decodingai-magazine/building-a-coding-agent-from-scratch-course

이 프로젝트가 무엇인가

오픈소스, 무료 실행 코스(기사 8개, 비디오 6개, Apache-2.0 라이선스)로, 프로젝트에서 코드를 읽고, 편집하고, 실행할 수 있는 AI인 코딩 에이전트를 처음부터 구축하는 방법을 안내합니다. 결과물은 decode, 직접 구축하는 작동하는 코딩 어시스턴트입니다. 이 코스는 Decoding AI가 제공하며, Modal, Opik, Kitaru의 기술적 지원을 받습니다.

핵심 아이디어: "하네스"가 중요하다

이 프로젝트는 강력하고 증거 기반의 주장을 합니다: AI 모델 자체는 약 20줄의 코드에 불과합니다 — 모델이 프롬프트를 읽고, 호출할 도구(파일 읽기, 명령 실행 등)를 결정하고, 반복하는 간단한 루프입니다. 어렵고 흥미로운 작업은 그 루프 주변의 모든 것입니다: 도구, 권한 검사, 메모리 관리, 샌드박싱, 오류 처리. 그 주변 시스템을 하네스라고 하며, README는 하네스만 개선해도 코딩 에이전트가 벤치마크에서 약 30위에서 상위 5위로 올라갔다고 주장합니다. 따라서 이 코스는 그 하네스를 엔지니어링하는 방법을 가르칩니다.

무엇을 구축하는가

decode라는 완전한 코딩 에이전트로, 다음을 갖추고 있습니다:

• 두 가지 인터페이스: 대화형 터미널 UI와 Modal에 배포된 원격 서버리스 모드(많은 에이전트를 병렬로 실행할 수 있으며, 수동, 웹훅 또는 일정으로 트리거).
• 여섯 가지 지원 모듈: LLM 공급자, 메모리, 스킬(재사용 가능한 지침 세트), 샌드박싱, 권한, 빠른 편집기 유사 피드백을 위한 LSP 서버.
• 컨텍스트 엔지니어링: 대화가 모델의 컨텍스트 창의 약 80%에 도달하면 자동 요약, 메모리 및 스킬 로딩 포함.
• 하위 에이전트: 코드 탐색, 계획, 검토를 위한 전문화된 헬퍼 에이전트로, 각각 비대한 창 대신 집중된 작은 컨텍스트 창을 받습니다.
• 관찰 가능성 및 평가: 모든 세션이 기록되고 재생될 수 있습니다. 코드는 Opik(추적)과 Kitaru(재생)를 통합하며, 벤치마킹 및 회귀 감지를 위한 평가 하네스를 포함합니다.

기술 스택

• 언어: Python
• 에이전트 프레임워크: Pydantic AI
• LLM: 교체 가능한 세 가지 공급자 — Modal(SGLang을 통해 오픈 가중치 모델 자체 호스팅), OpenRouter(서비스로서의 오픈 가중치), 또는 Gemini(독점)
• 샌드박싱: 로컬 Docker 또는 원격 Modal 샌드박스 — 에이전트의 명령은 절대 사용자 머신에서 직접 실행되지 않습니다
• 배포: Modal 서버리스 함수
• 기록/평가: Kitaru(세션, 재생), Opik(추적)

다른 모든 것은 의도적으로 처음부터 구축됩니다 — 이 코스는 어려운 부분을 추상화하는 프레임워크를 피합니다.

8개의 레슨 (각각 기사 포함, 대부분 비디오 포함)

#	주제	배우는 내용
1	시스템 설계	전체 하네스 스케치: 헤드리스 코어, 여섯 모듈, 두 인터페이스 모드, 평가 레이어.
2	최소 에이전트 루프	에이전트가 조작 가능한 TUI에서 9개의 도구와 3개의 교체 가능한 LLM 공급자를 루프합니다.
3	샌드박싱	도구는 Docker 또는 Modal 샌드박스 내에서 실행됩니다 — 호스트에서는 절대 실행되지 않습니다.
4	컨텍스트 엔지니어링	메모리 로드, 스킬 호출, LSP 진단 읽기, 창의 80%에서 자동 압축.
5	하위 에이전트	병렬 Explore 하위 에이전트 확장; 빌드, 계획, 코드 리뷰어 페르소나 전환.
6	배포	Modal에서 헤드리스 하네스를 원격으로 실행, CLI, 웹훅 또는 cron으로 에이전트 트리거.
7	평가	에이전트를 위한 벤치마크 및 회귀 테스트 구축.
8	회귀 성장	실제 실패한 에이전트 추적을 새로운 회귀 테스트로 전환하고, Kitaru 재생을 사용하여 실행 비교.

지금 시도해 보세요

완성된 에이전트에는 데모 스킬이 포함되어 있습니다. 클론하고 (무료로) 설치한 후 약 5분 안에 decode가 플레이 가능한 스네이크 게임을 만들고, 웹 기사를 대화형 지식 그래프로 스크래핑하거나, GitHub 데이터를 대시보드로 가져오는 것을 볼 수 있습니다 — 모두 단일 프롬프트에서.

git clone https://github.com/decodingai-magazine/building-a-coding-agent-from-scratch-course.git
cd building-a-coding-agent-from-scratch-course
make install
cp .env.example .env   # LLM API 키 설정
uv run decode

그런 다음 /demo-를 입력하고 데모를 선택하세요.

대상 독자

README는 장난스러운 경고를 합니다: 코딩 하네스를 처음부터 구축하면 금융, 의료, 전자상거래 등 다른 AI 제품을 구축하는 데 "위험할 정도로 능숙"해질 수 있습니다. 레슨은 코드가 무엇을 하는지뿐만 아니라 각 설계 결정이 왜 이루어졌는지 강조합니다 — 예를 들어, 왜 압축이 한계가 아닌 약 80%에서 발생하는지, 또는 왜 하위 에이전트가 컨텍스트 엔지니어링의 문제인지.