2026.06.22 / 동준상.넥스트플랫폼
(AWS SAA, AWS AIF, GCP GenAI Leader)
구름 AI 어시스턴트 교육과정
Claude Desktop, MCP, API, RAG로 완성하는 실무형 AI 에이전트 입문Build Powerful AI Assistant using Claude, GPT, MCP, API and RAG
2026 상반기 | 구름 AI 어시스턴트 교육과정 일별 산출물 공유
https://drive.google.com/drive/folders/1fE1sjKv1DUA5ZJlK4SL0BCNJG30G4Dst?usp=sharing
2026 넥스트 베스트 | 넥스트플랫폼 동준상의 소중한 PDF, MD 모음
https://drive.google.com/drive/folders/1zItf5WJT3QK0oRPeMRYyBgwjsZJdiM0o?usp=sharing
2016~2026 데이터 모음
https://drive.google.com/drive/folders/1PjM4lPUbYn5dBDVldV-dVliu_3fmJT95?usp=sharing
1. 과정 개요
1.1 과정 배경 및 목표
2026년 현재 AI 생태계는 전례 없는 속도로 진화하고 있다. 최신 프런티어 모델들은 단순한 텍스트 생성 도구를 넘어, 계획(Plan)·추론(Reason)·도구 활용(Tool Use)·다단계 워크플로 자동화가 가능한 에이전틱 AI(Agentic AI) 로 진화했다.
본 과정은 이러한 기술 흐름을 실무에 즉시 적용할 수 있도록, Claude Desktop + MCP 에이전트, LLM API(GPT·Gemini), Agentic RAG, 멀티 에이전트 오케스트레이션, 웹/네이티브 앱 구현까지 단계적으로 탐험하고 실제 작동하는 산출물을 매일 1개씩 완성하는 것을 목표로 한다.
1.2 교육 철학
- 탐험 중심 학습: 학습자 주도로 최신의 기술 개념을 탐색·실험·발견
- 실무 연계: 실습은 학습자의 실제 업무 문서와 시나리오로 진행 권장
- 산출물 축적: 매 세션, 실제 작동하는 산출물 1개 완성 (대략 20개).
- 오류 포용: MCP 연결 실패, API 오류 등은 정상 학습 과정, 디버깅 자체가 핵심 경험
1.3 세션 구조 (4시간/일)
| 시간대 | 구분 | 내용 |
|---|---|---|
| 전반 2시간 | 탐험 미션 | 개념 리서치, 퀴즈, 도구 비교 실험 → Zoom 채팅 / Discord 공유 |
| 후반 2시간 | 프로젝트 미션 | 멀티스텝 복합 구현 → Google Drive 업로드 (산출물 제출) |
2. 2026 AI 기술 트렌드 반영
2.1 프런티어 모델 현황 (2026년 6월 기준)
| 모델 | 제공사 | 주요 강점 |
|---|---|---|
| GPT-5.5 | OpenAI | 범용 추론, 구조화 출력, 에이전틱 코딩 (Terminal-Bench 1위) |
| Claude Opus 4.7/4.8 | Anthropic | 코딩·뉘앙스 글쓰기, SWE-bench 최고 수준, 긴 문서 이해 |
| Gemini 3.5 Flash | 멀티모달, 에이전틱 워크플로, 긴 컨텍스트(1M), Google Workspace 통합 | |
| Grok 4.3 | xAI | 실시간 정보 검색, 1M 토큰 컨텍스트, 구성 가능한 추론 |
2.3 핵심 기술 트렌드 키워드
- 에이전틱 AI (Agentic AI): 단일 프롬프트 → 멀티스텝 자율 실행
- 멀티 에이전트 오케스트레이션: 계획·실행·검증 역할 분담 (AutoGen, LangGraph, LlamaIndex Agents)
- Agentic RAG: 단순 검색 증강 → 동적 검색 판단 + 도구 호출 결합
- MCP (Model Context Protocol): AI와 외부 도구를 연결하는 표준 커넥터
- 로컬 LLM: Ollama + Gemma4/Qwen3로 프라이버시·비용 최적화 배포
- AI 코딩 에이전트: Claude Code, Codex CLI, Gemini CLI — 터미널 기반 자율 개발
3. 20일 커리큘럼 상세
AI 어시스턴트 교육과정을 실제 운영한 흐름을 반영해 보면, 기존의 “생성형 AI 활용” 중심 교육보다 “AI 어시스턴트 기획 → 구축 → 배포 → 사업화” 중심으로 재구성하는 것이 훨씬 교육 효과가 높습니다.
특히 최근 GPT, Claude, Gemini, MCP, 로컬 LLM, Agentic Workflow 트렌드를 반영하면 다음과 같은 20일(80시간) 체계가 적절합니다.
Part 1. AI 어시스턴트 개론 및 Claude Desktop 활용
| 구분 | 모듈 | 주요 내용 |
|---|---|---|
| Day 1 | AI 어시스턴트 이해 및 환경구축 | 과정 OT, 산출물 목표 설정, GPT 프로젝트 생성, 프로젝트 지침 작성, Claude Desktop 설치 |
| Day 2 | 생성형 AI 생산성 실습 | GPT · Claude · Gemini · Perplexity 비교, 프롬프트 패턴, 추론 활용, NotebookLM 실습 |
| Day 3 | LLM 기반 데이터 활용 | Claude Chat 활용, 데이터 분석 기초, 문서 요약, 리서치 자동화 |
| Day 4 | Claude Research Mode | Research Mode 활용, Agentic Research 이해, 사례 연구: Calm |
| Day 5 | Claude Cowork Mode | 개인 브랜딩 리서치, GitHub 활용, 브랜딩 웹페이지 구축 및 배포, Stitch 활용 |
Part 2. AI Assistant MVP 구현 (20H)
| 구분 | 모듈 | 주요 내용 |
|---|---|---|
| Day 6 | Claude Code 기초 | Claude Code 설치, VS Code 연동, 개발 워크플로우 |
| Day 7 | 데이터 기반 MVP 구현 | Kaggle/UCI 데이터 분석, 시각화, 데이터 활용 전략 |
| Day 8 | 프론트엔드 생성형 개발 | v0 기반 UI 생성, 컴포넌트 설계, 화면 구현 |
| Day 9 | 업무 어시스턴트 MVP 구축 | Custom Skill 생성, Claude Desktop 연계, 로컬 어시스턴트 구축 |
| Day 10 | API 연계 실습 | Open API 연동, 외부 데이터 활용, Base44 사례 분석 |
Part 3. 현대적 AI Assistant 개발 (20H)
| 구분 | 모듈 | 주요 내용 |
|---|---|---|
| Day 11 | 웹 기반 AI Assistant 개발 | React 기반 AI Assistant 구조 이해 |
| Day 12 | LLM API 활용 | OpenAI API, Claude API, Gemini API 연동 |
| Day 13 | 모바일/데스크탑 앱 구현 | React Native, Electron, Tauri 비교 및 실습 |
| Day 14 | 데이터 기반 Assistant | 데이터 수집, 전처리, 시각화, CardStock 활용 |
| Day 15 | 팀 프로젝트 ① | AI Assistant 기획, 기술명세서 및 사업기획서 작성 |
Part 4. Agentic AI 및 멀티에이전트 (20H)
| 구분 | 모듈 | 주요 내용 |
|---|---|---|
| Day 16 | Agentic Workflow | Planner, Executor, Tool Use, Memory 구조 설계 |
| Day 17 | 멀티 LLM 오케스트레이션 | GPT + Claude + Gemini 협업 패턴, Harness 활용 |
| Day 18 | 로컬 LLM 및 에이전트 | Gemma4 QAT, OpenClaw, Hermes 기반 Assistant 구축 |
| Day 19 | MCP 및 데이터 기반 서비스 | MCP 구조 이해, API/MCP 서버 구축, 상용화 전략 |
| Day 20 | 팀 프로젝트 ② | 멀티에이전트 서비스 구축 및 배포 |
최종 프로젝트 (Project Deliverables)
교육 종료 시 제출 산출물
필수 산출물
- AI Assistant 서비스 기획서
- 기술명세서(SRS)
- 시스템 아키텍처 다이어그램
- 프롬프트 설계 문서
- MCP/API 연동 문서
- 제품 설명서(User Guide)
- 배포 URL
- 발표용 슬라이드(PPT)
핵심 기술 스택
LLM
- OpenAI GPT
- Anthropic Claude
- Google Gemini
Agent
- ReAct
- Plan & Execute
- Multi-Agent
- Tool Calling
- Memory
Development
- React
- React Native
- Electron
- Tauri
- VS Code
- Claude Code
- v0
Data
- Kaggle
- UCI Repository
- Open API
- MCP
Deployment
- Vercel
- Netlify
- Cloudflare
- Docker
프로젝트 평가 기준
평가 구조
| 구분 | 비중 | 일정 | 평가 항목 |
|---|---|---|---|
| 팀 프로젝트 I | 20점 | Day 12–13 (6/25–26) | 기획서 완성도 + 빌드 결과 + 팀 협업 |
| 팀 프로젝트 II | 20점 | Day 17–18 (7/2–3) | 멀티 에이전트 구현 완성도 + 발표 |
| 최종 프로젝트 | 60점 | Day 19–20 (7/6–7) | API + MCP + RAG 통합 구현 + 5분 발표 |
최종 프로젝트 평가 세부 기준 (60점)
| 항목 | 배점 | 세부 기준 |
|---|---|---|
| 기술 구현 완성도 | 25점 | API 연동, MCP 연결, RAG 파이프라인 동작 여부 |
| 에이전틱 설계 | 15점 | 멀티스텝 자동화, 도구 호출 체이닝 구현 수준 |
| 발표 및 시연 | 10점 | 5분 내 핵심 기능 시연, 설명 명확성 |
| 포트폴리오 | 10점 | 20개 산출물 정리 완성도, 프로젝트 스토리 구성 |
참고: 케이스 스터디 목록
과정 전반에 걸쳐 다음 AI 서비스 사례를 분석 자료로 활용한다.
| 케이스 | 주요 분석 포인트 | 연계 Day |
|---|---|---|
| Calm | Research 모드 활용, 구독형 AI 웰니스 앱 구조 | Day 4 |
| Cal AI | 이미지 인식 기반 칼로리 추적, API 연동 구조 | Day 6 |
| HabitKit | 습관 형성 UX, 데이터 시각화 설계 | Day 11 |
| CardStock | 멀티 에이전트 상용 서비스 구조 | Day 14 |
참고: 오픈소스 프로젝트 (GitHub)
| 레포 | 설명 | 연계 Day |
|---|---|---|
| TradingAgents | 멀티 에이전트 트레이딩 시스템 | Day 8 |
| OpenClaw | 로컬 에이전트 프레임워크 | Day 15 |
| Hermes | 로컬 LLM 기반 에이전트 오케스트레이터 | Day 15 |
참고: 2026 AI 트렌드 핵심 요약
수강생에게 전달할 3가지 핵심 메시지
- 에이전틱 AI가 표준이 되었다: 단순 프롬프트 입력 → 답변 출력의 시대는 끝났다. 2026년의 AI는 스스로 계획하고, 도구를 선택하고, 여러 단계에 걸쳐 작업을 완수한다. MCP는 이 에이전틱 AI와 실무 도구를 연결하는 열쇠다.
- 오픈소스가 프런티어와 동등해졌다: Qwen3, Gemma4, DeepSeek V4 같은 오픈소스 모델은 이제 GPT-5.5, Claude Opus 4.7과 주요 벤치마크에서 대등하다. 로컬 배포 + 비용 최적화 시나리오에서 오픈소스는 필수 옵션이다.
- 프롬프트보다 아키텍처가 중요해졌다: 좋은 프롬프트 하나보다, RAG + 도구 호출 + 멀티 에이전트로 설계된 아키텍처가 실무 문제를 더 안정적으로 해결한다. 이 과정의 최종 목표는 아키텍처를 직접 설계하고 구현하는 능력이다.
비개발자 수강생을 위한 접근 원칙
- 노코드 우선, 코드 옵션: Claude Code, Base44, Replit 등 코드 없이 시작하되, 원하는 수강생은 Python 기반으로 심화할 수 있도록 선택지를 제공한다.
- 실무 문서 직접 활용: 강사 제공 예시 데이터가 아닌 수강생 본인의 업무 문서로 실습하여 체감 효용을 높인다.
- 오류를 학습 자산으로: API 키 오류, MCP 연결 실패, 패키지 충돌 — 모두 실무에서 반드시 마주치는 상황이며, 디버깅 경험 자체가 역량이다.
최종 업데이트: 2026년 6월 22일 | 넥스트플랫폼 · 동준상
