AI 에이전트 구축: Phidata와 Groq 모델을 활용한 초보자 가이드

AI 에이전트 구축: Phidata와 Groq 모델을 활용한 초보자 가이드

(약 100 페이지, 텍스트 기반 e-Book)

서문 (약 7 페이지)

• AI 에이전트의 부상과 미래:
  • AI 패러다임 변화: AI의 진화 (초기 규칙 기반 -> 심층 학습), 강화 학습, 진화 알고리즘, 신경망 구조 (Transformer, CNN) 소개.
    • 예시: 초기 체스 AI는 규칙 기반, 오늘날 AlphaZero는 강화 학습으로 스스로 학습.
  • AI 에이전트의 영향: 자동화, 의사 결정 지원, 정보 검색 역할 강조.
    • 시나리오: 개인 건강 모니터링 AI 에이전트, 병원 재입원율 감소.
  • 2025년 AI 트렌드: 멀티모달 에이전트, 에이전트 RAG (검색 기반 생성) 기술 소개.
    • 예시 (RAG): 연구 논문 작성 AI, 검색 결과 기반으로 생성.
    • 예시 (멀티모달): 텍스트+카메라 입력으로 날씨 질문 응답.
• 본 e-Book의 목표와 구성:
  • 학습 목표: Phidata, Groq 이해, 웹 검색/금융 정보/멀티 에이전트 개발.
    • 시나리오 (학습 목표): 웹 정보 검색, 금융 데이터 분석, 멀티 에이전트 시스템 구축.
  • 학습 방법: 이론 + 실습, 단계별 가이드, 코드 예시 제공.
    • 예시: AI 에이전트를 직접 만들며 배우는 실습 중심 학습.
  • 독자 대상: 초보 개발자, Python 기본 지식 필요.
    • 예시: AI 에이전트 개발 기초 습득 및 추가 학습 발판 마련.
• e-Book 사용 전 주의 사항:
  • 최신 기술 동향 반영 필요, 라이브러리 버전 업데이트 유의.
    • 시나리오 (버전 문제): 최신 라이브러리 버전 확인 및 코드 조정 필요.
  • 실습 중 오류 발생 시 디버깅 및 커뮤니티 활용.
    • 시나리오 (디버깅): 오류 메시지 확인 및 문서 참고, 커뮤니티에 도움 요청.
  • API 키 보안 및 요금 정책 확인.

1장. AI 에이전트의 세계로 (약 10 페이지)

• AI 에이전트란 무엇인가?
  • 정의: 환경 인지, 행동, 목표 달성 강조.
    • 예시: 온도 조절기는 환경(온도) 인지 후, 목표(설정 온도)를 위해 행동.
  • 일반 소프트웨어와 차이: 자율성, 적응성, 학습 능력 강조.
    • 예시: 고정 규칙 소프트웨어 vs 데이터 학습 AI 에이전트
  • 유형: 단순, 복잡, 멀티 에이전트 설명.
    • 예시: 챗봇 (단순), 자율주행 (복잡), 로봇 협업 (멀티)
• Phidata 프레임워크 소개:
  • 디자인: 모듈화 (Agent, Model, Tool, Storage).
    • 예시: 고객 서비스 챗봇, Agent (대화 관리), Model (의도 파악), Tools (주문 확인 API), Storage (채팅 로그)
  • 구성: Agent, Model, Tool, Storage 등.
  • 장점: 유연성, 확장성, 개발 생산성 향상.
    • 예시: Phidata 사용 시 코드 유지보수성 및 확장성 향상.
• Groq 모델 소개:
  • 특징: 빠른 추론 속도, 낮은 지연 시간.
    • 예시: Groq 모델, 실시간 가상 비서에 적합.
  • 종류: llama2-70b-4096 등 다양한 모델 제공.
  • 유의 사항: Groq API 키 발급 필요.
    • 예시: Groq.com에서 API 키 발급, 이 키는 모델 접근에 사용.
• AI 에이전트 개발의 윤리적 고려 사항:
  • 데이터 보안, 개인 정보 보호 중요성 강조.
  • AI 편향성, 공정성 확보 노력 필요.
    • 시나리오 (편향): 남성 데이터 기반 AI, 여성에게 불리하게 반응할 가능성.
  • 책임 소재, 투명성 문제 제기.
    • 시나리오 (책임): 자율주행 사고 책임 소재 논의.

2장. 개발 환경 구축 (약 10 페이지)

• Python 3.12 설치:
  • python.org에서 다운로드 및 설치.
  • 설치 확인: python --version 출력 확인.
• 프로젝트 폴더 생성:
  • agenti_ai 폴더 생성.
  • 터미널 명령:mkdir agenti_ai
• UV (가상 환경) 설치 및 초기화:
  • pip install uv 설치.
  • 가상 환경 초기화: uv init --name agenti_phidata --python 3.12.
  • 가상 환경 활성화 (macOS/Linux): source .venv/bin/activate.
  • 가상 환경 활성화 (Windows): .venv\Scripts\activate.
• 필요한 패키지 설치:
  • uv add phidata uv add groq uv add duckduckgo-search 명령 실행.
• .env 파일 생성 및 설정:
  • .env 파일 생성 후 Groq API 키 설정.
    • 예시: GROQ_API_KEY=your_api_key_here
  • 환경 변수 로드: from dotenv import load_dotenv; load_dotenv().
  • 환경 변수 사용: import os; api_key = os.getenv('GROQ_API_KEY').

3장. 웹 검색 에이전트 구현 (약 18 페이지)

• DuckDuckGo 도구 소개:
  • DuckDuckGo API 사용하여 검색 결과 반환.
  • API 복잡성 숨기고 검색 기능 제공.
    • 예시: AI 에이전트가 검색어 “파리의 수도는?”을 DuckDuckGo Tool에 전달.
• 웹 검색 에이전트 코드 작성:
  • 설명: Agent, 모델, 도구, 지침, 설명 설정.

• from phidata import Agent
  from phidata.model import Groq
  from phidata.tools.duckduckgo import DuckDuckGoTool
  from dotenv import load_dotenv
  load_dotenv()
  web_search_agent = Agent(
      name="웹 검색 에이전트",
      model=Groq("llama2-70b-4096"),
      tools=[DuckDuckGoTool()],
      instructions="항상 출처를 포함하고 마크다운 형식으로 답변하세요.",
      description="웹에서 콘텐츠를 검색하는 에이전트입니다.",
      debug_mode=True
  )

  content_copydownload
  Use code with caution.Python
• 웹 검색 에이전트 실행 및 테스트:
  • 시나리오: "네팔의 수도" 검색 후 출처 포함하여 답변.
  • 텍스트 예시:

  네팔의 수도는 카트만두입니다.
   [출처: 위키백과]

  content_copydownload

  Use code with caution.

• print(web_search_agent.run("네팔의 수도는 어디인가요?"))

  content_copydownload
  Use code with caution.Python
• 코드 리뷰 및 개선:
  • 재사용 위한 함수로 코드 캡슐화 권장.
  • 오류 발생 시 지침 확인 또는 API 키 확인.

4장. 금융 정보 에이전트 구현 (약 18 페이지)

• YFinance 도구 소개:
  • Yahoo Finance API 활용, 주식 정보 제공.
  • 티커 심볼 (AAPL, NVDA) 사용, 데이터 접근.
• 금융 정보 에이전트 코드 작성:
  • 설명: YFinance 도구 설정 (주가, 애널리스트 추천 등), 표 형식 출력 지시.

• from phidata import Agent
  from phidata.model import Groq
  from phidata.tools.yfinance import YFinanceTool
  from dotenv import load_dotenv
  load_dotenv()
  finance_agent = Agent(
      name="금융 정보 에이전트",
      model=Groq("llama2-70b-4096"),
      tools=[YFinanceTool(
          stock_price=True,
          analyst_recommendations=True,
          company_info=True,
          company_news=True
      )],
      instructions="데이터를 표 형식으로 표시하세요.",
      description="금융 정보를 찾는 에이전트입니다.",
      debug_mode=True
  )

  content_copydownload
  Use code with caution.Python
• 금융 정보 에이전트 실행 및 테스트:
  • 시나리오: NVDA 애널리스트 추천 요약.
  • 텍스트 예시:

  | 애널리스트 | 추천 등급  |
  |--------|------|
  | Analyst A | 매수   |
  | Analyst B | 중립   |
  | Analyst C | 매도   |

  content_copydownload

  Use code with caution.

• print(finance_agent.run("NVDA의 애널리스트 추천을 요약해주세요."))

  content_copydownload
  Use code with caution.Python
• 코드 리뷰 및 개선:
  • 구체적인 질문으로 결과 맞춤 설정 권장.
  • 표 형식 출력 안 될 경우, 지침 및 모델 확인.

5장. 멀티 에이전트 구현 (약 18 페이지)

• 멀티 에이전트 개념 소개: 여러 에이전트 협력으로 복잡한 작업 처리.
  • 시나리오: 여행 플래너 (항공, 호텔, 활동).
• 웹 검색 & 금융 정보 에이전트 결합: 각 에이전트 역할 분담 (뉴스 검색, 금융 정보 분석).
  • 시나리오: 뉴스 + 애널리스트 추천 결합, 기업 정보 종합.
• 멀티 에이전트 코드 작성:
  • 설명: 기존 에이전트 결합, 멀티 에이전트 생성.

• from phidata import Agent
  from phidata.model import Groq
  from dotenv import load_dotenv
  from phidata.tools.yfinance import YFinanceTool
  from phidata.tools.duckduckgo import DuckDuckGoTool
  load_dotenv()
  web_search_agent = Agent(
      name="웹 검색 에이전트",
      model=Groq("llama2-70b-4096"),
      tools=[DuckDuckGoTool()],
      instructions="항상 출처를 포함하고 마크다운 형식으로 답변하세요.",
      description="웹에서 콘텐츠를 검색하는 에이전트입니다.",
      debug_mode=True
  )
  finance_agent = Agent(
      name="금융 정보 에이전트",
      model=Groq("llama2-70b-4096"),
      tools=[YFinanceTool(
          stock_price=True,
          analyst_recommendations=True,
          company_info=True,
          company_news=True
      )],
      instructions="데이터를 표 형식으로 표시하세요.",
      description="금융 정보를 찾는 에이전트입니다.",
      debug_mode=True
  )
  team = Agent(
      name="멀티 에이전트 팀",
      agents=[web_search_agent, finance_agent],
      model=Groq("llama2-70b-4096"),
      instructions=["항상 출처를 포함하세요.", "데이터를 표 형식으로 표시하세요."],
      debug_mode=True
  )

  content_copydownload
  Use code with caution.Python
• 멀티 에이전트 실행 및 테스트:
  • 시나리오: NVIDIA 뉴스 및 애널리스트 추천 요청.
  • 텍스트 예시:

  ## NVIDIA 뉴스
  
      [출처: 뉴스 웹사이트]
      NVIDIA announces a new AI superchip, expected to increase the speed of AI models by 20%.
  
      ## NVIDIA 애널리스트 추천
       | 애널리스트 | 추천 등급  |
      |--------|------|
      | Analyst A | 매수   |
      | Analyst B | 중립   |
      | Analyst C | 매도   |

  content_copydownload

  Use code with caution.

• print(team.run("NVIDIA의 애널리스트 추천을 요약하고 최신 뉴스를 공유해주세요."))

  content_copydownload
  Use code with caution.Python
• 코드 리뷰 및 개선:
  • 에이전트별 구체적 지침 설정.
  • 결과 결합 위한 후처리 함수 활용.

6장. Phidata 플레이그라운드 UI 활용 (약 15 페이지)

• Phidata 플레이그라운드 소개: 웹 UI로 에이전트 테스트 및 디버깅.
  • 텍스트 스크린샷: 드롭다운 메뉴 (에이전트 선택), 텍스트 입력 상자, 결과 출력 창.
• API 키 설정 및 필요 패키지 설치:
  • uv add sqlalchemy uv add fastapi 명령 실행.
  • API 키 로드: from dotenv import load_dotenv; load_dotenv(); phidata_api_key=os.getenv('PHIDATA_API_KEY')
• playground.py 파일 생성 및 설정:
  • 설명: SQLite DB 설정, 에이전트 인스턴스 생성, 플레이그라운드 연결.

• from phidata import Agent, Playground
  from phidata.model import Groq
  from phidata.tools.duckduckgo import DuckDuckGoTool
  from phidata.tools.yfinance import YFinanceTool
  from sqlalchemy import create_engine
  from dotenv import load_dotenv
  load_dotenv()
  import os
  engine = create_engine("sqlite:///playground.db")
  phidata_api_key = os.getenv('PHIDATA_API_KEY')
  
  web_search_agent = Agent(
      name="웹 검색",
      model=Groq("llama2-70b-4096"),
      tools=[DuckDuckGoTool()],
      instructions=["항상 출처를 포함하세요."],
      description="웹에서 콘텐츠를 검색하는 에이전트입니다."
  )
  finance_agent = Agent(
      name="금융 정보",
      model=Groq("llama2-70b-4096"),
      tools=[YFinanceTool(
          stock_price=True,
          analyst_recommendations=True,
          company_info=True,
          company_news=True
      )],
      instructions=["데이터를 표 형식으로 표시하세요."],
      description="금융 정보를 찾는 에이전트입니다."
  )
  playground = Playground(
      agents=[web_search_agent, finance_agent],
      storage=engine,
  )
  app = playground.app

  content_copydownload
  Use code with caution.Python
• 플레이그라운드 실행 및 웹 인터페이스 접근:
  • uv run playground.py 실행 후 브라우저에서 http://localhost:7777 접근.
  • 텍스트 스크린샷: 드롭다운 메뉴, 텍스트 입력 상자, 결과 출력 창 표시.
• 플레이그라운드 UI 활용 팁:
  • 다양한 프롬프트 실험, 에이전트 동작 확인.
  • 오류 발생 시 코드 수정 및 디버깅.
  • 캐싱 등 고급 기능 탐색.

7장. 주요 내용 요약 및 활용 방법 30단계 상세 설명 (약 12 페이지)

• 주요 내용 요약: AI 에이전트 생성, 웹 데이터/금융 정보 검색, 멀티 에이전트 시스템 구축 학습. 플레이그라운드 디버깅 및 테스트 방법 제공.
• 30단계 상세 설명:
  • 각 단계별 명령, 코드, 예상 결과 포함.
    • 예시 (4단계): "UV로 가상 환경 초기화: 터미널에서 uv init --name agenti_phidata --python 3.12 실행, .venv 폴더 생성. 활성화: macOS/Linux source .venv/bin/activate , Windows .venv\Scripts\activate"
    • 예시 (12단계): "YFinance 도구 설치: 활성 터미널에서 uv add yfinance 실행 후 yfinance 라이브러리 및 의존성 설치."
    • 예시 (27단계): "로컬호스트 접속: 브라우저에서 http://localhost:7777 접속, 드롭다운 및 텍스트 박스 확인."
    • 예시 (28단계): "UI에서 에이전트 선택: 드롭다운에서 웹 검색 또는 금융 정보 등 에이전트 선택."

결론 (약 5페이지)

• AI 에이전트 개발의 미래: AI 에이전트의 발전 방향, 멀티모달 AI 에이전트 전망 제시.
• 추가 학습 방향: Phidata (phidata.dev) 및 Groq (groq.com) 공식 문서, 관련 학습 자료 추천.
• 독자를 위한 격려: 프로젝트 직접 생성 권장, 지속적인 학습과 실험 권장.
  * 예시: 매일 수행하는 작업을 자동화하는 AI 에이전트 생성으로 시작.

참고 자료 (약 2 페이지)

• Phidata 공식 문서
• Groq 모델 문서
• DuckDuckGo API 문서
• YFinance 문서
• Python 스타일 가이드
• 커뮤니티 포럼 링크
• 연구 논문 링크

Note:

This version combines detailed explanations, practical examples, code snippets, and textual screenshots, providing a hands-on learning experience within the constraints of a 100-page e-book. I have focused on providing a comprehensive guide while making it easily understandable for beginners.