0에서 6 ~ 9 개월 만에 생산에 이르기까지 무엇을 배우고, 무엇을 놓치고, 왜 대부분의 튜토리얼이 실패하는지. 0에서 6 ~ 9 개월 만에 생산에 이르기까지 무엇을 배우고, 무엇을 놓치고, 왜 대부분의 튜토리얼이 실패하는지. 나는 당신과 솔직해질 것이다. 대부분의 AI 에이전트 튜토리얼은 쓰레기입니다. 그들은 당신에게 LangChain 코드를 복사 삽입하는 방법을 보여줍니다, 당신이 실제 무언가를 시도하는 순간을 깨뜨리는 데모를 구축하고, 당신이 뭔가를 배운 것처럼 느끼게합니다. 나는 사람들이 이런 식으로 수년을 낭비하는 것을 보았습니다. 프레임 워크를 쫓고. 인증서를 수집합니다. 장난감 프로젝트를 구축하는 것은 아무도 신경 쓰지 않습니다. 이 가이드는 다르다. 나는 당신에게 각 단계가 얼마나 걸리며 앞으로 나아가기 전에 "충분히 좋다"고 보이는지 말할 것이다.당신이 필요로하는 모든 자원은 여기에 있습니다.그리고이 경로는 실제로 선박 할 수있는 사람들을 생산합니다. 당신이 읽는 것은 에이전트 AI를 배우는 데 중요한 것을 파악하는 많은 시도와 실수의 결과입니다. 여기에 내 약속이 있습니다 : 6 ~ 9 개월 동안이 도로지도를 진지하게 따르면 실제 세계에서 작동하는 AI 에이전트를 구축하고 배포 할 수 있습니다. 당신은 무엇을 얻을 것인가: 제로부터 배포된 에이전트까지의 8단계(현실적인 타임라인) 어떤 자원은 실제로 당신의 시간을 가치가있다. 진정한 일자리로 이어지는 전문화 경로 움직이기 전에 "충분히 좋다"는 것처럼 보입니다. 내가 저지른 실수, 그래서 당신은 할 필요가 없습니다 그러나 당신은 일을해야합니다. skim하지 마십시오. 나중에 책을 표시하지 마십시오. 당신이 마침내 수학에 도달 할 것이라고 말하지 마십시오. 그게 당신이라면 가자. 왜 에이전트 AI가 지금 중요합니까 전통적인 AI는 반응적입니다.Input, Output.You ask a question, you get an answer.That’s it. Agentic AI는 목표를 추구합니다.그것은 환경을보고, 계획을 만들고, 행동을 취하고, 일어난 일을보고, 조정합니다.그것은 도구를 사용하고, API를 호출하고, 웹을 검색하고, 코드를 작성하고, 다른 에이전트와 함께 작업하여 일을 수행 할 수 있습니다. 여기에 구체적인 예가 있습니다. 전통적인 AI를 물어 경쟁자를 연구하는 데 도움이되며 이미 알고있는 것을 요약 할 것입니다. 에이전트 시스템을 요청하면 경쟁자의 최근 움직임에 대한 웹을 검색하고, 언론 발표 및 자금 발표를 끌고, 위치를 분석하고, 업계 보고서와 교차 참조하고, 전략적 간략한 내용을 작성하고, 드라이브에 저장하고, 완료되면 이메일을 보내십시오. 2026년까지 에이전트는 더 이상 인상적이지 않을 것이며, 그들은 기대될 것이다. 로드맵 자세한 내용에 들어가기 전에 전체 그림은 다음과 같습니다: 단계 1 : Math 4–6 weeks 이거 빼고 싶은데 알겠네요 그러나 선형 알제브, 계산 및 확률이 없으면 에이전트가 왜 그들이 하는 일을 하는지 이해할 수 없습니다. 당신은 수학자가 될 필요가 없습니다.당신은 세 가지 분야에서 일하는 유동성을 필요로합니다. Linear Algebra : 벡터, 매트릭스, eigenvalues, SVD. Neural networks are matrix math. Embeddings are vectors. Calculus Derivatives, gradients, optimization.This is how models learn.이것은 모델이 학습하는 방법입니다. Probability & Statistics - Bayes의 이론, 분포, 가설 테스트. 자원 Linear Algebra: 3Blue1Brown : 선형 알제브라의 본질.선형 알제브라에 대한 가장 좋은 시각적 설명.그랜트 샌더슨은 추상적인 개념을 직관적으로 느끼게 할 수있는 선물을 가지고 있습니다. Khan Academy Linear Algebra. 더 전통적이고, 더 포괄적입니다. 3Blue1Brown 이후의 빈도를 채울 수 있습니다. 기계 학습 기초 : 여행에 오신 것을 환영합니다. ML를 위해 특별히 설계되었으므로 목적을 가지고 수학을 배우고 있습니다. 기계 학습을위한 수학. 또 다른 ML 초점을 맞춘 옵션. 당신을 위해 클릭하는 스타일을 선택하십시오. 3Blue1Brown: Linear Algebra의 본질 Khan Academy Linear Algebra 부근의 호텔 기계 학습 기초 : 여행에 오신 것을 환영합니다 기계 학습을 위한 Math for Machine Learning Calculus: 기계 학습을위한 계산기. 타겟팅되고 실용적입니다. 당신이 필요로하지 않을 물건을 벗어납니다. 칸 아카데미 계산 1. 클래식. 철저하고 신뢰할 수 있습니다. Calculus 1 Full College Course. 당신은 수업료없이 전체 대학 경험을 원한다면. 기계 학습을 위한 계산 칸 아카데미 Calculus 1 Calculus 1 전체 대학 과정 Probability: Khan Academy 통계 및 확률. 좋은 속도로 필요한 모든 것을 다룹니다. StatQuest Statistics Fundamentals. Josh Starmer는 친구와 이야기하는 것처럼 통계를 설명합니다. StatQuest: Bayes’ Theorem. Bayes는 AI의 모든 곳에 있습니다.이 비디오는 그것을 클릭합니다. MIT OpenCourseWare : 확률에 대한 소개 대학 수준의 엄격함, 더 깊이 가고 싶다면. 칸 아카데미 통계 및 확률 StatQuest 통계의 기본 사항 정 피곤와 관련검색인터넷어디서나수 있습다운로드 StatQuest: Bayes' Theorem ,가필니다. MIT OpenCourseWare : 확률에 대한 소개 Textbook: 기계 학습을위한 수학 — 무료 PDF. 포괄적 인 참조. 밀도가 있지만 완전합니다. 뭔가를 찾을 필요가있을 때 손에 좋은. 무료 PDF 움직일 때는 언제 당신은 매트릭스 배열이 지계적으로 무엇을하는지 설명 할 수 있습니다. 당신은 손으로 gradient을 계산할 수 있습니다. 당신은 예를 들어 베이즈의 이론을 설명 할 수 있습니다. 당신은 마스터를 필요로하지 않습니다.당신은이 개념이 나중에 나타날 때 잃어버리지 않을만큼 충분합니다. 단계 2: 프로그래밍 3–4 weeks 파이썬 - 다른 방법은 없습니다. 그러나 파이썬 구문을 아는 것은 코드를 편안하게 쓰는 것과 같지 않습니다.당신은 어려움없이 다른 사람들의 코드를 읽을 수 있어야하며, 끊임없이 구글을 쓰지 않고 자신의 코드를 쓸 수 있어야하며, 상황이 잘못 될 때 디버그해야합니다. 또한 데이터 작업을 위해 도서관이 필요합니다.You also need the libraries for working with data. Python 코어 기능, 클래스, 장식기, 오류 처리, async.You will need it all. Python : 초보자를위한 완전한 코스. 4+ 시간, 모든 것을 다 덮습니다. 초보자를 위한 파이썬 크래시 코스.더 빠른 속도.다른 언어로 프로그래밍 한 경우 더 좋습니다. 오래된 학교 접근법: 코드가 붙어있을 때까지 코드를 입력하여 배우십시오. Python : 초보자를위한 완전한 코스 초보자를위한 Python Crash Course 데이터 도서관 NumPy는 배열 및 숫자 컴퓨팅을 위한 기초입니다.The foundation everything else builds on. 데이터 조작을 위한 Pandas.You will use this every single day. Matplotlib & Seaborn for visualization.You can't debug what you can't see. - 당신이 볼 수없는 것을 디버그할 수 없습니다. 자원 : Python을 사용하여 데이터 분석 (NumPy, Pandas, Matplotlib, Seaborn). 전체 스택을 다루는 하나의 모든 튜토리얼. NumPy, Matplotlib 및 Pandas 튜토리얼 Bernd Klein. 좋은 깊이로 작성된 형식. 비디오에 좋은 보완. Python 데이터 분석 (NumPy, Pandas, Matplotlib, Seaborn) NumPy, Matplotlib 및 Pandas 튜토리얼 Bernd Klein 선택 : R 당신이 통계에서 온 경우 또는 연구 역할을 원한다면, R는 유용합니다. R 프로그래밍 1 시간 이내에. 정확히 그것이 들리는 것처럼. R for Data Science (무료 온라인).The definitive R book.Hadley Wickham은 자신이 무엇을하고 있는지 알고 있습니다. 1시간 만에 R 프로그램 무료 온라인 움직일 때는 언제 기본 구문을 살펴보지 않고 원본 스크립트를 작성할 수 있습니다. CSV를 로드하고 데이터를 정리하고 분석을 실행하고 결과를 계획할 수 있습니다.NumPy 코드를 볼 때 그것이 무엇을 하고 있는지 이해할 수 있습니다. 3단계: 기계 학습 6–8 weeks 이것은 사람들이 영원히 갇혀있는 곳입니다. 그들은 코스 후 코스를보고 결코 앞으로 나아갈 준비가되어 있다고 느끼지 않습니다.그것을하지 마십시오.목표는 ML 연구자가되는 것이 아닙니다.그것은 어떤 문제에 맞는지 알기에 충분히 잘 주요 접근 방식을 이해하는 것입니다. 세 종류의 모니터링 학습. 올바른 답변을 가진 모델 예제를 보여줍니다, 패턴을 배웁니다. 알고리즘을 알고 : 선형 회귀, 물류 회귀, 결정 나무, SVM, k - 가장 가까운 이웃, 신경 네트워크. 그것을 사용할 때 : 분류, 예측, 어디서나 데이터를 표시했습니다. 모니터링되지 않은 학습.모델은 데이터에서 패턴을 찾고 무엇을 찾아야 할지 알려지지 않고 알고리즘을 알고 : k-means clustering, hierarchical clustering, DBSCAN, PCA. When to use it: grouping similar things, reducing dimensions, finding structure. 강화 학습. 에이전트는 행동을 취하고, 보상이나 처벌을 받고, 경험을 통해 배웁니다. 아는 개념 : 상태, 행동, 보상, 정책, Q-learning.When to use it: sequential decisions, games, robotics, planning.This matters a lot for agents. 자원 The main course: Andrew Ng에 의해 기계 학습 전문화 이것은 하나입니다. Ng는이 분야에서 최고의 교사입니다. 명확한 설명, 좋은 속도, 중요한 것을 다루고 있습니다. 당신이 당신의 CV에 그것을 원한다면 인증서를 지불 가치가 있습니다. 동일한 코스 유튜브.당신은 단지 인증서없이 배우고 싶다면. 기계 학습 전문화 Andrew Ng YouTube에서 동일한 코스 Other options: 기계 학습은 모두를위한 것이며 Ng가 너무 학문적이라고 느끼면 더 접근할 수 있습니다. Kaggle : 기계 학습에 대한 소개. 짧은, 실습, 당신을 빠르게 구축합니다. 좋은 보충. Edureka : 기계 학습 전체 코스. Ng의 스타일이 당신을 위해 작동하지 않는 경우 포괄적 인 대안. Fast.ai 실용적인 깊은 학습. 위에서 아래로 접근 : 건설을 시작, 필요에 따라 이론을 배우십시오. 모두를 위한 기계 학습 Kaggle : 기계 학습에 대한 소개 Edureka : 기계 학습 전체 코스 Fast.ai 실용적인 깊은 학습 For practice: Scikit-learn tutorials.Implement what you are learning. 코드가없는 이론은 쓸모가 없습니다. 튜토리얼 배우기 Tutorials 움직일 때는 언제 당신은 감독 vs 감독 vs 강화 학습을 설명하고 당신이 각각을 사용할 때의 예를 제공 할 수 있습니다.You have trained a model with scikit-learn and can explain what the metrics mean. 4단계: 에이전트가 어떻게 작동하는지 4–6 weeks 에이전트는 메모리를 가지고, 도구를 사용하고, 앞으로 계획합니다. 이러한 부분을 이해하는 것은 APIs를 함께 붙일 수있는 사람들을 유지할 수있는 시스템을 설계 할 수있는 사람들로부터 분리하는 것입니다. 기본 Loop 각 에이전트는 이것의 일부 버전을 만든다 : 정보 (사용자 입력, 검색 결과, API 응답) 문제를 파악하고, 무엇이 중요한지 파악하라. 계획 : 무엇을 해야 할지 결정하라. 행동.Do it (to call a tool, generate text, hit an API) 무슨 일이 일어났는지 보아라, 적응하라 필요로 하는 개념들 Memory: 단기 : 현재 컨텍스트 창에 무엇이 있는지 Long-term: vector databases, stored knowledge 에피소드 : 과거 상호 작용의 기록 Reasoning patterns: 체인-of-thought : 생각을 단계별로 Tree-of-thought : 여러 경로를 탐구 ReAct: reasoning and acting 사이의 교환 Tool use: 에이전트가 외부 도구를 호출하는 방법 실패에 대처하는 방법 다중 도구를 조정하기 Planning: 목표를 단계로 나누기 검색 알고리즘 (A * 등) Hierarchical 계획 Multi-agent systems: 함께 일하는 여러 에이전트 어떻게 커뮤니케이션하는지 전문화 자원 Concepts: AI 에이전트와 에이전트 AI의 힘 설명.좋은 출발점. 너무 기술적이지 않고도 풍경을 다룹니다. AI 에이전트는 5 레벨의 어려움에서 시작합니다. 간단하게 시작하고 복잡하게됩니다. 각 레벨에 대한 전체 코드. 에이전트의 복잡성 규모를 볼 수 있습니다. 최초의 AI 에이전트를 구축하는 완전한 가이드.Hands-on walkthrough.Good if you want to build something today. AI 에이전트와 에이전트 AI 설명 AI 에이전트 in 5 levels of difficulty 당신의 첫 번째 AI 에이전트를 구축하는 완전한 가이드 Reinforcement learning (important for agents): Hugging Face Deep RL Course. 훌륭하고 무료입니다. 이것은 에이전트가 시간이 지남에 따라 결정을 내리는 법을 배우는 방법입니다. 그것을 놓치지 마십시오. . Massive collection if you want to go deeper. GitHub의 RL 리소스 Hugging Face Deep RL 코스 GitHub의 RL 리소스 움직일 때는 언제 화이트보드에 에이전트 루프를 그릴 수 있고 각 부분을 설명할 수 있습니다. 다른 메모리 아키텍처를 설명할 수 있습니다. ReAct와 왜 작동하는지 이해할 수 있습니다. 단계 5: 프레임 워크를 사용하여 건설 6–8 weeks Now you build. 한 가지 기억해야 할 점 : 프레임 워크가 변화합니다. LangChain은 지금 지배적입니다; 2 년 후에 누가 알겠습니까. 그러나 패턴 (ReAct, plan-and-execute, multi-agent)은 남아 있습니다. 프레임 워크를 통해 패턴을 배우십시오. 패터스 에이전트는 무엇을 할 것인지 생각하고, 그것을하고, 결과를 관찰하고, 다시 생각합니다. Plan-and-Execute.The agent makes a full plan first, then executes step by step. 복잡한 다단계 작업을 위해 더 좋습니다. 멀티 에이전트: 여러 전문 에이전트가 함께 작동합니다.One researches, one writes, one reviews. 프레임 워크 LangChain / LangGraph. 현재의 표준. 간단한 것들을 위한 LangChain, 복잡한 상태 관리가 필요한 경우 LangGraph. AutoGen.Microsoft의 멀티 에이전트 프레임워크 에이전트가 뒤따른 토론을해야 할 때 좋습니다. CrewAI.Higher level multi-agent orchestration.Faster to prototype, less flexible.최고 수준의 멀티 에이전트 오케스트레이션. 자원 Courses: DeepLearning.AI: 에이전트 AI. Andrew Ng 가르치는 에이전트 디자인 패턴. 반성, 도구 사용, 계획 및 멀티 에이전트를 다룹니다. 마스터 ALL 20 Agentic AI Design Patterns.Covers patterns you will use constantly. Bookmark it. DeepLearning.AI : 에이전트 AI 마스터 ALL 20 Agentic AI 디자인 패턴 LangChain: LangChain Crash Course. 빠른 시작. 오후에 당신을 구축합니다. LangChain Mastery : 전체 5 시간 코스. 깊은 다이빙. 당신이 진지하게 될 준비가되었을 때 이것을 보십시오. LangChain Docs. The Source of Truth. 당신은 여기에 살게 될 것입니다. . For when your agents need real state management. 링크 docs LangChain Crash Course에 대한 리뷰 보기 LangChain Mastery : 전체 5 시간 코스 LangChain Docs에 대한 정보 링크 docs Multi-agent: Simplilearn: How to Build a Multi-Agent System. Practical walkthrough. 좋은 당신의 첫 번째 멀티 에이전트 프로젝트. Simplilearn : 멀티 에이전트 시스템을 구축하는 방법 움직일 때는 언제 간단한 ReAct 에이전트, RAG와 함께 뭔가, 그리고 다단계 작업 흐름을 구축 한 적어도 세 가지 에이전트.You know when to use LangChain vs LangGraph. 단계 6: 전문성을 선택하십시오 8–12 weeks, then ongoing 어떤 시점에서 당신은 한 영역에 깊이 갈 필요가있다.일반가들은 에이전트에 대해 이야기 할 수 있습니다.특별자가 그들을 구축하기 위해 고용됩니다. 이 중 하나를 선택하고 적어도 3 개월 동안 그것이 당신을위한 것이 아니라고 결정하기 전에 약속하십시오. 경로 A: 비즈니스 자동화 현재 가장 큰 시장.연구, 지원, 운영을 처리하는 에이전트.실제 예산, 실제 직업. What to focus on: RAG(Retrieval-Augmented Generation) : 지식을 탐구하고 사용하도록 가르치는 요원. API 통합: 기업이 이미 사용하는 도구에 에이전트를 연결합니다.Connecting agents to the tools already use. 다중 단계 작업 흐름. handoffs 및 오류 처리와 함께 복잡한 프로세스. 사람을 움직일 때, 사람을 움직일 때, 사람을 움직일 때. Projects to build: 컨텍스트를 기반으로 응답을 작성하는 전자 메일 보조자 뉴스를 모니터링하고 변화를 요약하는 경쟁 연구 에이전트 그것이 깊이에서 벗어날 때 알 수있는 고객 지원 봇 여러 데이터 소스에서 끌어내는 보고서 생성기 B : 로봇 더 높은 장벽, 더 적은 경쟁.물리적 세계에서 작동하는 에이전트. What to focus on: ROS(Robot Operating System)는 로봇 소프트웨어의 표준이다. 로봇이 보는 것, 로봇이 보는 것 로봇이 움직이는 방법 - 로봇이 움직이는 방법 시뮬레이션: 비싼 하드웨어를 깨지지 않고 테스트합니다. Resources: 자율 로봇에 대한 소개 필드에 대한 견고한 출발점. Robotics and Autonomous Systems 저널.Academic but useful for seeing what's cutting edge. 물리 시뮬레이션을 위한 PyBullet, 로봇 환경을 위한 Gazebo, RL 훈련 루프를 위한 OpenAI Gym. 자율 로봇에 대한 소개 Robotics and Autonomous Systems에 대한 리뷰 보기 파이벌레 Gazebo 오픈방 Gym Path C: Research & Model Development 덜 일자리, 더 높은 천장.이 모델을 직접 사용하지 않고 작업하고자하는 사람들을위한 것입니다. What to focus on: LoRA와 PEFT를 사용하여 LLM을 세련되게 조정하여 특정 작업에 더 나은 모델을 만듭니다. RLHF 및 보상 모델링.인간 피드백의 훈련 모델. 평가와 벤치마킹 - 실제로 작동하는 것을 측정합니다. 문서를 읽고 실행하고 국경에 머물러 있습니다. Projects to build: Fine-tune a model for a specific domain 특정 도메인에 대한 모델 에이전트 출력에 대한 평가 파이프라인 구축 최근의 종이를 실행 from scratch Open Source 모델에 기여하기 Resources: . The reference for working with models. Hugging Face Transformers Docs 근처 오락거리 RLHF 코스 - 인간의 선호도에서 모델을 훈련하는 방법 arXiv AI 논문과 ML 논문.새로운 아이디어가 먼저 나타나는 곳. Hugging Face Transformers Docs 근처 오락거리 RLHF 경주 ArXiv AI 서류 ML 서류 7단계: 배포 3–4 weeks 당신의 에이전트는 당신의 노트북에서 작동합니다.그런 다음 사용자는 당신이 기대하지 않은 입력을 보냅니다.그리고 모든 것이 실패합니다. 대부분의 자기 가르침을받는 사람들은이 부분을 놓치고, 그것을 배우는 것이 당신을 돋보이게 만드는 이유입니다. 당신이 필요로 하는 APIs.Expose your agent as a service. FastAPI는 표준입니다. 컨테이너 : 모든 것을 포장하여 모든 곳에서 동일하게 작동합니다. AWS, GCP 또는 Azure를 선택하고 잘 배우십시오. 모니터링.당신의 에이전트가 생산에서 무엇을하고 있는지 추적하십시오.당신은 얼마나 자주 잘못 행동하는지 놀라게 될 것입니다. 비용 관리. LLM 호출은 신속하게 추가됩니다. 캐시, 모델 선택, 빠른 효율성은 모든 문제입니다. 자원 Overview: 제조업에 에이전트 AI를 배포하는 방법.Big picture of what deployment involves. 왜 대부분의 AI 에이전트가 생산에 실패하는가.다른 사람들의 실수로부터 배우십시오.일반적인 실패 모드와 그들을 피하는 방법을 다루십시오. 프로토 타입을 넘어 : 15 개의 어려운 교훈. 선박 에이전트로부터 실제 교훈. 배포하기 전에 이것을 읽으십시오. 제조에 대 한 Agentic AI 배포 왜 대부분의 AI 에이전트가 생산에 실패하는가 프로토 타입을 넘어 : 15 가지 어려운 교훈 Hands-on: Docker, FastAPI, LangChain을 사용하여 AI 에이전트를 구축하고 배포합니다. FastAPI docs. Well-written docs. You can learn FastAPI only from these. FastAPI docs. 잘 쓰여진 docs. 당신은 단지 이들에서 FastAPI를 배울 수 있습니다. 초보자를 위한 Docker. 컨테이너는 더 이상 옵션이 아닙니다. Docker, FastAPI, LangChain을 사용하여 AI 에이전트를 구축 및 배포 빠른 Docs 초보자를 위한 Docker Cloud: Amazon Bedrock을 사용하여 AI 에이전트를 배포합니다.AWS-specific but shows the managed service approach. AWS Bedrock Agent docs. 당신이 실제로 그것을 할 때 참조. Amazon Bedrock을 사용하여 AI 에이전트를 배포 AWS Bedrock Agent Docs에 대한 리뷰 보기 Monitoring: LangSmith. LangChain을 위해 특별히 제작되었으며, 에이전트가 하는 일을 정확히 보여줍니다. 무게 & 편견. 더 일반적인 ML 추적. 당신이 사용자 정의 훈련을하는 경우 좋습니다. 랜스미스 무게 & 바이아스 움직일 때는 언제 컨테이너화, API를 통해 제공, 클라우드에서 실행, 약간의 모니터링.당신은 설치와 당신이 선택한 이유를 설명할 수 있습니다. 8단계: 포트폴리오 및 현재 유지 Ongoing 현장은 빠르게 움직입니다.오늘 새로운 것은 6 개월 만에 표준입니다.당신은 습관이 필요합니다.한 번의 공부 세션이 아닙니다.당신이 지속적으로 배우지 않는다면,당신은 뒤로 떨어집니다. 당신의 지갑 당신의 포트폴리오는 당신이 구축 할 수있는 증거입니다.증명서가 아닙니다. What makes it strong: 배포된 프로젝트, 실행 시스템, 리포트뿐만 아니라 누구나 GitHub에 코드를 밀어 넣을 수 있습니다. 실제 문제는 해결되었습니다. 튜토리얼 재생이 아닙니다. 당신이 실제로 필요로하는 무언가 또는 진정한 고통을 해결합니다. 문서화된 결정.당신이 왜 그렇게 만들었는지.당신이 만든 거래는 무엇입니까. 깨끗한 코드. 팀에서 일할 수 있음을 보여줍니다. 적어도 하나가 배포되고 접근 가능한 2-3 개의 견고한 프로젝트를 목표로하십시오. a) 기여 합병된 PR와 같은 능력을 보여주는 것은 없습니다.LangChain, AutoGen 또는 소규모 프로젝트에 기여합니다.Documentation fixes count.They are undervalued and maintenanceers appreciate them. B) 현재 유지 이것을 위해 일주일에 몇 시간을 할애하십시오. Where to look: Trend Papers.What is getting attention in the research community right now.현재 연구 커뮤니티에서 주목받고 있는 것들을 살펴보세요. OpenAI: Key Papers in Deep RL. Curated list of foundational papers. 좋은 건설 깊이. 트렌드 종이 OpenAI: Deep RL의 핵심 논문 Who to follow: Andrej Karpathy. 그의 YouTube 튜토리얼은 복잡한 것들을 명확하게 설명합니다. Jim Fan.Incarnated AI 및 에이전트에 관한 게시물. Lilian Weng. 그녀의 블로그 게시물은 대부분의 코스보다 낫습니다. Simon Willison. 끊임없이 LLM을 구축하고 작동하는 것을 공유합니다. Swyx. AI 엔지니어링에서 실제로 유용한 것을 추적합니다. Anthropic의 연구 블로그 : 국경 모델이 실제로 어떻게 작동하는지. 안드레이 카르파티 짐 팬 릴리안 웬 사이먼 윌리슨 스위스 Anthropic의 연구 블로그 그것은 그것 이것은 당신이 필요로하는 모든 것입니다. 존재하는 모든 것이 아닙니다.더 많은 것이 항상 있습니다.하지만 당신이 제로에서 생산 에이전트를 구축하기 위해 갈 필요가있는 모든 것이 있습니다. 당신이 갈 때 기억해야 할 몇 가지 사항 : 모든 단계에는 프로젝트가 포함되어야 한다.보고 읽는 것은 배우는 것이 아니다. 혼란은 정상입니다.당신이 결코 혼란에 빠지지 않는다면,당신은 충분히 밀어하지 않습니다.불편 함은 당신이 배우고 있다는 것을 의미합니다. 당신이 배운 것을 가르치십시오. 블로그 게시물, 비디오, 다른 사람들에게 설명.이것은 당신이 실제로 이해하는 것을 발견하는 방법입니다. 사람들을 찾으십시오.Discord 서버, meetups, LinkedIn.Learning alone is harder and lonier. 인내심을 가지십시오. 6 ~ 9 개월은 현실적입니다. 몇 주 동안 당신은 기분이 좋을 것이고, 다른 사람들은 당신이 갇혀있을 것입니다. "AI 에이전트를 배우고 싶어하는 사람들"과 실제로 그들을 구축하는 사람들 사이의 격차는 한 가지로 간주됩니다 : 시작. 완벽하게 시작하지 않아 완벽한 설정이 없습니다. 이제 6 개월 후에, 당신은 배포 된 에이전트의 포트폴리오, 회사가 지불하는 실제 기술, 실제로 물건을 구축하는 것에서 오는 자신감을 가질 수 있습니다. 올바른 순간은 지금입니다.이 분야는 젊습니다.기회는 현실입니다.당신은 당신이 필요로하는 모든 것을 여기에 있습니다. 1단계로 스크롤하여 첫 번째 리소스를 열어 오늘 시작하세요. 질문이 있으신가요? 댓글 남겨주세요