meng shao(@shao__meng)의 스레드

[오픈소스 튜토리얼] 오픈소스 모델 + 성숙한 에이전트 프레임워크 + 도구 => 클로드 코드 수준 AI 에이전트 복제 핵심 기술 구성 요소 및 오픈 소스 모델: DeepSeek-V3.2 • 성숙한 에이전트 프레임워크: Claude Agents SDK 도구 및 데이터: MongoDB MCP 서버 전체 아키텍처: 모델 → 에이전트 SDK → MongoDB 도구 → 데이터베이스, 폐쇄 루프 상호작용을 실현합니다. 핵심 프로젝트 개념: 3가지 핵심 기술의 강력한 조합. 인간의 말을 이해하고 데이터베이스를 자동으로 조작할 수 있는 지능형 에이전트를 구축하려면 세 가지 기술이 통합됩니다. 1. The Brain – DeepSeek v3.2: "브레인 스왑" 작업은 API 기반 URL을 수정하여 Claude Agents SDK가 실제로는 DeepSeek v3.2를 호출하고 있음에도 Claude 모델을 호출하는 것으로 착각하게 만드는 작업입니다. 이는 OpenAI API 이후 LLM API의 표준 작업이 되었습니다. 2. 스켈레톤 – 클로드 에이전트 SDK: 선택 사유: LangChain이나 OpenAI SDK는 Claude Agents SDK가 복잡한 에이전트를 구축하는 데 필요한 성숙한 "스캐폴딩"(하위 에이전트 관리, MCP 지원 등)을 제공하기 때문에 선택되지 않았습니다. 이는 Claude Code를 구동하는 핵심 기술입니다. 3. 손과 눈의 협응 – MongoDB MCP 서버: 기술적 주요 내용: MCP 프로토콜을 사용하면 AI는 복잡한 접착 코드 없이도 MongoDB의 MCP 서버를 통해 표준화된 방식으로 쿼리를 수행하고, 스키마를 분석하고, 심지어 데이터를 쓸 수 있습니다. 건축의 본질: "하위 에이전트"를 통한 "두뇌 안개"와의 싸움 튜토리얼에서 기술적으로 가장 어려운 부분입니다. 저자는 핵심 문제인 컨텍스트 부패(Context Rot)를 제기합니다. 모델이 20만 개 이상의 컨텍스트를 지원한다고 주장하더라도, 너무 많은 입력을 받으면 지능이 떨어지고 도구를 혼란스럽게 만듭니다. 해결책: 분할 정복(하위 대리인) 이 튜토리얼에서는 하나의 강력한 에이전트를 사용하는 대신, 각각 MongoDB MCP 툴셋의 일부만을 담당하는 세 개의 특수 하위 에이전트를 구성합니다. • 리더 에이전트: 읽기(데이터 검색)만 담당합니다. • 작가 에이전트: 작성(추가, 삭제, 수정)만 담당합니다. • 쿼리 에이전트: 퍼지 명령을 기반으로 관련 데이터를 찾는 역할을 담당합니다. 장점: DeepSeek은 각 에이전트의 시야와 툴박스를 제한함으로써 실수 가능성을 크게 줄여 작업의 정확성을 보장합니다. 실용적 가치: "장난감"에서 "도구"로 이 튜토리얼은 "영화가 몇 개나 있나요?"와 같은 간단한 데모를 보여줄 뿐만 아니라, 매우 관련성 높은 실제 사례도 제공합니다. • 데이터 마이그레이션 및 분석: 이 스크립트는 Hugging Face Hub에서 MongoDB로 실제 데이터(모델 통계, 데이터 세트 인기 등)를 가져오는 방법을 보여줍니다. • 복잡한 쿼리: 가져온 후에는 에이전트에게 "Hugging Face에서 가장 인기 있는 모델 10명은 누구인가요?"라고 직접 질문할 수 있습니다. 에이전트는 자동으로 집계 쿼리를 생성하고 데이터베이스에서 답변을 추출합니다. 요약 • 모델 이해하기: Claude Opus 4.5와 같은 값비싼 폐쇄형 소스 모델에 의존할 필요가 없습니다. DeepSeek v3.2는 뛰어난 아키텍처를 통해 복잡한 작업을 완벽하게 처리할 수 있습니다. • MCP 도입: MCP 프로토콜을 통해 데이터베이스에 연결하는 것이 표준이 되어 AI 애플리케이션 개발의 진입 장벽이 크게 낮아질 것입니다. • 아키텍처 우선: 더 긴 컨텍스트를 추구하는 것과 비교했을 때, "주 에이전트 + 전문화된 하위 에이전트" 아키텍처는 복잡한 문제를 해결하는 데 안정적인 솔루션입니다. 원본 튜토리얼