에이전트 패턴: 계획-실행-검증
먼저 계획을 세우고, 단계별로 실행한 다음, 수용 기준에 따라 검증합니다 — 한 번에 끝내는 방식보다 뛰어납니다.
에이전트 패턴: 계획-실행-검증은(는) CoddyKit의 무료 AI Agents 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 AI Agents 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. AI Agents 강의에는 총 4개의 강의가 포함되어 있습니다.
이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.
먼저 계획을 세우는 이유
한 번에 코드를 생성하는 방식은 작은 작업("fizzbuzz 작성")에는 효과적입니다. 실제 소프트웨어를 변경할 때 에이전트는 다음을 수행해야 합니다:
- Plan — 작업을 단계로 분해합니다
- Execute — 각 단계를 구현합니다
- 검증 — 테스트하고, 린트하고, 실행합니다
- 반복 — 검증될 때까지 수정합니다
Step 1: Plan
모델에 구조화된 계획을 작성하도록 요청하십시오:
PLAN_PROMPT = '''
You are a senior engineer. Given this task, produce a JSON plan:
{steps: [{description, files_to_touch: [str], test_commands: [str]}], risks: [str]}
Task: {user_task}
'''Plan Schema
from pydantic import BaseModel
class Step(BaseModel):
description: str
files_to_touch: list[str]
test_commands: list[str]
class Plan(BaseModel):
steps: list[Step]
risks: list[str]Step 2: Execute
각 단계를 순서대로 Execute하십시오. 파일 내용을 컨텍스트로 모델에 제공하십시오:
for step in plan.steps:
context = {f: read_file(f) for f in step.files_to_touch}
diff = llm.invoke(f'Implement: {step.description}\nFiles:\n{context}').content
apply_diff(diff)Step 3: 검증
각 단계마다 테스트 / 린트 / 빌드를 실행하십시오:
for cmd in step.test_commands:
result = sandbox.run(cmd)
if result.exit_code != 0:
# Verification failed; iterate
loop_until_verified(step, result.stderr)Step 4: Iterate Until Pass
MAX_ITERS = 5
for iter in range(MAX_ITERS):
result = sandbox.run(test_cmd)
if result.exit_code == 0:
break
fix = llm.invoke(f'Tests failed:\n{result.stderr}\nFix the code.').content
apply_diff(fix)전체 파일이 아니라 차이점 표시
점진적으로 변경할 때 모델은 UNIFIED DIFFS를 생성해야 합니다:
diff = '''
--- a/main.py
+++ b/main.py
@@ -10,3 +10,4 @@
def add(a, b):
return a + b
+
+def sub(a, b): return a - b
'''
import patch
patch.fromstring(diff).apply()계획의 품질이 중요합니다
나쁜 계획은 실행을 망칩니다. 계획에는 더 강력한 모델(GPT-4o, Claude Sonnet 4.5)을 사용하고, 예산이 부족하면 실행에는 더 저렴한 모델(gpt-4o-mini, haiku)을 사용하십시오.
막히면 다시 계획 세우기
검증이 반복해서 실패하면 현재 계획을 포기하고, 새로운 정보를 바탕으로 RE-PLAN하도록 LLM에 요청하십시오:
if iter == MAX_ITERS - 1:
new_plan = llm.invoke(f'Original plan failed. Errors: {errors}. Make a new plan.').content장기 계획의 절충점
계획의 시야가 길어질수록 모델의 계획은 나빠집니다. 10단계가 넘는 작업에는 대략적인 계획을 생성하고 각 단계에서 구체화하십시오.
계획 + 비평가
실행 전에 "비평가" 에이전트가 계획을 검토하도록 하십시오. 명백한 실수를 초기에 찾아내므로 실행 중에 수정하는 것보다 비용이 적게 듭니다.
사용자에게 계획 공개
실행하기 전에 사용자에게 계획을 보여 주십시오. 사용자가 편집할 수 있게 하십시오:
approved_plan = await ask_user_to_approve_or_edit(plan)
execute(approved_plan)Plan-Execute-검증
이 패턴이 한 번에 코드를 생성하는 것보다 안정적인 이유는 무엇입니까?
복습
Plan하고 Execute한 뒤 검증하고 반복하십시오. 강력한 계획 수립 모델과 저렴한 실행 모델을 사용하고, 실제 테스트를 실행하십시오. 중요한 작업에서는 사용자에게 계획을 공개하십시오.
자주 묻는 질문
“에이전트 패턴: 계획-실행-검증” 강의는 무료인가요?
네 — “에이전트 패턴: 계획-실행-검증” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 AI Agents 강의 전체를 잠금 해제할 수 있습니다. AI Agents 강의에는 총 4개의 강의가 포함되어 있습니다.
“에이전트 패턴: 계획-실행-검증”에서 뭘 배우나요?
먼저 계획을 세우고, 단계별로 실행한 다음, 수용 기준에 따라 검증합니다 — 한 번에 끝내는 방식보다 뛰어납니다. 브라우저에서 직접 실행하는 실습 코드로 AI Agents을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
AI Agents을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 AI Agents은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.
“에이전트 패턴: 계획-실행-검증” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 AI Agents 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 AI Agents 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- 에이전트 패턴: 계획-실행-검증
- 코딩을 위한 도구 표면(Read, Edit, Bash)
- 반복적 자기 수정 루프
- SWE-Agent와 OpenDevin 아키텍처