AI 에이전트 직접 만들기: 50줄의 Python에서 MCP까지
1. 에이전트의 핵심은 도구 실행 결과를 다시 판단하는 루프
에이전트는 판단 → 도구 실행 → 결과 관찰 → 다음 행동 결정을 반복하는 프로그램입니다.
- 모델은 대화 기록을 바탕으로 답변하거나 필요한 도구를 선택합니다.
- 도구를 실제로 실행하는 것은 프로그램이며, 실행 결과는 다음 판단을 위해 대화 기록에 추가됩니다.
- 약 50줄의 Python 예제에서는 `tool_calls`가 있으면 도구를 실행하고, 없으면 응답을 반환하며 종료합니다.
- 대화 기록은 한 작업 안에서의 단기 기억 역할을 합니다.
- ‘결정적 루프’는 코드의 제어 흐름을 뜻합니다. 모델의 선택이나 작업 성공까지 보장한다는 의미는 아닙니다.
2. 로컬 모델과 클라우드 모델의 역할 나누기
같은 루프를 유지하면서 모델의 실행 위치와 맡길 작업을 바꿔볼 수 있습니다.
- 예제는 OpenAI API로 시작한 뒤, Ollama의 호환 API를 통해 로컬 모델을 연결합니다.
- 저자의 실험에서는 일부 모델이 구조화된 도구 호출 대신 “도구를 사용하겠다”는 문장만 반환해 루프가 바로 종료됐습니다.
- 자연스러운 답변을 만드는 능력과 실행 가능한 도구 호출을 반환하는 능력은 따로 확인해야 합니다.
- 혼합 모드에서는 로컬 모델이 기본 루프와 간단한 작업을 담당합니다.
- 복잡한 질문은 `ask_cloud_expert` 같은 도구를 통해 클라우드 모델에 위임합니다.
- 모든 단계를 클라우드에서 처리하는 대신, 외부 호출이 필요한 지점을 나누어 보는 구성입니다.
3. 도구를 확장하고 MCP로 연결하기
에이전트의 기본 루프를 유지하면서 사용할 수 있는 기능을 늘려갑니다.
- 날짜 확인과 계산에서 시작해 웹 검색, 파일 읽기·쓰기로 도구를 확장합니다.
- 본문의 날씨·검색 코드는 예시 응답을 반환하고, 파일 작업도 단순화돼 있어 완성된 기능과 구분해서 읽어야 합니다.
- MCP는 도구를 코드에 직접 등록하는 방식에서 외부 서버를 통해 발견하고 호출하는 방식으로 연결 범위를 넓힙니다.
- 클라이언트: 서버가 제공하는 도구 목록을 받아 필요한 도구를 호출합니다.
- 서버: 직접 만든 기능을 다른 에이전트도 사용할 수 있도록 제공합니다.
- 달라지는 것은 도구의 위치와 연결·관리 방식입니다. 실행 결과를 모델에 돌려주는 루프는 그대로 이어집니다.
4. 최소 구현을 알면 프레임워크의 역할도 보인다
짧은 예제는 작동 원리를 드러내고, 실제 서비스는 그 위에 운영 기능을 더합니다.
- Claude Code와의 비교에서는 재시도, 실행 전 승인, 세션을 넘는 기억, 컨텍스트 압축, 서브에이전트 같은 기능을 살펴봅니다.
- 프레임워크도 해결하려는 문제가 다릅니다.
- LangGraph는 상태 흐름, 체크포인트, 사람의 승인 단계를 구성하는 사례로 소개됩니다.
- CrewAI와 AutoGen은 역할이 다른 여러 에이전트의 협업을 다루는 사례입니다.
- 작은 루프를 직접 이해하면 무엇을 직접 구현하고, 어떤 기능을 프레임워크나 기존 제품에 맡길지 판단하기 쉬워집니다.
