현장에서 에이전트 교육을 시작하면 첫 요청은 비슷하다. 팀원들에게 프롬프트 작성법을 가르치고, 최신 SDK 사용법을 알려달라는 요청이다. 그런데 막상 실패하는 지점은 문법이 아니다. 실패는 업무를 태스크로 쪼개지 못할 때, 도구 권한을 통제하지 못할 때, 실패 로그를 읽지 못할 때 생긴다.
문법 강의는 운영 습관을 만들지 못한다
에이전트 개발은 모델 호출법이 아니다. 작은 운영 시스템을 설계하는 일이다. context를 어떻게 넣을지, memory를 어디까지 허용할지, tool을 어떤 순서와 권한으로 열지, 사람이 언제 개입할지 결정해야 한다.
최근 벤더들도 같은 방향으로 움직였다. Anthropic은 2025년 Claude Code의 harness를 Claude Agent SDK로 확장해 subagent, 장기 작업, 도구 연결을 강조했다. OpenAI도 2026년 Agents SDK 업데이트에서 파일·도구·샌드박스를 다루는 agent loop용 harness를 전면에 세웠다. 교육도 이 구조를 따라가야 한다.
에이전트 역량은 사용법 교육이 아니라 운영 가능한 작업물을 반복해서 만드는 과정에서 생긴다.
그래서 Project Based Learning은 마지막 발표용 capstone이 아니다. 커리큘럼 전체의 뼈대다. 매주 산출물이 있고, 그 산출물이 다음 주 운영 설계의 입력이 된다.
과제는 실제 업무의 축소판이어야 한다
좋은 과제는 멋진 데모가 아니다. 현업이 매주 겪는 일을 작게 잘라낸 것이다. 승인 메일 작성, VOC 분류, 사내 규정 질의, 장애 로그 요약, 견적 검토처럼 입력과 판단과 후속 액션이 함께 있는 업무가 좋다.
| 단계 | 학습 과제 | 남겨야 할 산출물 |
|---|---|---|
| 1. 업무 재현 | 사람이 하는 절차를 태스크 그래프로 쪼갠다 | 입력, 판단 기준, 예외 케이스 |
| 2. Harness 구성 | context, tool, memory, 권한을 연결한다 | agent spec, tool contract |
| 3. 평가 설계 | 성공·실패·보류 기준을 만든다 | eval set, 실패 로그, HITL 기준 |
| 4. 운영 전환 | 파일럿 업무에 붙여 반복 개선한다 | 운영 대시보드, 변경 이력, 롤백 규칙 |
이 흐름에서 강의는 짧아진다. 대신 리뷰가 길어진다. 강사는 답을 주는 사람이 아니라 과제의 범위를 줄이고, 위험한 자동화를 멈추고, 운영 가능한 기준으로 산출물을 다시 쓰게 하는 사람이다.
평가는 정답률보다 런타임 근거를 본다
에이전트는 답변만 만드는 시스템이 아니다. 외부 도구를 호출하고, 파일을 읽고, 경우에 따라 상태를 바꾼다. 그래서 평가는 결과 문장만 보면 안 된다.
커리큘럼에는 네 가지 로그 읽기가 들어가야 한다.
- 어떤 context를 근거로 썼는가
- 어떤 tool을 왜 호출했는가
- 권한이 과하지 않았는가
- 실패했을 때 사람이 멈출 수 있었는가
OWASP가 2026년 Agentic Applications Top 10에서 goal hijack, tool misuse, identity abuse, memory poisoning 같은 위험을 별도 범주로 다룬 이유도 여기에 있다. 에이전트 교육에서 보안은 별도 과목이 아니다. 과제마다 권한, 감사 로그, 롤백을 포함해야 한다.
운영 과제로 닫아야 남는다
PBL 커리큘럼의 마지막 산출물은 데모 영상이 아니다. 운영 검토 가능한 패키지여야 한다. agent spec, 도구 목록, 권한표, eval set, 실패 로그, 사용자 개입 기준, 개선 backlog가 한 묶음으로 남아야 한다.
이 패키지가 있어야 현업 리더가 판단한다. 계속 실험할지, 특정 팀에 붙일지, 중단할지 결정할 수 있다. 교육이 끝났는데도 운영 언어가 남지 않으면 그 교육은 일회성 체험이다.
참고 자료
- Anthropic, Building agents with the Claude Agent SDK, 2025: https://www.anthropic.com/engineering/building-agents-with-the-claude-agent-sdk/
- OpenAI, The next evolution of the Agents SDK, 2026: https://openai.com/index/the-next-evolution-of-the-agents-sdk/
- OpenAI, Introducing AgentKit, 2025: https://openai.com/index/introducing-agentkit/
- Model Context Protocol, current specification version 2025-11-25: https://modelcontextprotocol.io/specification
- OWASP, Top 10 for Agentic Applications 2026: https://genai.owasp.org/resource/owasp-top-10-for-agentic-applications-for-2026/
AX LABS는 에이전트 교육을 지식 전달이 아니라 운영 정착을 위한 과제 체계로 설계한다. 커리큘럼은 짧게 배우고 길게 만들어야 하며, 마지막에는 현업이 계속 운영할 수 있는 구조가 남아야 한다. 구체적인 설계 방식은 AX Ops 방법론 →에서 확인할 수 있다.