AI Engineer — 100 Agents

"Agent를 설명하지 말고, 실행해서 보여줘라."

100개의 AI Agent를 직접 만들고 실행합니다. 링크 모음이 아닙니다. 각 Agent는 문제 정의 → 설계 → 코드 → 실행 결과를 포함합니다.

20년 프로덕트 매니저가 "이 Agent가 어떤 문제를 해결하는지, 실제 제품에서 어떻게 쓸 수 있는지" PM 관점을 함께 담았습니다.

---

학습 경로

이 레포는 아래 시리즈의 두 번째 단계입니다.

[AI_Human]          →      [AI_Engineer]        →      [AI_PM]
 초급 · 100일 과정          중급 · 100 Agents           실전 · 워크플로우 재설계
 Python~RAG 기초            직접 만들고 실행              PM의 일하는 방식을 바꾸다

---

100 Agents 아키텍처

graph TB
    subgraph Core["🎯 100 Agents"]
        direction TB

        subgraph Row1[" "]
            direction LR
            A["🏢 업무자동화<br/>15 Agents"]
            B["📊 데이터&리서치<br/>15 Agents"]
            C["✍️ 콘텐츠<br/>12 Agents"]
        end

        subgraph Row2[" "]
            direction LR
            D["💻 코드&개발<br/>12 Agents"]
            E["🎧 고객서비스<br/>10 Agents"]
            F["📈 세일즈&마케팅<br/>10 Agents"]
        end

        subgraph Row3[" "]
            direction LR
            G["🎓 교육&코칭<br/>8 Agents"]
            H["🤝 멀티에이전트<br/>10 Agents"]
            I["🔧 MCP&도구<br/>8 Agents"]
        end
    end

    User["👤 문제 정의"] --> Core
    Core --> Result["📦 실행 결과 + PM 인사이트"]

    style Core fill:#f5f5f5,stroke:#333
    style User fill:#e3f2fd,stroke:#2196F3
    style Result fill:#e8f5e9,stroke:#4CAF50
    style Row1 fill:none,stroke:none
    style Row2 fill:none,stroke:none
    style Row3 fill:none,stroke:none

Loading

카테고리

#	카테고리	설명	Agent 수
01	업무 자동화	이메일, 슬랙, 일정, 문서 자동화	15
02	데이터 & 리서치	웹 크롤링, 시장조사, 경쟁사 분석 자동화	15
03	콘텐츠 생성	블로그, SNS, 뉴스레터, 영상 스크립트	12
04	코드 & 개발	코드 리뷰, 테스트, 문서화, 디버깅	12
05	고객 서비스	FAQ 봇, 티켓 분류, 감성 분석	10
06	세일즈 & 마케팅	리드 생성, CRM 연동, 캠페인 자동화	10
07	교육 & 코칭	맞춤 학습, 퀴즈 생성, 피드백 Agent	8
08	멀티 에이전트	에이전트 협업, 오케스트레이션, 의사결정	10
09	MCP & 도구 연동	외부 API, DB, 파일시스템 연결	8
		합계	100

---

프로젝트 구조

AI_Engineer/
├── README.md
├── agents/
│   ├── 01-automation/
│   │   ├── 001-email-summarizer/
│   │   │   ├── README.md          # 문제 정의 + PM 인사이트
│   │   │   ├── agent.py           # 실행 코드
│   │   │   ├── config.yaml        # 설정
│   │   │   └── result.md          # 실행 결과 + 스크린샷
│   │   ├── 002-slack-standup-bot/
│   │   └── ...
│   ├── 02-data-research/
│   ├── 03-content/
│   ├── 04-code-dev/
│   ├── 05-customer-service/
│   ├── 06-sales-marketing/
│   ├── 07-education/
│   ├── 08-multi-agent/
│   └── 09-mcp-tools/
├── templates/
│   └── agent-template.md          # Agent 작성 템플릿
└── docs/
    ├── getting-started.md
    └── tech-stack.md

---

각 Agent 문서 구성

모든 Agent는 동일한 포맷을 따릅니다:

# Agent 001: Email Summarizer

## 문제 정의
> 하루 50통의 이메일을 읽는 PM은 30분을 소비한다.

## PM 인사이트
이 Agent가 제품에서 쓰일 수 있는 시나리오:
- B2B SaaS의 inbox zero 기능
- 사내 커뮤니케이션 도구의 AI 요약

## 설계
- Input: Gmail API → 최근 24시간 이메일
- Process: LLM 요약 + 우선순위 분류
- Output: Slack 채널에 브리핑 전송

## 기술 스택
Claude API, Gmail MCP, Python

## 실행 결과
[스크린샷 / 실행 로그]

## 배운 점
- 긴 스레드의 요약 정확도는 chunk 전략에 따라 달라진다
- 우선순위 분류에는 few-shot이 rule-based보다 유효

---

기술 스택

영역	도구
LLM	Claude API, OpenAI API, Gemini
Agent Framework	Claude Code, LangChain, CrewAI
MCP	Slack, Gmail, Notion, GitHub, Linear
자동화	n8n, Python scripts, Cron
데이터	SQLite, Supabase, Vector DB
배포	Docker, GitHub Actions

---

시작하기

# 1. 레포 클론
git clone https://github.com/kimsanguine/AI_Engineer.git

# 2. 환경 설정
cp .env.example .env  # API 키 설정

# 3. 첫 번째 Agent 실행
cd agents/01-automation/001-email-summarizer
python agent.py

---

진행 현황

🟢 완료 | 🟡 진행 중 | ⚪ 예정

카테고리	진행률	상태
01 업무 자동화	0/15	⚪
02 데이터 & 리서치	0/15	⚪
03 콘텐츠 생성	0/12	⚪
04 코드 & 개발	0/12	⚪
05 고객 서비스	0/10	⚪
06 세일즈 & 마케팅	0/10	⚪
07 교육 & 코칭	0/8	⚪
08 멀티 에이전트	0/10	⚪
09 MCP & 도구 연동	0/8	⚪

---

기여하기

Agent 아이디어나 개선 사항을 Issue로 남겨주세요. PR도 환영합니다 — templates/agent-template.md를 참고하여 새 Agent를 추가할 수 있습니다.

---

저작권

MIT License

---

김생근 · GitHub · LinkedIn

AI B2B/B2C SaaS CPO, 20년 프로덕트 매니저. Agentic AI로 PM의 일하는 방식을 재설계하고 있습니다.