강의 기본 정보
강의 개요
2025–2026년의 AI 산업은 대화형 모델에서 자율 에이전틱 시스템으로 결정적으로 전환되었다. 이 강의는 비결정적 AI 에이전트를 결정론적 시스템으로 제어하는 하네스 엔지니어링과, 인간이 세부 실행이 아닌 전략적 감독 역할을 수행하는 Human-on-the-Loop(HOTL) 패러다임을 중심으로 구성된다.
학생들은 제주한라대학교 AI 실습실의 NVIDIA DGX H100 서버(MIG 기술로 파티셔닝)를 직접 운용하며, 상용 API에 의존하지 않고 DeepSeek-Coder-V2 등 오픈소스 모델을 배포·운영하는 전 과정을 실습한다. 최종 목표는 자율 소프트웨어 개발 파이프라인(멀티에이전트 SDLC)을 설계하고, 캡스톤 프로젝트 Ralphthon에서 이를 구현하는 것이다.
학습 목표
이 강의를 이수하면 다음을 할 수 있다:
- HITL → HOTL → HIC 거버넌스 아키텍처의 차이를 설명하고 Governance-as-Code로 구현한다
- Ralph 루프 방법론으로 하네스 엔지니어링 시스템을 설계·구현한다
- 컨텍스트 창 관리와 인스트럭션 튜닝으로 장기 실행 에이전트 루프를 최적화한다
- 플래너·코더·QA 에이전트를 MCP를 통해 연동한 멀티에이전트 SDLC를 구축한다
- DGX H100 + MIG + vLLM 환경에서 오픈소스 LLM을 배포하고 성능을 측정한다
- LLM-as-Judge와 텔레메트리로 에이전트 시스템의 품질을 자동 평가한다
주차별 계획
Phase 1: 에이전틱 시스템 기초 (1–3주)
| 주차 | 이론 | 실습 |
|---|
| 1주 | 코스 오리엔테이션, AI 엔지니어링 패러다임 전환, HITL vs HOTL 비교 | 개발 환경 설정, Claude Code 설치 (Lab 01) |
| 2주 | HOTL 거버넌스 상세, EU AI Act 컴플라이언스, Governance-as-Code | 첫 번째 에이전틱 루프 구현 (Lab 02) |
| 3주 | MIG 기술 원리, Kubernetes 오케스트레이션, MCP(Model Context Protocol) | MCP 서버 구성 및 도구 연결 (Lab 03) |
Phase 2: 하네스 엔지니어링 (4–6주)
| 주차 | 이론 | 실습 |
|---|
| 4주 | Ralph 루프 방법론, 모놀리식 아키텍처, 환경 제약 설계 | Ralph 루프 기본 구현 (Lab 04) |
| 5주 | 컨텍스트 창 관리, Context Rot 방지, 상태 추적 파일 설계 | 컨텍스트 관리 시스템 구현 (Lab 05) |
| 6주 | 인스트럭션 튜닝, “Sign” 메타포, 영구 컨텍스트 페이로드 설계 | PROMPT.md 튜닝 실습 (Lab 06) |
Phase 3: 멀티에이전트 SDLC (7–9주)
| 주차 | 이론 | 실습 |
|---|
| 7주 | 에이전트 역할 분담, 전통적 SDLC와 에이전틱 SDLC 비교 | 멀티에이전트 파이프라인 설계 (Lab 07) |
| 8주 | 플래너 에이전트 설계, 명세서 자동 생성, 코드베이스 분석 | 플래너 에이전트 구현 (Lab 08) |
| 9주 | QA 에이전트, 자동 테스트 파이프라인, 피드백 루프 | QA 에이전트 구현 (Lab 09) |
Phase 4: 오픈소스 모델 & MLOps (10–12주)
| 주차 | 이론 | 실습 |
|---|
| 10주 | DeepSeek-Coder-V2 아키텍처, 오픈소스 vs 상용 API 비교, 도구 생태계 | vLLM 배포 실습 (Lab 10) |
| 11주 | vLLM 고처리량 추론, CUDA 최적화, MIG 슬라이스 활용 | 고처리량 추론 서버 구축 |
| 12주 | 텔레메트리 설계, LLM-as-Judge 평가 프레임워크, 비용 최적화 | 텔레메트리 & LLM-as-Judge (Lab 11, 12) |
Phase 5: 캡스톤 Ralphthon (13–16주)
| 주차 | 내용 |
|---|
| 13주 | 팀 구성, 프로젝트 주제 선정, 시스템 아키텍처 설계 |
| 14주 | Ralphthon 실행 — 하네스 구현, 에이전트 연동, 반복 개선 |
| 15주 | 시스템 통합, 자동 테스트, 발표 자료 준비 |
| 16주 | 최종 발표 및 데모, 동료 평가, 수업 정리 |
평가 기준
| 항목 | 비율 | 내용 |
|---|
| 실습과제 (Lab 01–12) | 40% | 개인 제출, GitHub PR |
| 중간 프로젝트 | 20% | Phase 1–3 통합 시스템 |
| 캡스톤 Ralphthon | 30% | 팀 프로젝트, 최종 발표 |
| 기여 & 참여 | 10% | GitHub PR 기여, 수업 토론 |
교재 및 참고자료
주요 참고자료
- Huntley, G. (2025). The Ralph Loop: Deterministic Agentic Engineering
- Anthropic. (2026). Claude Code Documentation
- NVIDIA. (2025). DGX H100 MIG Configuration Guide
온라인 자료
수강 전 요구사항
- Python 3.10+ 프로그래밍 능력
- Git/GitHub 기본 사용법
- Linux 커맨드라인 기초
- 머신러닝 기초 (선수과목: AI 기초, 딥러닝)
문의
강의 관련 문의는 GitHub Issue 또는 이메일(yj.lee@chu.ac.kr)로 연락주세요.
수업 자료 오류 발견 시 GitHub Issue를 통해 신고해 주세요.
