파이썬과 OpenAI API로 AI 워크플로우 구현하기

원문 영상

https://www.youtube.com/watch?v=3wk45Ow3m3M&list=PLeP_2-Xa7OBIdGlagL8n6IohwQXVISPFl&index=7

아래 내용은 위 영상을 요약한 내용입니다.

2025년, AI 에이전트의 해 – 파이썬과 OpenAI API로 AI 워크플로우 구현하기

1. AI 에이전트 시대의 도래

2025년은 AI 에이전트의 해라고 할 만큼, 많은 기업과 개인이 AI 자동화 시스템을 활용하여 업무 효율을 극대화하는 방법을 고민하고 있습니다. 코드 없이 AI 에이전트를 구축할 수 있는 로우코드 툴(예: Make, M8n)이 등장했고, 파이썬 기반 AI 워크플로우 프레임워크도 계속해서 발전하고 있습니다.

하지만, 추상화된 레이어가 추가된 AI 툴은 내부 동작을 이해하기 어렵고, 디버깅이나 고도화가 복잡해지는 단점이 있습니다. 따라서, 순수 파이썬과 OpenAI API를 활용하여 AI 에이전트를 직접 구축하는 방법을 소개하려 합니다.

2. 엔트로픽이 정리한 AI 워크플로우 패턴

엔트로픽(Anthropic)은 AI 에이전트를 효과적으로 만드는 방법을 정리한 글을 공개했으며, 여기에는 자주 사용되는 5가지 AI 워크플로우 패턴이 소개되었습니다. 이번 글에서는 이 5가지 패턴을 순수 파이썬으로 구현하는 방법을 알아보겠습니다.

AI 워크플로우 5가지 패턴

1. 프롬프트 체이닝 (Prompt Chaining)
2. 라우팅 (Routing)
3. 병렬 처리 (Parallel Processing)
4. 오케스트레이터-워커 (Orchestrator-Worker)
5. 평가 및 최적화 (Evaluation & Optimization)

각 패턴을 실제 구현 코드와 함께 설명하겠습니다.

---

3. AI 워크플로우 패턴별 구현 방법

1) 프롬프트 체이닝 (Prompt Chaining)

프롬프트 체이닝은 단일 LLM 호출이 아니라, 여러 단계의 LLM 호출을 순차적으로 수행하는 방식입니다. 예를 들어, 여름 휴가지를 정할 때:

1. 여행 취향을 분석하여 3곳 추천
2. 추천 여행지 중 하나를 선택하고, 활동 5가지 추천
3. 선택한 여행지를 기준으로 하루 일정 생성

이 과정을 Python 코드로 구현하면 다음과 같습니다.

def prompt_chaining(user_input):
    step1_prompt = f"""여름 휴가지를 추천해 주세요. 사용자의 선호 사항: {user_input}"""
    step1_response = call_llm(step1_prompt)
    
    step2_prompt = f"""{step1_response} 중 하나를 선택하고, 활동 5가지를 추천해 주세요."""
    step2_response = call_llm(step2_prompt)
    
    step3_prompt = f"""{step2_response}을 기반으로 하루 일정을 짜 주세요."""
    step3_response = call_llm(step3_prompt)
    
    return step3_response

---

2) 라우팅 (Routing)

라우팅 패턴은 질문의 특성에 따라 적절한 AI 모델을 선택하여 처리하는 방식입니다.

• 간단한 산수 문제 → GPT-4 Mini
• 일반적인 질문 → GPT-4
• 코딩 관련 질문 → GPT-4 Turbo

def route_question(user_question):
    routing_prompt = f"질문: {user_question}. 가장 적절한 AI 모델을 선택하세요 (GPT-4, GPT-4 Mini, GPT-4 Turbo)."
    selected_model = call_llm(routing_prompt)
    
    answer = call_llm(user_question, model=selected_model)
    return answer

---

3) 병렬 처리 (Parallel Processing)

병렬 처리는 여러 AI 모델을 동시에 호출하여 응답을 빠르게 받고, 최종 응답을 종합하는 방식입니다.

예를 들어, 한 문장을 여러 모델을 이용해 번역한 후, 최적의 번역을 선택하는 방식입니다.

import asyncio

async def translate_parallel(sentence):
    models = ["GPT-4", "GPT-4 Mini", "GPT-4 Turbo"]
    tasks = [call_llm(sentence, model=m) for m in models]
    responses = await asyncio.gather(*tasks)
    
    final_answer = aggregate_responses(responses)
    return final_answer

---

4) 오케스트레이터-워커 (Orchestrator-Worker)

오케스트레이터 패턴은 하나의 질문을 여러 개의 하위 질문으로 분해하고, 각 질문을 개별적으로 처리한 후 통합하는 방식입니다.

예제: AI가 미래 일자리에 미칠 영향을 분석하는 경우

1. 오케스트레이터: 하위 질문 생성
   • AI가 대체할 가능성이 높은 직업은?
   • AI로 인해 새롭게 생겨날 직업은?
   • AI가 요구하는 기술 변화는?
2. 워커: 각 질문에 대해 개별적으로 응답 생성
3. 응답을 통합하여 최종 분석 보고서 생성

def orchestrator(user_question):
    sub_questions = generate_sub_questions(user_question)
    worker_responses = [call_llm(q) for q in sub_questions]
    final_response = aggregate_responses(worker_responses)
    return final_response

---

5) 평가 및 최적화 (Evaluation & Optimization)

이 패턴은 AI가 생성한 답변을 자동으로 평가하고, 부족한 경우 반복적으로 개선하는 방식입니다.

예제: 기사 요약 평가 및 개선

1. LLM이 기사 요약을 수행
2. 평가 모델이 요약을 점검 (정확성, 간결성 등)
3. 기준을 충족하지 못하면 피드백 제공 후 재생성

def iterative_optimization(article):
    for _ in range(5):  # 최대 5회 반복
        summary = call_llm(f"기사 요약: {article}")
        evaluation = call_llm(f"요약 평가: {summary}")
        
        if "패스" in evaluation:
            return summary
        article = f"{summary} (개선 필요)"
    
    return "최적화 실패"

---

4. 결론 및 확장 가능성

이 글에서는 파이썬과 OpenAI API만을 활용하여 AI 에이전트 워크플로우 5가지 패턴을 구현하는 방법을 살펴보았습니다.

📌 향후 확장 가능성

• 멀티 모델 조합: OpenAI, Anthropic Claude, Mistral 등을 조합한 AI 시스템 구축
• 자동화 AI 시스템: 금융, 마케팅, 데이터 분석 등 다양한 산업 적용
• AI 에이전트 최적화: 모델 성능 비교, 비용 절감 전략 적용

🔥 직접 코드 실습을 해보면서 AI 에이전트 개발을 경험해보세요! 🚀