트럭 한 대로 배달과 수거를 동시에 하며 최소 이동 거리를 구하는 문제입니다. 가장 먼 집부터 역순으로 훑으며 트럭 용량만큼 묶어 처리하는 그리디로 풉니다.

원소 변경과 구간 합 질의가 뒤섞여 들어오는 문제입니다. 누적 합으로는 변경 때마다 O(N)이 들어 시간을 초과하므로, 두 연산을 모두 O(log N)에 처리하는 세그먼트 트리로 풉니다.

에이전트가 실패를 다루는 패턴입니다. 오류 감지·오류 처리·복구 세 단계를 나누고, 로깅·재시도·폴백·점진적 기능 축소·알림이라는 처리 전략과 상태 롤백·자기 교정·이관이라는 복구 전략을 정리합니다. ADK의 SequentialAgent로 폴백 체인을 구성하는 예제까지 다룹니다.

에이전트에게 목표를 주고 스스로 달성 여부를 판단하게 하는 패턴입니다. 생성·자체 평가·개선을 반복하는 코드 에이전트를 만들어 보고, 작성하는 LLM과 평가하는 LLM이 같을 때 생기는 맹점, 그리고 역할을 분리한 에이전트 팀으로 이를 보완하는 방법을 정리합니다.

LLM과 외부 세계를 잇는 개방형 표준 MCP를 정리합니다. 기존 API를 그대로 감싸기만 하면 왜 위험한지, 도구 함수 호출과 무엇이 다른지, 전송 계층과 보안에서 무엇을 정해야 하는지, 그리고 ADK와 FastMCP로 실제 서버와 클라이언트를 붙이는 과정을 다룹니다.

에이전트가 경험으로 스스로 나아지는 패턴입니다. 강화 학습부터 온라인 학습·기억 기반 학습까지의 학습 방식, PPO의 클리핑과 DPO가 보상 모델을 건너뛰는 이유, 자기 개선 코딩 에이전트 SICA의 구조와 감시자, 구글 AlphaEvolve와 OpenEvolve의 진화 루프를 정리합니다.

단기 기억과 장기 기억을 나눠 관리하는 패턴입니다. 긴 컨텍스트 윈도가 답이 아닌 이유, 구글 ADK의 세션·상태·기억 세 구성 요소와 상태 갱신 규칙, LangChain·LangGraph의 기억 도구와 장기 기억 세 유형을 정리합니다.

여러 전문 에이전트가 팀을 이뤄 작업하는 협업 패턴입니다. 여섯 가지 협업 형태와 여섯 가지 통신 모델, CrewAI 구현, 그리고 구글 ADK의 계층형·순차·병렬·루프와 도구로서의 에이전트를 정리합니다.

목표와 제약만 주면 에이전트가 스스로 경로를 설계하는 계획 수립 패턴입니다. 유연성과 예측 가능성의 상충, CrewAI 구현, 그리고 구글 딥리서치와 오픈AI 딥리서치 API라는 두 실제 사례를 정리합니다.

LLM을 외부 세계와 잇는 함수 호출 패턴입니다. 도구 정의부터 실행까지의 여섯 단계, 함수 호출과 도구 호출의 차이, LangChain·CrewAI·구글 ADK 세 프레임워크의 구현, 그리고 확장 프로그램과 함수 호출의 실행 방식 차이를 정리합니다.