Agent Speedrun — Elizabeth Fuentes Leone & Sandhya Subramani, AWS

AI Engineer · 2026-10-12 00:00 · 59:55

한 줄 핵심

Strands Agents와 AgentCore를 활용해 고객 서비스 에이전트를 만들고, hooks·skills·steering으로 제어한 뒤 AWS에 배포하고 관측하는 전체 흐름을 실습 중심으로 보여주는 워크숍이다.

시간별 요약

0:00
워크숍 소개 오늘 실습의 목표는 에이전트를 아이디어 단계부터 만들고, 커스터마이즈를 더한 뒤 배포까지 완료하는 것이다. 이를 위해 AWS가 만든 오픈소스 에이전트 하네스인 Strands Agents를 사용한다.
1:10
Strands Agents 개요 Strands Agents는 원하는 LLM 공급자를 자유롭게 붙여 에이전트를 끝까지 제어할 수 있는 오픈소스 하네스다. MCP와 A2A를 지원하고, 로컬이나 관리형 서비스 어디서나 실행할 수 있으며 가드레일과 관측성도 포함한다.
2:36
AgentCore 런타임과 서비스 AgentCore는 에이전트를 운영 환경에 올리기 위한 전용 서비스이며, 런타임 컨테이너 안에 프레임워크와 무관하게 에이전트를 넣어 배포할 수 있다. 세션, 관측성, 장기 메모리, Gateway가 포함되어 있어 운영 부담을 줄이고 확장도 자동으로 처리한다.
7:30
워크숍 진행 계획 기본 에이전트와 agent loop를 먼저 만든 뒤, hooks·skills·steering 같은 제어 기법을 학습하고 마지막에 AgentCore 배포까지 진행한다. 시간상 고급 주제는 일부만 다루지만, 제공된 링크로 이후에도 계속 실습할 수 있다.
9:05
워크숍 환경과 노트북 실습용 AWS 계정과 Jupyter notebook 환경이 미리 준비되어 있어 자신의 계정을 만들거나 결제 정보를 넣을 필요가 없다. 이메일과 OTP로 로그인한 뒤 바로 코드를 실행할 수 있고, 문제가 있으면 대체 환경도 제공된다.
14:06
코드 편집기 열기 워크숍 안내 페이지에서 코드 편집기 URL로 들어가 모듈별 코드를 열고, 각 모듈마다 올바른 Python kernel을 선택해야 한다. 이 과정을 따라가면 실습용 코드와 설명을 같은 흐름으로 볼 수 있다.
16:12
고객 서비스 에이전트 만들기 오늘 만들 대상은 고객 문의에 응답하는 간단한 에이전트다. 에이전트는 LLM이 바로 답하는 구조가 아니라, 사용자 입력을 받고 적절한 도구를 호출해 근거 있는 응답을 만드는 agent loop로 동작한다.
19:38
모의 데이터와 도구 정의 고객과 주문 정보를 담은 모의 데이터를 만들고, 고객 조회·주문 이력 조회·환불 처리 같은 도구를 @tool 데코레이터로 정의한다. 도구는 함수 형태든 다른 형태든 같은 패턴으로 붙일 수 있다.
21:16
시스템 프롬프트와 에이전트 설정 에이전트 생성에는 시스템 프롬프트, LLM, 도구 세 가지가 핵심이다. 시스템 프롬프트에는 고객 확인을 먼저 하라거나, 이미 가진 정보를 다시 묻지 말라는 식의 도구 사용 규칙을 넣어 에이전트의 행동을 유도한다.
23:04
에이전트 루프 살펴보기 에이전트 메시지를 출력해 사용자 입력, assistant 응답, tool call, tool result가 어떻게 이어지는지 확인한다. 이 과정을 통해 토큰 사용량과 호출 흐름을 직접 관찰할 수 있다.
24:12
멀티턴 대화 같은 코드를 chat.py로 실행하면 대화 상태를 유지하는 멀티턴 채팅으로 확장할 수 있다. 별도 구조 변경 없이도 연속 대화를 처리할 수 있어 기본 에이전트의 활용 범위가 넓어진다.
25:35
훅과 프로그램 제어 hooks는 agent loop의 여러 지점에서 코드를 끼워 넣어 사전 검증, 차단, 승인 같은 제어를 가능하게 한다. 호출 전, 도구 호출 전후, 응답 직전 등 원하는 위치에서 규칙을 강제할 수 있다.
28:21
도구 호출 속도 제한기 만들기 before invocation과 before tool call 훅을 이용해 한 요청당 도구 호출 횟수를 제한하는 rate limiter를 만든다. 카운터를 리셋하고 호출 수를 세어 과도한 반복 호출을 막는다.
30:32
제한 동작 테스트 도구 호출 제한을 일부러 낮춰 실제로 차단되는지 확인한다. LLM이 계속 호출하려 해도 훅이 중간에서 막아 토큰 낭비와 무한 반복을 줄일 수 있다.
34:21
도구 차단 또는 턴 종료 훅은 단순히 도구만 막는 것이 아니라 필요하면 에이전트 턴 자체를 끝낼 수도 있다. 데모에서는 흐름을 보여주기 위해 도구 호출만 차단했지만, 운영에서는 더 강하게 종료하도록 설계할 수 있다.
35:16
스킬과 맥락 지시 skills folder에 환불, 주문 추적, 계정 문제 같은 주제별 Markdown 지침을 넣어 필요한 맥락만 선택적으로 불러온다. 시스템 프롬프트를 지나치게 키우지 않고도 질문 유형별로 적절한 지식을 공급할 수 있다.
39:07
응답 유도하기 에이전트가 장황하거나 형식을 자주 어길 때는 steering으로 출력 형식과 톤을 유도한다. buddy agent처럼 중간 점검을 넣어 구조화된 출력이나 원하는 말투를 유지하게 만든다.
42:13
워크플로와 톤 핸들러 refund workflow handler와 tone guardrail handler를 만들어 특정 절차와 응답 톤을 각각 제어한다. 출력 전 단계에서 규칙을 적용해 과장 금지, 공감 표현, 절차 준수 같은 요구를 안정적으로 반영한다.
45:12
규칙과 에이전트 제어 Agent Control 같은 외부 규칙 시스템을 쓰면 코드 수정 없이 데이터베이스의 규칙만 바꿔 steering 정책을 갱신할 수 있다. 예약 인원 수 제한처럼 비즈니스 규칙이 자주 바뀌는 경우 특히 유용하다.
46:35
배포 준비 이제는 노트북이 아니라 CLI로 AgentCore에 배포할 준비를 한다. 같은 에이전트 코드와 skills가 들어 있는 폴더를 기준으로 런타임에 올릴 구성을 정리한다.
48:09
런타임 진입점 AgentCore 런타임에 올릴 때는 엔트리 포인트 데코레이터만 올바르게 지정하면 그 뒤의 코드가 에이전트 본체로 실행된다. 로컬 실행과 배포 실행의 차이를 만드는 핵심 지점이다.
49:37
관측성 설정 AgentCore 콘솔에서 transaction search를 활성화해야 런타임 관측 데이터가 CloudWatch로 들어온다. 프레임워크에 맞는 observability 라이브러리도 설치해야 세션과 트레이스를 제대로 볼 수 있다.
52:01
로컬 초기화와 테스트 AgentCore dev 도구로 로컬에서 먼저 에이전트를 실행해 세션과 토큰 사용량을 확인할 수 있다. 로컬 테스트는 배포 전에 동작과 관측성을 검증하는 데 유용하다.
54:34
애플리케이션 코드 추가 기존 고객 서비스 에이전트 코드를 AgentCore 애플리케이션 컨테이너에 넣고, bring your own code 또는 container 방식을 선택한다. 필요하면 Anthropic이나 OpenAI가 아니라 Amazon Bedrock 모델을 그대로 사용할 수도 있다.
55:45
AgentCore에 배포 core deploy 한 번으로 권한과 정책, 인프라 구성까지 포함한 배포가 진행된다. CDK 기반으로 스택이 생성되므로 운영자가 직접 세세한 인프라를 손댈 필요가 없다.
57:20
배포된 에이전트 호출 배포가 끝나면 SDK나 도구를 통해 바로 에이전트를 호출해 응답을 확인할 수 있다. 같은 코드를 배포용으로 옮겼을 뿐인데 실제 서비스처럼 동작하는 흐름을 검증한다.
58:15
세션과 트레이스 확인 런타임 관측 대시보드에서 세션과 트레이스를 확인해 어떤 컨테이너가 얼마나 실행됐는지 살펴본다. 학습 자료와 링크도 함께 제공되어 이후 실습과 재현이 가능하다.

실무 인사이트

고객 서비스 같은 실무형 에이전트는 LLM의 직접 답변보다 도구 호출과 규칙 제어를 먼저 설계해야 정확도와 운영 안정성이 높아진다.
hooks, skills, steering은 각각 차단, 맥락 주입, 출력 보정의 역할이 달라서 함께 쓰면 토큰 낭비를 줄이면서도 제어력을 크게 높일 수 있다.
AgentCore는 배포와 관측성을 함께 제공하므로, 로컬에서 동작 확인 후 곧바로 운영 환경으로 옮기는 워크플로에 적합하다.