이 튜토리얼에서는 Fireworks AI의 기능을 활용하여 LangChain과 함께 지능적인 도구 기능을 갖춘 에이전트를 구축하는 방법을 살펴볼 것이다. langchain-fireworks 패키지 설치부터 Fireworks API 키 구성, 높은 성능의 llama-v3-70b-instruct 모델을 사용한 ChatFireworks LLM 인스턴스 설정, LangChain의 에이전트 프레임워크와 통합까지 진행할 것이다.
Dappier AI의 실시간 검색 및 추천 도구를 활용하여 대화형 애플리케이션을 향상시키는 방법을 배우는 튜토리얼. RealTimeSearchTool과 AIRecommendationTool을 결합하여 웹에서 최신 정보를 조회하고 사용자 정의 데이터 모델에서 개인화된 기사 제안을 제공할 수 있음.
exa-mcp-server와 Claude Desktop의 파워를 활용하여 LinkedIn 페이지에 프로그래밍적으로 액세스하는 방법을 배웁니다. Model Context Protocol의 가벼운, 고성능 구현을 제공하는 exa-mcp-server는 Claude Desktop이 HTTP 요청을 발행하고 필요에 따라 원시 HTML 또는 구조화된 데이터를 반환할 수 있게 합니다.
본 튜토리얼에서는 Gemini를 사용하여 사용자 정의 MCP 클라이언트를 구현하는 방법을 안내합니다. 이를 통해 AI 애플리케이션을 MCP 서버에 연결하여 프로젝트를 강화하는 강력한 능력을 얻을 수 있습니다.
함수 호출은 LLM이 자연어 프롬프트와 실제 코드 또는 API 사이의 다리 역할을 합니다. 모델은 텍스트를 생성하는 대신 미리 정의된 함수를 호출할 때를 결정하고, 함수 이름과 인수가 포함된 구조화된 JSON 호출을 생성한 후 응용 프로그램이 그 호출을 실행하고 반환할 때까지 기다립니다.
PraisonAI 에이전트가 데이터 분석을 완전 자율, AI 주도 파이프라인으로 발전시키는 방법을 보여주는 튜토리얼. 자연어 프롬프트 몇 개로 워크플로우의 각 단계를 조정하여 CSV 또는 Excel 파일을 로드하고 행 필터링, 트렌드 요약, 사용자 정의 필드별 그룹화, 피벗 테이블, 결과를 익스포트하는 방법을 학습할 수 있음.
지식 그래프 메모리 서버를 사용하여 Claude 데스크톱은 여러 채팅을 통해 사용자에 대한 정보를 기억하고 조직화할 수 있습니다. 이를 통해 Claude는 서로 다른 정보 간의 관계를 이해하고 개인화된 응답을 제공할 수 있습니다.
PydanticAI 라이브러리를 활용해 티켓 보조 프로그램을 만드는 튜토리얼. Pydantic v2 모델로 데이터 규칙 정의, SQLite 데이터베이스에 티켓 저장, Python의 uuid 모듈로 고유 식별자 생성. 티켓 생성 및 상태 확인을 위한 두 개의 에이전트 사용.
이 튜토리얼에서는 Google Colab 내에서 브라우저 주도 AI 에이전트의 기능을 활용하는 방법을 배우게 됩니다. Playwright의 headless Chromium 엔진과 browser_use 라이브러리의 높은 수준의 Agent 및 BrowserContext 추상화를 활용하여 웹사이트를 자동으로 탐색하고 데이터를 추출하며 복잡한 작업을 자동화할 것입니다.
