에이전트 학습, 코스로 갈까 카탈로그로 갈까: Microsoft AI Agents for Beginners vs. Awesome LLM Apps

Sun, 10 May 2026 00:00:00 +0900

개요

같은 시기에 회자된 두 학습 자료가 흥미로운 대조를 이룬다. 한쪽은 Microsoft의 ai-agents-for-beginners — 12+개 레슨으로 짜인 정식 커리큘럼이고, 다른 한쪽은 Shubham Saboo의 awesome-llm-apps — 클론해서 바로 돌릴 수 있는 100+개 예제 카탈로그다. 둘 다 별 6만/10만 개를 넘긴 거대 레포지만 접근 방식은 정반대다.

flowchart LR
 Learner["에이전트 입문자"]
 Curriculum["ai-agents-for-beginners <br/> 12+ 레슨 코스"]
 Catalog["awesome-llm-apps <br/> 100+ 템플릿 뷔페"]
 Goal1["개념 → 코드 → 프로덕션"]
 Goal2["내 유즈케이스에 가까운 것 포크"]
 Gap["빠진 것: eval, observability, cost"]

 Learner --> Curriculum
 Learner --> Catalog
 Curriculum --> Goal1
 Catalog --> Goal2
 Goal1 --> Gap
 Goal2 --> Gap

두 레포의 정체성

Microsoft AI Agents for Beginners — 코스 형태

microsoft/ai-agents-for-beginners는 GitHub 별 61k에 도달한 공식 학습 코스다. MIT 라이선스, Jupyter Notebook 기반, 2024년 11월부터 시작해 Microsoft Agent Framework와 Azure AI Foundry Agent Service V2를 축으로 빌드한다. 레슨 트리는 다음과 같다.

01 Intro to AI Agents and Agent Use Cases — 에이전트 정의와 유즈케이스
02 Exploring Agentic Frameworks — 프레임워크 비교
03 Agentic Design Patterns — UX 원칙(Space/Time/Core)
04 Tool Use Design Pattern
05 Agentic RAG
06 Building Trustworthy AI Agents
07 Planning Design Pattern
08 Multi-Agent Design Pattern
09 Metacognition Design Pattern
10 AI Agents in Production — observability + evaluation
11 Agentic Protocols (MCP, A2A, NLWeb)
12 Context Engineering for AI Agents
13 Managing Agentic Memory
14~18 Microsoft Agent Framework, Browser-Use 기반 Computer Use Agents, Securing AI Agents 등

각 레슨은 텍스트 + 짧은 동영상 + Jupyter 노트북 코드 샘플로 구성되어 있다. 또한 co-op-translator로 50+개 언어로 자동 번역되어 Korean 트랜슬레이션도 제공된다(번역 누락이 신경 쓰이면 sparse checkout으로 영어판만 받을 수도 있다).

Awesome LLM Apps — 카탈로그 형태

반대편의 Shubhamsaboo/awesome-llm-apps는 별 109k의 거대한 템플릿 모음집이다. Apache-2.0 라이선스이고 README 첫 줄부터 “100+ AI Agent & RAG apps you can actually run — clone, customize, ship"이라고 못 박는다. 본인 표현에 따르면 “큐레이션이 아니라 손으로 직접 빌드한 템플릿 카탈로그"이고 13개 카테고리로 분류되어 있다.

🌱 Starter AI Agents — API 키 하나로 도는 단일 파일 에이전트
🚀 Advanced AI Agents — 메모리/툴/멀티스텝 reasoning
🤝 Multi-agent Teams — CrewAI 기반 서비스 에이전시 등
🗣️ Voice AI Agents — 실시간 음성 인터페이스
♾️ MCP AI Agents — Model Context Protocol 통합
📀 RAG Tutorials — Agentic RAG, Corrective RAG, Vision RAG 등 21+개
🧩 Awesome Agent Skills — Claude Code/ADK용 스킬 파일 19개
🔧 LLM 파인튜닝 (Gemma 3, Llama 3.2)
🧑‍🏫 Google ADK Crash Course & OpenAI Agents SDK Crash Course

각 템플릿은 자체 README + requirements.txt + 보통 streamlit run으로 끝나는 실행 명령으로 구성된다. 30초 안에 첫 에이전트를 돌리는 게 목표라고 명시되어 있다.

같은 주제, 다른 깊이 — 레슨 03 vs 카탈로그 03

같은 “에이전트 설계 원칙"을 어떻게 다루는지 비교하면 두 자료의 성격이 드러난다.

차원	MS 03-agentic-design-patterns	Awesome LLM Apps Starter
출발점	“Connecting not collapsing”, “Embrace uncertainty” 같은 UX 원칙	AI Travel Agent 같은 실행 가능한 코드
설명 길이	수천 단어, 다이어그램, Travel Agent 케이스 스터디	짧은 README + 실행 가이드
도출 방식	원칙 → 가이드라인(Transparency/Control/Consistency) → 적용	동작하는 코드 → 직접 만져보며 이해
다음 행동	다음 레슨(04 Tool Use)으로 진행	다른 30개 템플릿으로 분기

전자는 “왜 이렇게 설계해야 하는가"를 가르치고, 후자는 “이미 누가 이렇게 설계했으니 포크해서 고쳐 써라"고 말한다. 둘 다 정답이지만 학습자의 상황이 다르다.

누구에게 무엇이 맞는가

코스가 맞는 학습자

에이전트가 처음이고 기본기를 잡아야 하는 사람 — UX 원칙, 디자인 패턴, 멀티에이전트, 메모리, 컨텍스트 엔지니어링까지 체계적으로 다룬다
회사에서 Azure를 쓰고 있는 팀 — Azure AI Foundry + Microsoft Agent Framework 라인업이 그대로 매핑된다
번역본이 필요한 비영어권 학습자 — 한국어, 일본어, 중국어 등 50+개 언어 자동 번역
CIO 보고용 슬라이드가 필요한 사람 — “MCP, A2A, NLWeb 프로토콜 비교"처럼 깔끔한 챕터 구조가 그대로 자료가 된다

카탈로그가 맞는 학습자

이미 LLM 호출은 할 줄 알고 패턴을 빠르게 훑고 싶은 엔지니어 — RAG 21종을 비교해보고 자기 케이스에 가까운 것을 고를 수 있다
유즈케이스가 명확한 사람 — “내 도메인이 보험/투자/리서치/음성"이라면 Insurance Claim Live Agent, AI VC Due Diligence 같은 직접적인 출발점이 있다
사이드 프로젝트 영감이 필요한 사람 — AI 3D Pygame Agent, AI Meme Generator처럼 가볍게 시작할 거리가 많다
MCP/CrewAI/ADK 같은 특정 스택 예제를 빨리 보고 싶은 사람

대략 코스는 “지도가 필요한 사람"용, 카탈로그는 “재료가 필요한 사람"용이다. 실제로 두 자료를 같이 쓰면 가장 강력하다 — MS 코스의 05 Agentic RAG 챕터를 읽은 다음 awesome-llm-apps의 Agentic RAG with Reasoning을 클론해서 돌려보면, 이론과 코드가 한 번에 잡힌다.

입문 자료가 공통으로 놓치는 것

두 자료를 비교해 봐도 — 그리고 시장에 있는 다른 “agent 101” 자료를 봐도 — 입문 콘텐츠가 시스템적으로 약한 영역이 보인다.

1. Evaluation을 충분히 안 다룬다. MS 코스는 Lesson 10 - AI Agents in Production에서 trace/span, offline/online eval, RAGAS, LLM Guard를 언급하긴 하는데 그게 1개 레슨이고 코스 끝부분이다. awesome-llm-apps에는 RAG Failure Diagnostics Clinic 같은 게 있지만 평가는 카테고리가 아니다. 그러나 현장에서는 “에이전트를 빌드하는 시간"보다 “왜 회귀했는지 파악하는 시간"이 훨씬 길다.

2. Observability를 비싼 옵션처럼 다룬다. OpenTelemetry, Langfuse, Microsoft Foundry 같은 도구가 언급되긴 하지만 “프로덕션 단계의 무거운 도구"로 그려진다. 실제로는 첫 멀티스텝 에이전트 코드를 짤 때부터 trace를 켜놔야 디버깅이 가능하다. trace 없이 멀티에이전트 시스템을 디버깅하는 건 print 없이 멀티스레드 코드 디버깅하는 것과 비슷하다.

3. 비용 시뮬레이션이 없다. awesome-llm-apps의 Toonify Token Optimization이나 Headroom Context Optimization 같은 시도가 있지만, 멀티에이전트 한 번 돌리면 토큰을 5~50배 쓸 수 있다는 감각이 입문자에게는 전혀 전달되지 않는다. 첫 레슨에서 “이 데모를 100번 돌리면 얼마"인지 계산기를 줘야 한다.

4. Failure mode 카탈로그가 없다. “이게 동작합니다"는 보여주는데 “이렇게 망가집니다"는 거의 없다. 프롬프트 인젝션, 무한 툴 호출, 메모리 누수, 잘못된 RAG 결과를 곧이곧대로 믿는 에이전트 같은 패턴은 실제 운영하면 매주 만난다. 현장 한 줄 평으로는 “에이전트 빌드는 쉽고, 망가지는 패턴을 외우는 게 본업"이라는 얘기가 가장 정확하다.

인사이트

에이전트 학습 시장은 지난 1년 사이 “프레임워크 비교"에서 “교육과정"으로 한 단계 올라갔다. MS의 코스가 12+개 레슨으로 디자인 패턴과 프로토콜까지 다룬다는 것 자체가 시장 성숙도의 지표다. 동시에 awesome-llm-apps의 100+ 템플릿이 ADK, OpenAI Agents SDK, CrewAI, MCP를 모두 커버하면서도 일관되게 streamlit run 한 줄로 도는 것은 “에이전트 빌드 비용"이 충분히 떨어졌다는 신호다. 입문자가 두 자료를 같이 쓰면 “원리는 코스에서, 첫 동작은 카탈로그에서"라는 깔끔한 학습 루프가 만들어진다. 하지만 두 자료 모두 — 그리고 사실상 시장 전체가 — 평가/관측/비용/실패 패턴에는 여전히 인색하다. 이 갭이 다음 1년의 콘텐츠 기회다. “AI Agents Eval for Beginners”, “Agent Observability for Beginners” 같은 코스가 나올 때 시장은 또 한 단계 성숙할 것이다.

Curriculum on ICE-ICE-BEAR-BLOG