이 블로그 글에서는 다음을 확인할 수 있습니다:
- AI 에이전트의 정의.
- AI 에이전트의 작동 방식과 주요 구성 요소.
- 지능과 행동에 따른 AI 에이전트의 주요 유형.
- AI 에이전트 구축에 필요한 모든 단계.
- AI 에이전트 개발에 최적화된 기술 스택.
- 에이전트의 실제 사례.
자, 시작해 보겠습니다!
AI 에이전트란 무엇인가?
AI 에이전트는 인간의 개입이 거의 또는 전혀 없이( 인간이 개입하는 시나리오 제외) 도구를 사용하고 의사 결정을 내리면서 목표를 달성하기 위해 자율적으로 작업을 수행할 수 있는 소프트웨어 시스템입니다.
목표를 달성하기 위해 AI 에이전트는 일반적으로 여러 처리 단계를 조정하고, 메모리를 활용하며, API, 데이터베이스 또는 타사 솔루션과 같은 외부 도구와 통합하여 계획을 수립하고, 추론하고, 행동을 조정합니다.
AI 에이전트의 작동 방식과 구성 요소
AI 에이전트는 일반적으로 복잡하고 여러 단계를 포함하는 목표 달성을 목표로 자율적인 사이클을 실행함으로써 작동합니다. 이를 위해 환경을 인지하고, 접근하거나 검색한 정보에 대해 추론하며, 행동을 취하고, 결과로부터 학습해야 합니다. 목표가 달성되었다고 판단될 때까지 이 사이클을 계속합니다.
단일 작업을 수행하는 기존 LLM 호출과 달리, AI 에이전트는 전략을 조정하고 실수로부터 학습하면서 다단계 문제 해결에 참여할 수 있습니다.
AI 에이전트의 행동은 다양한 요인, 특히 의존하는 개념적 아키텍처에 따라 달라집니다. 크게 보면, 그 작업 흐름은 인식, 추론, 행동, 학습 등의 단계로 구성된 반복 루프로 이루어집니다. 이러한 단계들이 함께 작용하여 에이전트가 자율적으로 목표를 추구할 수 있게 합니다.
기술적 관점에서 에이전트는 목표 검증에 기반한 종료 조건을 가진 while True 루프처럼 간단하게 구현될 수 있습니다. 예를 들어, Hugging Face가 최근 Agent 클래스를 구현한 방식이 바로 이렇습니다. Hugging Face AI 에이전트 구축 방법에 대해 자세히 알아보세요.
AI 에이전트의 핵심 구성 요소
AI 에이전트는 일반적으로 자율적이고 적응적인 행동을 가능하게 하는 몇 가지 핵심 구성 요소로 이루어집니다. 이들은 다음과 같습니다:
- 대규모 언어 모델(LLM): 에이전트의 “두뇌” 또는 “엔진”으로 불리는 AI 모델은 기초적인 추론 및 자연어 처리 능력을 제공합니다. 이를 통해 에이전트는 사용자 입력을 해석하고, 응답을 생성하며, 계획을 수립할 수 있습니다. 단일 에이전트가 여러 LLM 모듈(예: 추론을 위한 모듈, 계획을 위한 모듈, 목표 검증을 위한 모듈)을 사용할 수 있다는 점에 유의하십시오. 또한 AI 모델은 원격으로 운영되거나 로컬에 호스팅될 수 있습니다.
- 메모리: 시간에 따른 맥락 유지 및 학습에 필수적인 에이전트의 메모리는 일반적으로 두 시스템으로 구성됩니다:
- 단기 기억: 현재 작업이나 대화의 즉각적인 맥락을 처리하며, 지속적인 일관성을 위해 필요한 최근 정보를 저장합니다. 대부분의 경우, 빠른 접근과 낮은 지연 시간이 핵심이므로 임시 캐시, 세션 기반 저장소 또는 Redis와 같은 인메모리 데이터 구조나 데이터베이스를 사용하여 구현됩니다.
- 장기 기억: 사실적 지식, 과거 경험, 사용자 선호도, 여러 세션에 걸쳐 축적된 기술을 저장합니다. 이 구성 요소는 에이전트가 연속성을 유지하고 더 개인화되고 맥락을 인식하는 응답을 제공할 수 있게 합니다. 장기 기억을 위한 일반적인 기술로는 임베딩 저장을 위한 벡터 데이터베이스(예: Pinecone, Weaviate, FAISS), SQL/NoSQL 데이터베이스 및 문서 저장소 또는 지식 기반(예: MySQL, PostgreSQL, MongoDB 등)이 있습니다.
- 도구: 대규모 언어 모델(LLM)은 지식이 제한적이며 모든 작업을 단독으로 수행할 수 없습니다. AI 에이전트는 외부 도구를 통합하여 기능을 확장합니다. 이를 통해 기본 LLM이 환경 및 외부 세계와 상호작용할 수 있게 됩니다(예: 파일 시스템 접근, 웹 브라우징, 비즈니스 인프라 연동). 이러한 도구는 웹 스크래핑, 웹사이트 상호작용, 파일 생성 등 특정 작업 수행을 지원합니다. 도구 사용 관리를 위해 에이전트는 다양한 AI 프로토콜을 활용하며, 그중 MCP(Multi-Tool Control Protocol)가 (적어도 현재로서는) 가장 널리 사용됩니다.
- 실행 런타임: 이 오케스트레이션 계층은 에이전트의 전체 워크플로를 관리합니다. 계획이 준수되는지 확인하고, 도구 호출을 올바르게 순차화하며, 모든 움직이는 부분을 조정합니다. 또한 AI 에이전트 아키텍처의 배포 및 관리를 용이하게 할 수 있습니다. 실행 런타임의 예로는 LangChain, LlamaIndex, CrewAI, AutoGen 등이 있습니다.
추가 자료:
- AI 에이전트 기술 스택 내부
- 최고의 AI 웹 스크래핑 도구: 종합 비교
- LLM용 AI 준비 벡터 데이터셋 구축: Bright Data, Google Gemini, Pinecone 가이드
AI 에이전트의 유형
이 섹션에서는 다양한 유형의 AI 에이전트에 초점을 맞출 것입니다. 이들은 의사 결정 수준과 원하는 결과를 달성하기 위해 환경과 상호작용하는 방식에 따라 분류됩니다.
참고: AI 에이전트를 분류하는 방법은 다양하지만, 이 분류법은 가장 관련성이 높습니다. 에이전트의 행동 방식과 의사 결정 과정을 명확히 정의하기 때문입니다. 다른 가능한 분류법으로는 ReAct, ReWOO 등 추론 패러다임 기반 분류법이 있습니다.
추가 자료:
단순 반사 에이전트
단순 반사 에이전트는 가장 기본적인 유형의 AI 에이전트입니다. 현재 환경 입력과 미리 정의된 조건-행동 규칙 세트만을 기반으로 결정을 내립니다. 내부 상태나 과거 경험의 기억을 유지하지 않으며, 미래의 결과를 고려하지도 않습니다. 행동은 즉각적이고 반응적입니다.
모델 기반 반사 에이전트
모델 기반 반사 에이전트는 단순 반사 에이전트보다 개선된 형태입니다. 세계에 대한 내부 모델을 통합하여 에이전트가 현재 상태를 추적하고 과거 상호작용이나 행동이 환경에 미친 영향을 이해하는 데 도움을 줍니다. 이는 부분적으로 관측 가능한 환경에서도 작동할 수 있음을 의미합니다.
여전히 조건-행동 규칙을 사용하지만, 결정은 현재 지각과 추론된 내부 상태 모두를 기반으로 합니다. 환경 역학에 대한 이러한 기억과 추론은 단순한 대응자보다 더 정보에 기반하고 효과적인 결정을 가능하게 합니다.
목표 기반 에이전트
목표 기반 에이전트는 능동적이며 특정 목표나 목적을 지닙니다. 계획과 추론을 통해 다양한 가능한 행동을 평가하고 목표 달성에 더 가까워질 수 있는 단계의 순서를 선택합니다. 이러한 AI 에이전트는 원하는 미래 상태를 예측하여 목표에 대한 결과의 논리적 평가를 바탕으로 결정을 내릴 수 있습니다.
효용 기반 에이전트
효용 기반 에이전트는 단순한 목표 달성을 넘어 효용 함수를 사용하여 전체적인 이익이나 행복을 극대화합니다. 가능한 다양한 결과를 평가하고 각각에 수치적 효용 값을 할당함으로써, 상충하는 목표나 절충점(예: 속도 대 안전)을 균형 있게 고려하는 미묘한 결정을 내릴 수 있습니다.
학습 에이전트
학습 에이전트는 환경으로부터의 피드백을 바탕으로 새로운 경험과 데이터에 적응하며 시간이 지남에 따라 성능을 향상시킵니다. 학습 구성 요소를 통해 지속적으로 행동을 업데이트합니다. 학습 에이전트를 구현하는 데 흔히 사용되는 메커니즘은 강화 학습으로, 에이전트가 지속적인 시행착오를 통해 보상을 극대화하는 행동을 학습합니다.
추가 자료:
다중 에이전트 시스템
다중 에이전트 시스템은 복잡한 문제를 처리하기 위해 상호작용하는 여러 에이전트가 협력하는 구조입니다. 상위 레벨 에이전트는 포괄적인 목표에 집중하는 반면, 하위 레벨 에이전트는 특정 하위 작업을 처리합니다. 핵심 개념은 AI 오케스트레이션으로, 시스템이 이러한 다양한 에이전트를 통합하여 여러 영역에 걸친 복잡한 작업을 관리합니다. 다중 에이전트 시스템 구현에 가장 널리 사용되는 라이브러리 중 하나는 CrewAI입니다.
추가 자료:
- CrewAI와 Bright Data로 부동산 에이전트 구축하기
- CrewAI와 Bright Data를 활용한 다중 출처 리뷰 인텔리전스 에이전트 구축
- CrewAI와 Bright Data를 활용한 GEO 콘텐츠 최적화
AI 에이전트 구축: 아이디어 구상부터 배포까지
아래 단계는 AI 에이전트를 처음부터 온라인으로 구축하기까지 필요한 모든 과정을 보여줍니다. 함께 살펴보겠습니다!
1. 목적 정의
에이전트가 처리해야 할 작업과 커버해야 할 시나리오를 높은 수준에서 고려하세요. 에이전트는 특정 문제를 해결할 수 있을 만큼 전문화되어야 합니다. 하지만 때로는 다양한 작업을 수행하고 여러 사용 사례를 커버하는 에이전트를 구축하고 싶을 수도 있습니다.
어떤 경우든 AI 에이전트의 목적을 명확히 이해해야 합니다. 완전한 에이전트보다 간단한 AI 워크플로만으로도 충분하다는 결론에 도달할 수도 있습니다.
2. 에이전트 워크플로 설계
에이전트를 아래 예시처럼 노드 지도로 시각화하세요. 각 노드는 구성 요소에 대응합니다:
경우에 따라 구성 요소보다는 단계별로 생각하는 것이 더 나을 수 있습니다. 이 과정은 워크플로를 명확히 정의하고 각 노드/단계의 예상 입력 및 출력을 설정하는 데 도움이 됩니다.
3. 데이터 소스 선택
AI 에이전트의 성능은 접근 가능한 데이터와 정보의 수준에 달려 있습니다. 따라서 AI 모델이 목표를 달성하는 데 필요한 데이터를 식별하고 제공해야 합니다. 여기에는 API, 웹 데이터, 데이터셋, 데이터베이스 또는 기타 데이터 소스가 포함될 수 있습니다. 경험적 벤치마크에서 입증된 바와 같이 모든 데이터 형식이 AI 입력에 이상적인 것은 아니라는 점을 명심하세요.
이와 관련해 Bright Data는 다음과 같은 풍부한 AI 지원 제품 인프라를 제공합니다:
- 웹 언락커 API: 웹사이트의 봇 방지 기능을 우회하여 모든 웹 페이지를 HTML 또는 마크다운 형식으로 가져올 수 있게 합니다.
- SERP API: 검색 엔진 결과를 해제하고 주요 검색 엔진에서 SERP 데이터를 추출하여 웹 검색 시나리오를 지원합니다.
- 웹 스크레이퍼 API: 100개 이상의 주요 도메인에서 AI 최적화 형식으로 구조화된 데이터를 검색하기 위한 사전 구성된 API입니다.
- 브라우저 API: AI와 통합된 클라우드 제어형 브라우저 인스턴스로 프로그래매틱 웹 상호작용을 지원하며, 내장된 잠금 해제 기능을 제공합니다.
- 크롤링 API: 모든 도메인에서 콘텐츠 추출을 자동화하여 전체 웹사이트 콘텐츠를 마크다운, 텍스트, HTML 또는 JSON으로 검색합니다.
- 훈련 데이터: 인기 플랫폼의 AI 준비 완료된 공개 웹 데이터 및 다중 모달 데이터셋으로, 수십억 개의 항목을 제공합니다.
4. AI 모델 선택
OpenRouter 및 Hugging Face와 같은 플랫폼에는 수천 개의 AI 모델이 등록되어 있습니다. OpenAI 또는 Gemini 모델과 같은 범용 모델도 있고, 특정 분야에 최적화된 모델도 있습니다. 에이전트의 시각적 워크플로우와 고수준 아키텍처를 기반으로, LLM 통합이 필요한 각 노드를 구동할 AI 모델을 선택하세요.
추가 자료:
- Unsloth를 활용한 GPT-OSS 미세 조정 단계별 가이드
- 더 나은 결과를 위한 최신 웹 데이터로 Llama 4 미세 조정
- 맞춤형 Q&A 데이터셋을 활용한 Gemma 3 미세 조정 단계별 가이드
- n8n을 활용한 웹 스크레이퍼 API로 GPT-4o 미세 조정 방법
5. 도구 통합
LLM은 콘텐츠 생성에 탁월하지만 다른 기능과 훈련 데이터에 제한이 있습니다. 에이전트의 기능을 확장하려면 LLM 기반 노드에 필요한 도구를 식별하세요. 이러한 도구는 외부 API 호출을 통한 맞춤형 구축, 로컬 태스크 러너 활용, MCP 서버 같은 즉시 사용 가능한 서비스에서 제공될 수 있습니다.
참고: Bright Data의 Web MCP는 60개 이상의 통합 도구를 통해 LLM 및 AI 에이전트가 차단 없이 온라인 콘텐츠를 검색, 추출, 탐색할 수 있도록 웹 접근성을 효과적으로 지원합니다. 무료 사용이 가능한 무료 티어도 제공된다는 점을 기억하세요.
추가 자료:
- Bright Data Web MCP를 smolagents에 통합하는 방법
- LangChain 에이전트를 Bright Data 웹 MCP에 손쉽게 연결하기
- CrewAI & Bright Data 웹 MCP: 고급 웹 스크래핑 가이드
- AutoGen AgentChat과 Bright Data 웹 MCP 통합
- Pydantic AI를 Bright Data의 웹 MCP와 통합하기
- AWS Strands SDK + Bright Data MCP를 사용하여 AI 에이전트 구축하기
- Bright Data의 웹 MCP 통합
6. 로직 구현
선택한 AI 에이전트 프레임워크 또는 로우코드/노코드 솔루션을 사용하여 설계를 기능적인 시스템으로 전환하여 에이전트를 구현합니다. 여기에는 AI 모델, 도구 및 기타 구성 요소를 연결하는 작업이 포함됩니다.
AI 에이전트 구현에는 스크립트 작성, 구성 파일 생성, LLM 기반 노드가 특정 작업을 수행하도록 안내하는 프롬프트 정의 등이 포함될 수 있습니다. 여러 AI 에이전트가 있는 경우 에이전트 간 통신을 위해 A2A(에이전트 간 통신)와 같은 프로토콜을 활용할 수도 있습니다.
추가 자료:
- Pica와 Bright Data로 AI 에이전트 구축하기
- 데이터 검색 기능을 갖춘 AI 에이전트 구축을 위한 Dify 활용
- LlamaIndex를 활용한 웹 데이터 기반 AI 에이전트 구축
- – xpander.ai에서 스크래핑 기능을 갖춘 AI 에이전트 구축하기
- Hugging Face와 Bright Data로 구동되는 AI 스크레이퍼 구축 방법
7. 테스트 및 반복
에이전트가 실행 가능한 상태가 되면 단순한 시나리오와 복잡한 시나리오 모두에서 테스트하세요. 각 단계가 예상된 입력과 출력을 생성하는지 확인합니다. 테스트는 추가 도구, 다른 모델 또는 더 나은 프롬프트의 필요성을 파악하는 등 에이전트 인프라를 개선하는 데도 도움이 됩니다. 정확성과 신뢰성을 위해 특히 에지 케이스 테스트가 중요합니다. 또한 일부 오류가 발생할 수 있으며, 더 강력한 오류 처리 프로세스가 필요하다는 점을 깨닫게 될 것입니다.
8. 배포 및 모니터링
마지막으로 에이전트를 클라우드 또는 온프레미스에 배포하세요. 모니터링 도구를 구현하여 실제 환경에서 에이전트의 동작을 추적하십시오. 모니터링 피드백은 에이전트를 반복 개선하는 데 도움이 됩니다. 새로운 모델, 도구 또는 기능이 등장할 수 있으므로 최신 AI 발전을 활용하기 위해 지속적으로 에이전트를 업데이트해야 합니다.
추가 자료:
AI 에이전트 개발을 위한 최적의 기술 스택
소프트웨어 개발에서 흔히 그렇듯, AI 에이전트 구축을 위한 단일한 ‘최고의’ 기술 스택은 존재하지 않습니다. 대신 성공은 AI 에이전트 개발 과정에 관여하는 각 구성 요소(예: AI 공급자, 대규모 언어 모델(LLM), 데이터베이스, 프롬프트 버전 관리 도구 등)에 대한 올바른 선택에 달려 있습니다.
여기서는 스택의 가장 중요한 측면인, AI 에이전트를 실제로 구축하는 데 사용되는 프레임워크 또는 솔루션에 집중하겠습니다!
아래에는 GitHub 스타 수 기준으로 정렬된 15개 이상의 가장 인기 있는 오픈소스 옵션이 표로 정리되어 있습니다:
| AI 에이전트 프레임워크 | 프로그래밍 언어 | GitHub 스타 |
|---|---|---|
| AutoGPT | — (로우 코드/노 코드) | 179k+ |
| Langflow | Python, TypeScript/JavaScript | 134k+ |
| LangChain | Python, JavaScript/TypeScript | 118k+ |
| Dify | — (로우 코드/노 코드) | 117k+ |
| AutoGen | Python, .NET | 51k+ |
| 플로이즈 | — (로우 코드/노 코드) | 46k+ |
| LlamaIndex | Python, JavaScript/TypeScript | 44.9k+ |
| CrewAI | Python | 39.6k+ |
| Agno | Python | 34.5k+ |
| ChatDev | Python | 27.6k+ |
| 세미틱 커널 | Python, .NET, Java | 26.5k+ |
| smolagents | Python | 23.5k+ |
| Letta | Python, TypeScript | 18.9k+ |
| OpenAI 에이전트 SDK | Python, TypeScript | 16.8k+ |
| Google Agent Development Kit (ADK) | Python, Java | 13.9k |
| PydanticAI | Python | 13k+ |
참고: Bright Data는 MCP를 통해 위에 나열된 대부분의 기술과 기타 여러 기술을 공식적으로 통합합니다. 70개 이상의 사용 가능한 통합을 모두 살펴보세요.
추가 자료:
AI 에이전트 사례
이제 AI 에이전트가 무엇인지, 어떻게 작동하는지, 어떤 구성 요소로 이루어져 있는지, 그리고 구축에 사용되는 도구에 대해 명확히 이해하셨다면, 마지막 단계는 실제 작동 모습을 확인하는 것입니다.
이를 위해 다양한 기술로 구축되고 광범위한 사용 사례를 다루도록 설계된 AI 에이전트 선별 모음을 제공하는 당사의 AI 에이전트 쇼케이스를 확인해 보시길 권장합니다.
추가 자료:
- TrendScan: Crunchbase, LinkedIn, Reddit, Twitter/X에서 기업 데이터를 자동 수집하고 AI 기반 분석을 수행하는 다중 소스 기업 인텔리전스 플랫폼.
- 통합 검색 에이전트: LangGraph로 구축된 정교한 다중 모달 검색 에이전트로, 쿼리 의도 분류에 따라 Google 검색과 웹 스크래핑 간을 지능적으로 전환합니다.
- 부동산 AI 에이전트 시스템: AI 에이전트, Nebius Qwen LLM, Bright Data Web MCP를 활용해 부동산 자산 데이터를 구조화된 JSON으로 추출하는 지능형 Python 시스템.
- GEO AI 크루: URL 크롤링, H1 태그 분석, 크루AI를 통한 실행 가능한 GEO 권장사항 생성을 통해 웹사이트 콘텐츠를 감사하고 최적화하는 AI 기반 도구.
- FactFlux: Agno 프레임워크와 Bright Data 도구를 사용하여 소셜 미디어 게시물의 사실 확인을 위한 지능형 다중 에이전트 시스템.
- AI Travel Planner: n8n과 Bright Data를 이용한 실시간 스크래핑으로 여행 계획을 자동화하는 AI 에이전트.
결론
이 글에서는 AI 에이전트 구축에 필요한 모든 것을 배웠습니다. 이를 통해 AI 에이전트 개발에 필요한 정보를 습득했을 뿐만 아니라, 이 트렌디한 주제에 대한 전문성을 더욱 높일 수 있는 풍부한 추가 자료도 확보하게 되었습니다.
AI 에이전트 구축 목표가 무엇이든, 신뢰할 수 있는 웹 데이터 파트너가 있다면 모든 것이 달라집니다. 결국 여기서 강조한 바와 같이, 에이전트의 성능은 보유한 지식에 달려 있으며, 이는 전적으로 접근 가능한 데이터에 의존합니다.
바로 여기에 Bright Data가 필요한 이유입니다. Bright Data는 다양한 에이전트 시나리오와 사용 사례를 지원하기 위한 완벽한 AI 솔루션 인프라를 제공합니다.
지금 바로 Bright Data 계정을 생성하고 웹 데이터 도구를 AI 에이전트에 무료로 통합하세요!
자주 묻는 질문
AI 에이전트 vs 에이전틱 AI: 차이점은 무엇인가요?
AI 에이전트는 전체 프로세스를 자율적으로 수행합니다. 반면 에이전틱 AI는 더 복잡한 목표를 달성하기 위해 여러 에이전트를 조정할 수 있는 상위 수준의 시스템을 의미합니다. 지속적인 인간 개입 없이도 계획, 추론, 동적 적응이 가능합니다. 간단히 말해, AI 에이전트는 작업을 처리하는 반면, 에이전틱 AI는 이를 조율하는 지능형 인프라 역할을 합니다.
AI 에이전트 vs. AI 워크플로우: 주요 차이점은 무엇인가요?
AI 워크플로는 미리 정의된 단계나 논리 순서를 따르는 프로세스입니다. 높은 예측 가능성을 제공하며 구조화되고 반복적인 작업에 이상적입니다. 반면 AI 에이전트는 자율성을 지닌 비결정론적 시스템으로, 추론을 통해 실시간으로 동적으로 계획하고 도구를 선택하며 행동을 조정합니다. 해결 경로가 미리 정의되지 않은 개방형 문제에 이상적입니다.
AI 에이전트 구축에 가장 적합한 기술은 무엇인가요?
에이전트형 AI는 목표 달성을 위한 계획 수립, 도구 사용, 상태 추적, 의사 결정 등 자율적 작업 실행에 중점을 둡니다. 반면 생성형 AI(GenAI)는 프롬프트를 기반으로 텍스트, 이미지, 동영상 또는 코드와 같은 새로운 콘텐츠를 생성합니다. 따라서 에이전트형 AI는 조정하고, 생성형 AI는 창조합니다. 에이전트형 AI와 생성형 AI 비교에 관한 당사 기사를 자세히 살펴보세요.
AI 에이전트 통합에 가장 적합한 MCP 서버는 무엇인가요?
AI 에이전트용 MCP 서버로는 실시간 웹 데이터 및 구조화된 추출을 위한 Bright Data의 Web MCP, 개발 워크플로우 자동화를 위한 GitHub, 데이터베이스 및 백엔드 관리를 위한 Supabase, 브라우저 자동화를 위한 Playwright MCP, 지식 관리를 위한 Notion 등이 있습니다. 그 외 주목할 만한 서버로는 Atlassian, Serena, Figma, Grafana 등이 있습니다. AI 에이전트용 최고의 MCP 서버에 관한 저희 기사에서 모두 확인해 보세요.
에이전틱 RAG란 무엇인가요?
에이전틱 RAG (Retrieval-Augmented Generation)는 자율적 AI 에이전트를 활용하여 검색 및 응답 생성 과정을 지능적으로 제어하고 적응시키는 고급 형태의 RAG 기술입니다. Bright Data로 에이전틱 RAG 시스템을 구축하는 방법을 확인해 보세요.
