10개 GitHub repo를 하나의 학습 경로로 묶었습니다
Key Insight
AI Engineer 학습 경로를
기본기 → 만들기 → 에이전트 → 연결/기억 → 검증/운영순서로 정리한 10개 GitHub repo 목록입니다.
출처: Slack paste
타입: pasted text
유효일: 2026-06-22
수집 방식: 대표님이 전달한 본문을 그대로 1개 문서로 저장. 링크 대상 원문은 별도 수집하지 않음.
핵심 Takeaway
- 학습 순서를 단순 툴 나열이 아니라
기본기 → 구현 → 에이전트 → MCP/기억 → 검증/운영흐름으로 묶었습니다. - repo 선정 기준은 개념 설명보다 직접 만들기, 실무 패턴, 실행 루프, 검증 구조에 무게가 있습니다.
- JYP Labs 관점에서는 강의 커리큘럼, 내부 스킬맵, AI 엔지니어 온보딩 로드맵의 초안 재료로 재사용하기 좋습니다.
학습 경로 요약
- 기본기
- 만들기
- 에이전트
- 연결/기억
- 검증/운영
repo 목록 요약
- ai-engineering-from-scratch
- Hands-On LLM
- OpenAI Cookbook
- MCP for Beginners
- MCP Python SDK
- LightRAG
- DeepAgents
- Harness Books
- AutoResearch
- ml-intern
대표님 관점 활용 포인트
- 강의화: AI Engineer 로드맵, MCP 입문, agentic engineering, harness/verification 주제를 한 흐름으로 설명할 수 있습니다.
- 스킬화: 학습자 수준별로
기본기/구현/운영체크리스트를 만들기 좋습니다. - 자동화: 추후 각 repo별 핵심 개념·실습 과제·검증 항목을 구조화하면 학습 브리핑이나 커리큘럼 문서 자동 생성 입력으로 활용할 수 있습니다.
확인 필요
- 원문 작성자, 최초 게시 플랫폼 URL, 작성 일시는 본문만으로 확인되지 않습니다.
- 아래 링크들은 대표님이 전달한 텍스트를 그대로 보존한 것이며, 이번 ingest에서는 링크 대상 페이지를 열거나 재수집하지 않았습니다.
원문 (전문)
10개 GitHub repo를 하나의 학습 경로로 묶었습니다.
기본기 -> 만들기 -> 에이전트 -> 연결/기억 -> 검증/운영
- ai-engineering-from-scratch
- Hands-On LLM
- OpenAI Cookbook
- MCP for Beginners
- MCP Python SDK
- LightRAG
- DeepAgents
- Harness Books
- AutoResearch
- ml-intern
1. rohitg00/ai-engineering-from-scratch
AI Engineer 전체 로드맵을 잡기에 가장 좋은 출발점입니다.
프롬프트, AI 스킬, 에이전트, MCP 서버까지 단순히 “읽는 자료”가 아니라 직접 만들어보는 흐름으로 구성되어 있습니다.
좋은 점은 AI engineering을 모델 호출 코드로 좁게 보지 않는다는 것입니다. 모델을 어떻게 도구와 연결하고, 작업 단위로 나누고, 재사용 가능한 실행 구조로 만들 것인지까지 다룹니다.
처음부터 끝까지 따라가면 “LLM을 써봤다”가 아니라 “AI 기능을 제품 구조 안에 넣어봤다”는 감각을 얻을 수 있습니다.
2. HandsOnLLM/Hands-On-Large-Language-Models
LLM 기본기를 다시 잡고 싶다면 반드시 볼 만한 repo입니다.
토큰, 임베딩, attention, retrieval, generation, fine-tuning 같은 개념을 노트북과 예제로 따라가며 이해할 수 있습니다.
AI Engineer에게 중요한 건 모델 이름을 외우는 것이 아닙니다. 입력이 어떻게 표현되고, 검색 결과가 어떻게 붙고, 생성 결과가 왜 달라지는지 감각적으로 이해하는 것입니다.
이 repo는 그 기본기를 가장 안정적으로 잡아줍니다.
3. openai/openai-cookbook
API 실전 레시피로는 여전히 가장 먼저 봐야 하는 repo입니다.
Structured output, tool use, RAG, eval, multimodal, function calling처럼 AI Engineer가 실제 프로젝트에서 매일 부딪히는 구현 패턴이 들어 있습니다.
좋은 cookbook은 단순 예제가 아니라 문제 해결 사전입니다.
“이 기능을 만들려면 어떤 패턴으로 접근해야 하지?”라는 질문이 생길 때, 여기서 바로 시작할 수 있습니다.
4. microsoft/mcp-for-beginners
MCP 입문용으로 가장 좋은 repo 중 하나입니다.
2026년의 AI Engineer에게 MCP는 선택 지식이 아닙니다.
모델이 외부 도구, 파일, API, 업무 시스템과 연결되는 방식이 점점 표준화되고 있기 때문입니다.
이 repo는 MCP를 처음 접하는 사람이 서버, 클라이언트, tool 연결, 권한 흐름을 이해하기 좋습니다.
5. modelcontextprotocol/python-sdk
MCP를 실제로 구현하려면 beginner 자료만으로는 부족합니다.
개념을 이해한 다음에는 SDK를 봐야 합니다.
python-sdk는 MCP 서버와 클라이언트를 직접 만들 때의 실무 레퍼런스입니다. 도구 정의, 리소스 연결, 세션 처리, 실행 인터페이스를 어떻게 구성하는지 확인할 수 있습니다.
AI Engineer가 “MCP가 뭔지 안다”에서 “MCP 서버를 직접 만들 수 있다”로 넘어가려면 이 repo를 봐야 합니다.
6. HKUDS/LightRAG
RAG repo는 너무 많습니다. 그래서 오히려 선별이 중요합니다.
LightRAG는 단순 벡터 검색을 넘어서, 가볍고 빠른 retrieval architecture를 이해하기 좋습니다.
AI Engineer에게 RAG는 검색 기능 하나가 아닙니다. 기억, 컨텍스트 압축, 근거 연결, 답변 품질 관리의 핵심 구조입니다.
이 repo는 검색과 메모리를 제품 안에서 어떻게 설계할지 감각을 키우는 데 좋습니다.
7. langchain-ai/deepagents
에이전트 프레임워크를 제품화 가능한 실행 구조로 이해하기 좋은 repo입니다.
단순 agent demo는 많습니다. 하지만 실제로 중요한 건 에이전트가 장기 작업을 어떻게 나누고, 상태를 어떻게 유지하고, 도구를 어떻게 호출하고, 결과를 어떻게 검증하느냐입니다.
DeepAgents는 이 질문을 빠르게 파악하는 데 도움이 됩니다.
에이전트를 “채팅 UI 뒤의 똑똑한 모델”이 아니라, 작업을 수행하는 runtime으로 보고 싶다면 좋은 참고 자료입니다.
8. wquguru/harness-books
이번 리스트에서 개인적으로 가장 중요하게 보는 repo입니다.
Claude Code, Codex 같은 coding agent를 제대로 쓰려면 단순히 “명령을 잘 쓰는 법”을 넘어서야 합니다.
중요한 건 harness입니다. 제약을 어떻게 주고, 컨텍스트를 어떻게 관리하고, query loop를 어떻게 설계하고, multi-agent verification을 어떻게 붙일 것인가.
이 repo는 AI 앱 개발보다 한 단계 위의 주제를 다룹니다. AI Engineer가 이제 “모델 사용자”가 아니라 “에이전트 실행 환경 설계자”가 되어야 한다는 점을 잘 보여줍니다.
9. karpathy/autoresearch
이 repo는 agentic engineering의 상징에 가깝습니다.
핵심은 에이전트가 단순히 답변하는 것이 아니라, 연구 코드를 읽고, 수정하고, 실험하고, 결과를 반복한다는 점입니다.
앞으로 AI Engineer의 일은 프롬프트를 잘 쓰는 것에서 끝나지 않습니다. 실험 루프를 어떻게 설계하고, 실패를 어떻게 관찰하고, 다음 행동으로 어떻게 연결할지가 중요해집니다.
AutoResearch는 그 변화를 가장 직관적으로 보여줍니다.
10. huggingface/ml-intern
AI가 논문을 읽고, 모델을 학습하고, 결과를 ship하는 흐름을 보여주는 repo입니다.
앞으로 AI Engineer의 역할은 “모델을 직접 짜는 사람”에서 “실험, 학습, 배포 루프를 설계하는 사람”으로 이동하고 있습니다.
ml-intern은 이 변화의 방향을 잘 보여줍니다.
특히 AI가 research assistant를 넘어 engineering loop의 일부가 되는 흐름을 보고 싶다면 참고할 만합니다.