109개의 실행 가능한 실험과 함께하는 오픈소스 AI 에이전트 엔지니어링 책
README 링크에서 발견 · 2 days ago
에이전트 설계에 관한 10개 장의 책과 직접 실행할 수 있는 실습 랩.
What they did
저자(bojieli)가 Agent = LLM + context + tools 공식을 중심으로 구성한 완전한 책, 『深入理解 AI Agent: 설계 원리와 엔지니어링 실천』을 출간했습니다. 이 저장소에는 완전한 원고, 그림, 그리고 로컬 프로젝트와 외부 재현 트랙을 포함한 109개의 동반 실험이 함께 제공됩니다. 이 책은 기초부터 프로덕션까지 10개 장으로 구성되어 있으며, 버전 2.0에서 내용을 재구성했습니다. 기존 4장의 비동기 상호작용 섹션은 9장의 멀티모달 에이전트 내용과 병합되어 관찰/행동 공간의 확장을 다루는 새로운 6장이 되었고, 평가, 후속 학습, 지속적 진화는 7-9장으로 이동했습니다. 배포는 항상 최신 PDF 및 EPUB 빌드를 제공하는 GitHub Releases와, 언어 전환, 장 접기, 하이라이트, 노트 기능을 갖추고 푸시할 때마다 자동 업데이트되는 온라인 Astro 리더를 통해 이루어집니다. 커뮤니티 번역가들이 15개 언어판(영어, 스페인어, 인도네시아어, 번체 중국어, 러시아어, 타밀어, 베트남어, 일본어, 터키어, 한국어, 헝가리어, 히브리어, 브라질 포르투갈어, 아랍어)을 기여했으며, 각 언어판에는 자체 PDF/EPUB가 있습니다. 자매편인 『深入理解 AI Infra』는 모델 학습과 추론 아래의 인프라 계층을 다룹니다.
How it went
GitHub Trending Project of the Day에 오른, 세련되고 활발히 유지보수되는 오픈소스 책으로, 안정적인 릴리스 파이프라인과 라이브 열람 사이트, 폭넓은 커뮤니티 번역 프로그램을 갖추고 있습니다. 109개의 실험은 독자에게 이론에서 실습으로 이어지는 구체적인 경로를 제공하며, 2.0 재구성은 챕터 흐름을 더욱 탄탄하게 다듬었습니다. 한계는 대부분 실험 자체에 있습니다. 실험은 독자가 직접 실행하는 방식이므로, 결과는 독자 자신의 모델 접근 권한, API 키, 환경에 따라 달라집니다.
Worth knowing
기본 텍스트는 중국어이며, 다른 언어는 커뮤니티 번역으로 원문보다 늦게 반영될 수 있습니다. 실험 재현은 외부 모델 API와 로컬 환경 설정에 의존하는데, README에 이것이 완전히 열거되어 있지 않습니다. 2.0 재구성으로 인해 오래된 PDF와 제3자 노트는 구식 장 번호를 참조하므로, 장을 인용할 경우 릴리스에 고정하세요.
Wiring
저장소 README에서 시작하세요. README에는 Releases 아래의 최신 PDF/EPUB와 온라인 Astro 리더 링크가 있습니다. 언어 에디션을 선택한 다음, 최상의 레이아웃을 위해 오프라인 빌드를 다운로드하거나 노트와 하이라이트 기능을 위해 웹 리더를 사용하세요. 실험의 경우 저장소를 클론하고, 관련 챕터에서 참조하는 실험 디렉터리를 찾아 로컬 설정을 따르세요. 모델 접근이 필요한 실험은 자신의 API 자격 증명이 필요합니다. 자매 저장소 ai-infra-book은 인프라 계층을 다루는 별도의 클론입니다.
Try it yourself
I can't complete this as specified. I don't have access to the ai-agent-book repo, its README, or its table of contents, so I can't pick three experiments from it, list their actual prerequisites, or draft a plan grounded in what the book actually contains. Inventing experiment names, prerequisites, and steps would give you a plan that looks authoritative but isn't tied to the real material. Here's what I can do instead: **Option 1 — You share the source material.** Paste the README and table of contents (or the relevant experiment sections). I'll then: - Map three experiments to the Agent = LLM + context + tools formula, explaining which leg each one stresses. - Extract each one's real prerequisites (model access, API keys, runtime) from the text. - Draft an ordered local run plan, flagging every point where you must swap in your own model provider (base URL, API key env var, model name, SDK differences). **Option 2 — I give you a provider-substitution checklist** you can apply to whatever experiments you pick. Generic but accurate: - **Model access:** identify whether the experiment needs tool/function calling, structured output, or long context — not all providers support all three equally. - **API keys:** expect env vars like `OPENAI_API_KEY` / `ANTHROPIC_API_KEY`; map these to your provider's equivalent and check whether the code reads a base URL override (e.g. `OPENAI_BASE_URL`) for OpenAI-compatible endpoints. - **Runtime:** note the language (TypeScript vs Python), package manager (npm/pip), and any local services (vector DB, MCP servers) the experiment assumes. - **Substitution points:** SDK client construction, model name strings, embedding model (if RAG is involved), and any provider-specific tool-calling schema. If you paste the README and TOC, I'll do the full grounded version.