AI 시스템 교육 대시보드 ? LLM · RAG · Agent · MCP
LLM RAG Agent MCP
AI Systems Education Guide
AI 시스템
심층 교육 가이드
LLM · RAG · AI Agent · MCP ? 현대 AI 시스템 4대 핵심 개념을 체계적으로 학습합니다. 코드 예시, 자기 평가 퀴즈, AI 어시스턴트가 포함되어 있습니다.
LLM ? Large Language Model RAG ? Retrieval-Augmented Generation Agent ? Autonomous AI MCP ? Model Context Protocol

4대 개념 ? 한 눈에 보기

01 Concept Overview
LLM

Large Language Model

대형 언어 모델 · 핵심 두뇌

텍스트를 이해하고 생성하는 핵심 두뇌. 수십억 개의 파라미터로 훈련된 신경망. GPT-4, Claude, Gemini 등이 대표 모델.

RAG

Retrieval-Augmented Generation

검색 증강 생성 · 외부 지식

LLM에 외부 지식을 주입하는 시스템. 문서 · DB를 실시간 검색해 정확한 답변을 생성. 할루시네이션 감소에 핵심.

Agent

Autonomous AI Agent

자율 행동 에이전트 · Brain + Hands

LLM이 도구를 사용하고 행동을 실행하는 구조. 계획 · 실행 · 반복 루프로 복잡한 작업을 자율 수행.

MCP

Model Context Protocol

모델 컨텍스트 프로토콜 · 표준 연결

AI와 외부 시스템을 표준화된 프로토콜로 연결하는 인프라. Anthropic 개발. USB-C처럼 범용 접속 규격.

핵심 공식 ? LLM 생각한다 · RAG 알고 있다 · Agent 행동한다 · MCP 연결한다

LLM ? 대형 언어 모델

02 Large Language Model
작동 원리
01
토크나이제이션텍스트를 숫자 토큰으로 분리. 1 토큰 ? 0.75 단어
02
트랜스포머 + 셀프 어텐션토큰 간 관계를 병렬 계산. 긴 문맥 이해 가능
03
다음 토큰 예측확률 분포로 가장 적절한 다음 단어 생성
한계 ? 훈련 데이터 컷오프 이후 정보 없음 · 할루시네이션 발생 · 컨텍스트 윈도우 제한
주요 LLM 비교
GPT-4o ? OpenAI~1.8T 파라미터
Claude 3.7 ? Anthropic추론 특화
Gemini 2.0 ? Google멀티모달
Llama 3.3 ? Meta오픈소스
핵심 파라미터
Temperature ? 창의성 조절 · Top-P ? 다양성 제어
Max Tokens ? 출력 길이 · Context Window ? 기억 범위

RAG ? 검색 증강 생성

03 Retrieval-Augmented Generation
RAG 파이프라인
사용자 질문
?
임베딩 변환
벡터화
?
벡터 DB 검색
유사도 매칭
?
청크 추출
Top-K 선택
?
LLM 프롬프트
컨텍스트 주입
?
정확한 답변
주요 활용 사례
기업 내부 문서 Q&A ? 사규 · 매뉴얼 기반 답변
법률 · 컴플라이언스 ? 최신 규정 기반 상담
의료 정보 시스템 ? 임상 지침 기반 지원
고객지원 챗봇 ? 제품 DB 기반 응대
RAG vs 순수 LLM
정확도 향상+40~60%
할루시네이션 감소-35%
실시간성가능
핵심 ? 벡터 DB (Pinecone · Weaviate · Chroma) 가 RAG의 심장. 청크 크기 · 오버랩 최적화가 성능을 좌우한다.

AI Agent ? 자율 행동 에이전트

04 Brain + Hands
ReAct 루프 ? Reasoning + Acting
OB
관찰 ? Observe환경 · 도구 출력 · 사용자 입력 수집
RE
추론 ? ReasonLLM이 다음 행동 계획 수립
AC
행동 ? Act도구 호출 · 코드 실행 · API 요청
IT
반복 ? Iterate목표 달성까지 루프 반복
에이전트 3대 구성 요소
MEM
메모리 ? Memory 단기 ? 현재 대화 컨텍스트 · 장기 ? 벡터 DB 저장 이력 · 에피소딕 ? 과거 작업 기록
TLS
도구 ? Tools 검색엔진 · 코드 실행 · 파일 조작 · 이메일 발송 · 웹 브라우저 · API 호출
PLN
계획 ? Planning 목표 분해 ? 서브태스크 설정 ? 우선순위 결정 ? 실행
대표 프레임워크 ? LangChain · AutoGPT · CrewAI · AutoGen · LangGraph

MCP ? 모델 컨텍스트 프로토콜

05 Anthropic 개발 · 2024
MCP 아키텍처
MCP Host ? AI ClientClaude · ChatGPT · Cursor
↕ JSON-RPC 2.0 표준 통신
Tools실행 함수
Resources데이터 접근
Prompts워크플로우
GitHub
Slack
DB
API
MCP vs API vs RAG
MCP ? 표준화된 AI 도구 연결 레이어. 양방향 실시간 통신. 거버넌스 포함.
기존 API ? 통합마다 커스텀 코드 필요. 확장성 제한. AI 비친화적.
RAG ? 읽기 전용 정보 검색. 행동 불가. 비정형 데이터 특화.
2024.11 오픈소스화 이후 급속 확산. Microsoft · Google · AWS 등 주요 플랫폼 MCP 지원 채택.
비유 ? USB-C가 모든 기기를 하나의 규격으로 연결하듯, MCP는 AI와 모든 시스템을 하나의 프로토콜로 연결한다.

코드 예시 패널

06 Python · JavaScript

각 개념의 핵심 구현 코드를 Python · JavaScript 탭으로 확인하세요.

LLM ? API 호출
python
javascript
import anthropic

client = anthropic.Anthropic()

# Claude API 호출
message = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": "AI 시스템 아키텍처를 설명해줘"
        }
    ]
)

print(message.content[0].text)
import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic();

// Claude API 호출
const message = await client.messages.create({
  model: "claude-sonnet-4-20250514",
  max_tokens: 1024,
  messages: [{
    role: "user",
    content: "AI 시스템 아키텍처를 설명해줘"
  }]
});

console.log(message.content[0].text);
RAG ? 벡터 검색 파이프라인
python
javascript
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 문서 청킹
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=50
)
chunks = splitter.split_documents(documents)

# 2. 벡터 임베딩 저장
vectorstore = Chroma.from_documents(
    documents=chunks,
    embedding=OpenAIEmbeddings()
)

# 3. 유사 문서 검색
docs = vectorstore.similarity_search(
    "RAG 파이프라인 구축 방법", k=3
)
import { OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";

// 1. 문서 청킹
const splitter = new RecursiveCharacterTextSplitter({
  chunkSize: 500, chunkOverlap: 50
});
const chunks = await splitter.splitDocuments(documents);

// 2. 벡터 임베딩 저장
const store = await MemoryVectorStore.fromDocuments(
  chunks, new OpenAIEmbeddings()
);

// 3. 유사 문서 검색
const docs = await store.similaritySearch(
  "RAG 파이프라인 구축 방법", 3
);
AI Agent ? 도구 사용
python
javascript
import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "web_search",
    "description": "웹에서 최신 정보 검색",
    "input_schema": {
        "type": "object",
        "properties": {
            "query": {"type": "string"}
        },
        "required": ["query"]
    }
}]

response = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=1024,
    tools=tools,
    messages=[{
        "role": "user",
        "content": "2025년 AI 트렌드를 검색해줘"
    }]
)

if response.stop_reason == "tool_use":
    print("에이전트 도구 사용 중...")
import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic();

const tools = [{
  name: "web_search",
  description: "웹에서 최신 정보 검색",
  input_schema: {
    type: "object",
    properties: { query: { type: "string" } },
    required: ["query"]
  }
}];

const response = await client.messages.create({
  model: "claude-sonnet-4-20250514",
  max_tokens: 1024,
  tools,
  messages: [{
    role: "user",
    content: "2025년 AI 트렌드를 검색해줘"
  }]
});

if (response.stop_reason === "tool_use")
  console.log("에이전트 도구 사용 중...");
MCP ? 서버 구현
python
javascript
from mcp.server import Server
import mcp.types as types

app = Server("my-mcp-server")

# 도구 목록 정의
@app.list_tools()
async def list_tools():
    return [
        types.Tool(
            name="get_weather",
            description="날씨 정보 조회",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {"type": "string"}
                }
            }
        )
    ]

# 도구 실행 핸들러
@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_weather":
        city = arguments["city"]
        return [{"text": f"{city}: 맑음 22°C"}]
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from
  "@modelcontextprotocol/sdk/server/stdio.js";

const server = new Server(
  { name: "my-mcp-server", version: "1.0.0" },
  { capabilities: { tools: {} } }
);

// 도구 목록 등록
server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: [{
    name: "get_weather",
    description: "날씨 정보 조회",
    inputSchema: {
      type: "object",
      properties: { city: { type: "string" } }
    }
  }]
}));

// 도구 실행 핸들러
server.setRequestHandler(CallToolRequestSchema, async (req) => {
  const { city } = req.params.arguments;
  return { content: [{ type: "text", text: `${city}: 맑음 22°C` }] };
});

4대 개념 심층 비교

07 Deep Comparison
구분 LLM RAG AI Agent MCP
핵심 역할텍스트 생성 · 추론외부 지식 검색 · 주입자율 행동 실행도구 · 시스템 연결
자율성없음 ? 수동 입력낮음 ? 검색만높음 ···없음 ? 인프라
실시간 데이터× 훈련 데이터만· DB 실시간 검색· 도구 통해 가능· 실시간 연결
행동 실행× 텍스트만× 읽기 전용· 실행 가능· 표준화된 실행
보안 · 거버넌스프롬프트 수준낮음중간강함 ···
주요 도전할루시네이션청크 최적화신뢰성 · 제어서버 생태계
적합 단계DemoUsablePowerfulEnterprise
엔터프라이즈 AI의 진화 경로 ? LLM → RAG → Agent → MCP 순서로 성숙도가 높아진다.

실전 비즈니스 적용 시나리오

08 Real-world Application

마케팅 컨텐츠 자동화

LLM카피 초안 생성
RAG브랜드 가이드라인 준수
AgentSNS 자동 발행
MCPCanva · Figma · GA 연결

보안 위협 탐지

LLM이상 패턴 분석 · 설명
RAGCVE · 위협 DB 검색
Agent자동 차단 · 격리 실행
MCPSIEM · 방화벽 연동

금융 투자 보조

LLM리포트 요약 · 인사이트
RAG실시간 공시 검색
Agent포트폴리오 리밸런싱
MCPBloomberg · 거래소 API
도입 난이도
LLM낮음
RAG중간
Agent높음
MCP높음
선택 가이드라인
단순 텍스트 생성 ? LLM만
사내 문서 기반 Q&A ? LLM + RAG
반복 업무 자동화 ? AI Agent
엔터프라이즈 확장 ? MCP 인프라

학습 로드맵 · 다음 단계

09 플랫폼 기획 · 디자인 전문가 학습 경로
Phase ? 01

LLM 마스터

프롬프트 엔지니어링

파인튜닝 기초

모델 선택 기준

Phase ? 02

RAG 구축

벡터 DB 실습

청크 전략 설계

LangChain 기초

Phase ? 03

Agent 개발

도구 통합 설계

멀티 에이전트

CrewAI 실습

Phase ? 04

MCP 구현

MCP 서버 구축

Claude Desktop 연동

엔터프라이즈 배포

핵심 인사이트 ? 현대 AI는 모델 선택이 아니라 시스템 설계의 문제. 가장 강력한 AI는 LLM · RAG · Agent · MCP를 유기적으로 결합한 아키텍처다.

자기 평가 퀴즈

10 Knowledge Check · 8문항
LLM 01 / 08
정답 0 / 0
AI 학습 어시스턴트 Claude 기반 · 온라인
안녕하세요. AI 학습 가이드에 대해 궁금한 점을 질문해 주세요. LLM · RAG · Agent · MCP 개념 모두 도움드릴 수 있습니다.
RAG vs 파인튜닝
MCP 개념 설명
Agent 시작하기

선택하신 제품이 장바구니에 담겼습니다.

쇼핑계속하기 장바구니 바로가기