Tool-calling

AI Agent 개발의 모든 것! Tool Calling(Function Calling) 원리, ReAct 패턴, Multi-Agent 아키텍처(CrewAI/AutoGen/LangGraph), MCP(Model Context Protocol), Agent 프레임워크 비교, Tool Calling 성능 최적화, 프로덕션 배포 전략.

BFCL(Berkeley Function Calling Leaderboard)의 모든 것! 벤치마크 카테고리(Simple/Multiple/Parallel/Relevance/AST), 평가 메트릭, 모델 성능 비교(Claude/GPT/Gemini/Llama), 자체 모델 평가 방법, Tool Calling 개선 전략.

ReAct, Chain of Thought, Plan-and-Execute, Reflection, Tree of Thoughts — LLM Agent를 실제로 만들 때 어떤 패턴을 언제 써야 하는지, 현업 엔지니어 관점에서 정리했습니다.

Tool Calling은 LLM을 진짜 에이전트로 만드는 핵심 메커니즘입니다. OpenAI function calling 구현부터 병렬 실행, 그리고 현업에서 실제로 마주치는 함정과 해결법까지 실전 중심으로 정리했습니다.

MMLU, HellaSwag, HumanEval, BFCL, MTEB 등 주요 AI 벤치마크들이 정확히 무엇을 측정하는지, 각 점수의 의미와 한계, 그리고 실제 활용 시 어떤 벤치마크를 참고해야 하는지 완전히 분석합니다.

툴 콜링 챗봇을 프로덕션에서 안전하게 운영하기 위한 가드레일 설계를 정리한다. 스키마 검증, 권한 제어, 정책 엔진, 위험 점수, 관측/회귀 테스트까지 코드 중심으로 다룬다.

LangGraph로 상태 기반 AI 에이전트 워크플로우를 구축한다. StateGraph, 조건부 라우팅, 멀티에이전트 오케스트레이션, Human-in-the-Loop, 그리고 LangGraph Platform 배포까지 실전 코드 포함.