주말 프로젝트: 개인 리서치 어시스턴트
노트북: week1_foundations/project_research_agent.ipynb
프로젝트 개요
다음 기능을 갖춘 리서치 어시스턴트를 구축합니다:
- 🔍 웹에서 정보 검색
- 📊 여러 소스에서 발견한 내용 종합
- 📝 인용이 포함된 구조화된 보고서 생성
- 💾 JSON 및 Markdown으로 내보내기
아키텍처
출력 스키마
에이전트는 Pydantic을 사용하여 구조화된 보고서를 생성합니다:
class ResearchReport(BaseModel):
topic: str
summary: str
key_findings: List[str]
sources: List[Source]
generated_at: str프로젝트 목표
정보 수집
Tavily를 사용하여 모든 주제에 대한 관련 정보를 웹에서 검색합니다.
다중 소스 종합
여러 소스의 정보를 일관된 발견으로 결합합니다.
구조화된 출력
전체 인용이 포함된 일관되고 파싱 가능한 형식의 보고서를 생성합니다.
내보내기 기능
보고서를 JSON(프로그래밍용)과 Markdown(읽기용) 둘 다로 저장합니다.
사용 예시
# 에이전트 생성
agent = ResearchAgent(model="gpt-4o-mini")
# 주제 조사
report = agent.research("2024년 AI 에이전트의 최신 발전")
# 포맷된 보고서 표시
print(agent.format_report(report))
# 파일로 저장
save_report(report, "ai_agents_research")샘플 출력
# 리서치 보고서: 2024년 AI 에이전트의 최신 발전
생성일: 2024-01-15T10:30:00
## 요약
AI 에이전트는 2024년에 놀라운 발전을 이루었으며,
멀티 에이전트 협업, 도구 사용 등에서 주요 진전이...
## 주요 발견
1. 복잡한 작업에 멀티 에이전트 시스템이 표준화되고 있음
2. RAG 통합이 정확도를 크게 향상시킴
3. 프로덕션 배포 패턴이 성숙해지고 있음
...
## 소스
- [AI Agents Survey 2024](https://example.com/survey)
> "AI 에이전트의 환경이 변화했습니다..."
- [LangChain Blog](https://blog.langchain.dev/)
> "에이전트 오케스트레이션의 새로운 패턴..."적용된 기술
이 프로젝트는 Week 1의 모든 것을 결합합니다:
| 개념 | 적용 |
|---|---|
| ReAct 패턴 | 에이전트 추론 루프 |
| Function Calling | 구조화된 도구 호출 |
| Pydantic | 보고서 스키마 정의 |
| Tavily | 실제 웹 검색 |
도전 과제
다음 도전으로 프로젝트를 확장해보세요:
- 주제 비교 - 여러 주제를 조사하고 발견 비교
- 캐싱 추가 - 같은 쿼리를 다시 검색하지 않음
- PDF 내보내기 - PDF 보고서 생성
- 대화형 모드 - 후속 질문 허용
다음은?
Week 2에서 에이전트를 다음으로 향상시킵니다:
- RAG로 더 나은 컨텍스트
- Memory로 대화 기록
- LangGraph로 복잡한 워크플로우
프로젝트 실행
conda activate sotaaz
jupyter notebook ../week1_foundations/project_research_agent.ipynb