최대화가 아니라 기한 안의 정확한 완료입니다.

자체 예시: 초당 2개 작업, 환경 수명 30초, 환경당 0.5 GiB라면 안정 상태 평균 60개 환경·30 GiB가 필요합니다. 작업당 3 CPU초면 평균 6 core입니다. 그래도 8 core·16 GiB 장비는 부족합니다. host 비용을 제외해도 32개 환경, 약 1.07개 작업/초가 상한입니다. 도착률이 2이면 안정 큐를 가정할 수 없습니다.

지연 생성, 대기 중 재구성 가능한 자원 해제, warm pool, admission 제한을 비교합니다. warm pool은 시작을 빠르게 하지만 상주 비용을 높이고 KV offload는 GPU를 비우지만 전송·복원 시간을 더합니다. batching은 throughput을 높여도 상호작용 지연을 악화시킬 수 있습니다. 의존 batch에서는 critical path와 makespan도 중요하며 긴 경로 우선에는 starvation을 막는 aging·quota가 필요합니다.

λ는 초당 수락한 환경 도착률, T는 상주 초, N은 평균 상주 환경 수입니다. M(t)는 GiB, 시간 적분은 GiB·초입니다. Little 법칙은 장기 안정 상태를 가정하며 과부하 큐의 안정성을 보장하지 않습니다.

9. 보고와 종료 후 개선

보고서는 E1–E4와 pool 변경 후보, 아직 배제하지 못한 traffic·하류 차이를 명시하고 담당자가 기존 변경 절차로 rollback을 판단하도록 제안합니다. 읽기 Agent는 종료합니다. 사람이 승인·실행한 뒤 같은 지표의 p95가 130 ms로 돌아와도 연관성을 강화할 뿐 교란 없는 인과 실험은 아닙니다. 증거·사람의 작업·복구 관측을 저장하고 사고 종료와 Agent 개선을 분리합니다. 단일 Agent의 실패를 확인한 뒤 다중 Agent나 학습을 검토합니다.

작업 분해와 독립 증거 수집이 가능하고 통합 비용이 제한될 때 여러 에이전트가 유용합니다. 지표와 변경 이력을 병렬 조사한 뒤 조정자가 시각·인과 가설을 대조할 수 있습니다. 단순 작업에 역할만 늘리면 호출·중복·충돌이 증가합니다. 같은 잘못된 문서를 인용하는 두 에이전트는 독립 증거가 아닙니다.

지식, prompt·tool, 프로그램, 모델 parameter 갱신을 구분합니다. 컨텍스트 내 적응은 parameter 학습이 아니고 성공 trace 저장도 일반 능력 향상의 증명이 아닙니다. 후보 버전·예산·작업 집합·rollback을 기록하고 보류 문제의 답을 훈련에 넣지 않습니다. 같은 모델이 생성과 채점을 하면 편향된 루프가 생기므로 독립 결과 검사와 사람의 검토가 필요합니다.

결정적 baseline에서 유계 판단으로 진행한 다음 다중 Agent·후학습을 검토합니다. 장기 credit assignment, 비가역 행동 복구, 환경 간 일반화, 기억 오류 누적과 예산 내 유효 자율성은 열린 문제입니다. 자기 개선 주장은 바뀐 층, 보류 작업의 향상, 안전·자원상의 대가를 명확히 해야 합니다.

10. 실습과 검증

모델 연결 전에 결정적 harness를 구현합니다. 합성 도구 응답으로 scope, replay, 예산, 불완전 증거를 확인합니다. Python 3.11+, 표준 라이브러리만 사용하며 무작위성이 없어 seed는 필요 없습니다. 파일을 내려받아 로컬에서 실행하세요.

agent-book-harness.py
python3 agent-book-harness.py
scope=passed replay=passed budget=passed timeout=incomplete
kv_gib=1.0 environments=60 memory_gib=30.0
Python · agent-book-harness.py
"""Python 3.11+, standard library only; deterministic harness, NOT an LLM.
No network, secrets, shell, production writes or random sampling.
Run: python3 agent-book-harness.py
"""
from dataclasses import dataclass, field

@dataclass
class Harness:
    tenant: str = 'A'
    service: str = 'checkout'
    remaining: int = 4
    events: list = field(default_factory=list)
    results: dict = field(default_factory=dict)

    def call(self, operation_id, tool, tenant, service, *, timeout=False):
        # Authorization precedes result lookup: cached data is not public.
        if tenant != self.tenant or service != self.service:
            raise PermissionError('scope')
        if tool not in {'metrics', 'changes'}:
            raise PermissionError('capability')
        identity = (tool, tenant, service)
        if operation_id in self.results:
            previous_identity, result = self.results[operation_id]
            if previous_identity != identity:
                raise ValueError('operation ID reused for different arguments')
            return result
        if self.remaining == 0:
            raise RuntimeError('budget')
        self.remaining -= 1
        if timeout:
            result = {'status': 'timeout', 'evidence': None}
        else:
            result = {'status': 'ok', 'evidence':
                      {'id': 'metric-1', 'p95_ms': 420} if tool == 'metrics'
                      else {'id': 'change-1', 'revision': 'r17'}}
        self.events.append((operation_id, identity, result))
        self.results[operation_id] = (identity, result)
        return result


def scripted_investigation(h, timeout=False):
    # A model adapter would propose these actions; the gate must stay outside it.
    metrics = h.call('op-m', 'metrics', 'A', 'checkout', timeout=timeout)
    changes = h.call('op-c', 'changes', 'A', 'checkout')
    if any(x['status'] != 'ok' for x in (metrics, changes)):
        return {'status': 'incomplete', 'evidence': []}
    return {'status': 'observed', 'evidence': [metrics['evidence'], changes['evidence']],
            'conclusion': 'Revision and latency observed; causation not established.'}


def raises(error, action):
    try:
        action()
    except error:
        return
    raise AssertionError(f'expected {error.__name__}')


def main():
    h = Harness()
    answer = scripted_investigation(h)
    assert answer['status'] == 'observed' and len(h.events) == 2
    # Replay returns recorded result without consuming another budget unit.
    h.call('op-m', 'metrics', 'A', 'checkout')
    assert h.remaining == 2 and len(h.events) == 2
    raises(PermissionError, lambda: h.call('op-m', 'metrics', 'B', 'checkout'))
    raises(PermissionError, lambda: h.call('op-write', 'restart', 'A', 'checkout'))
    raises(ValueError, lambda: h.call('op-m', 'changes', 'A', 'checkout'))
    raises(RuntimeError, lambda: Harness(remaining=0).call('x', 'metrics', 'A', 'checkout'))
    assert scripted_investigation(Harness(), timeout=True)['status'] == 'incomplete'
    kv = 2 * 32 * 1 * 8192 * 8 * 128 * 2
    assert kv == 1024**3
    environments = 2 * 30
    memory_gib = environments * 0.5
    assert environments == 60 and memory_gib == 30
    assert 6 * 4000 - 5 * 3000 == 9000
    print('scope=passed replay=passed budget=passed timeout=incomplete')
    print(f'kv_gib={kv / 1024**3:.1f} environments={environments} memory_gib={memory_gib:.1f}')
    print('Synthetic control checks only; no model-quality or sandbox benchmark.')

if __name__ == '__main__':
    main()

제어 경로 구현이지 배포된 SRE Agent나 LLM 능력 시뮬레이션이 아닙니다. 메모리 기록은 crash 후 유지되지 않고 timeout은 주입 결과이지 process 종료 기한이 아닙니다. 실제 sandbox·쓰기도 없습니다. 운영에는 영속 저장, 인증, 실제 기한, 동시성, 대상 idempotency, 별도 model adapter가 필요합니다.

모델·작업·증거·권한·총 token 및 시간 예산을 고정하고 고정 workflow와 유계 Agent를 비교합니다. 분해 가능할 때 다중 Agent를 추가합니다. 성공, 무근거 주장, 거부, p50/p95, 실패 비용을 포함한 성공당 총비용을 보고하세요. 보류 작업에서 반복하고 표본 크기를 공개합니다. 로컬 assertion은 지능 측정이 아닙니다.

자체 모의 면접 문제 · 기업 실제 기출 아님

timeout이 재시작 중복을 만드는 이유는?

힌트

원격 실행과 로컬 확인을 구분하세요.

답과 분석

실행 후 응답만 유실될 수 있습니다. 상태 조회와 대상 idempotency를 사용하고 unknown을 미실행으로 해석하지 않습니다.

컨텍스트 압축이 다음 호출을 느리게 하는 이유는?

힌트

처음 바뀐 token을 찾으세요.

답과 분석

prefix 무효화로 prefill을 반복할 수 있습니다. 절약량·캐시 손실·압축 비용·증거 보존을 함께 비교합니다.

왜 30 GiB인데 CPU는 평균 6 core인가요?

힌트

상주와 활성 CPU 시간을 구분하세요.

답과 분석

2×30=60개 환경, 60×0.5=30 GiB입니다. CPU는 2×3=6 core초/초이며 대기 중에도 상태는 남습니다.

두 Agent의 동의가 정확성 증명인가요?

힌트

증거 독립성을 확인하세요.

답과 분석

공통 오류가 있을 수 있습니다. 실제 결과·독립 증거를 확인하고 같은 예산의 단일 Agent와 비교합니다.

1–5점: 개념 나열/정상 흐름 설명/단위·계산 재현/scope·timeout·replay 실패 처리/공정 비교·복구 경계·측정 가능한 절충 설계.

예측, 검증, 근거 기록

답을 보기 전에 결과를 예측하세요. 연습 후 차이와 전이 테스트를 기록합니다. 로컬에 저장되며 언어판 간 공유됩니다.

학습 기록 열기 / 내보내기 / 지우기 →

수학 검토 범위는 강의별로 기록합니다. 논문의 실증 재현 인증은 아닙니다. 의심되는 오류를 노트에 남겨 주세요. 검토 범위

11. 출처 표기·버전·추가 학습

Token Lab의 자체 해설로 Bojie Li의 Understanding AI Infra: Quantitative Analysis and System Design과 자매편 Understanding AI Agent: Design Principles and Engineering Practice를 참고했습니다. 제공 링크는 Infra 책입니다. 두 저장소 모두 Apache-2.0을 명시합니다. 고정 버전을 연결하며 SRE 사례·그림·합성 수치·Python은 자체 제작입니다. 전체 번역·공식판·저자 보증이 아닙니다.

AI Infra §3https://github.com/bojieli/ai-infra-book/blob/3bdcb4fcab73010eeaccf31cc10a8242a895d82e/manuscripts/03-%E6%8E%A8%E7%90%86%E4%B8%8E%E8%AE%AD%E7%BB%83%E8%B4%9F%E8%BD%BD.md · AI Infra §8https://github.com/bojieli/ai-infra-book/blob/3bdcb4fcab73010eeaccf31cc10a8242a895d82e/manuscripts/08-%E6%8E%A8%E7%90%86%E4%BC%98%E5%8C%96.md · AI Infra §11https://github.com/bojieli/ai-infra-book/blob/3bdcb4fcab73010eeaccf31cc10a8242a895d82e/manuscripts/11-%E8%B5%84%E6%BA%90%E8%B0%83%E5%BA%A6%E4%B8%8E%E8%BF%90%E8%A1%8C%E7%8E%AF%E5%A2%83.md · AI Agent §1https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/book/chapter1.md · AI Agent §2https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/book/chapter2.md · AI Agent §3https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/book/chapter3.md · AI Agent §4https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/book/chapter4.md · AI Agent §7https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/book/chapter7.md · AI Agent §9https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/book/chapter9.md · AI Agent §10https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/book/chapter10.md

AI Infra · Apache-2.0https://github.com/bojieli/ai-infra-book/blob/3bdcb4fcab73010eeaccf31cc10a8242a895d82e/LICENSE · AI Agent · Apache-2.0https://github.com/bojieli/ai-agent-book/blob/dbc046eb896ac4e39aa19c7774c8bf49583b89a6/LICENSE

구현 튜토리얼로 이어가기

출처 및 버전 정보

목적 있는 영상 학습

시청 → 설명 → 구현 → 검증

외부 영어 영상입니다. 자막과 공개 여부는 YouTube가 관리합니다. 재생을 누른 후에만 YouTube에 연결하며 실험 입력은 전송하지 않습니다.

다음 학습 단계

잘못된 인수, 만료된 권한, 중복 재시도와 최종 상태를 검증하세요.

구현과 검증 → · 학습 경로 계속 →