AI를 "공부한다"는 말은 너무 넓어서, 어디서 시작할지 몰라 논문부터 펴는 사람이 많다. 코드를 이미 짜는 개발자라면 순서가 다르다. API를 직접 호출해 보고, 컨텍스트를 설계하고, 검색과 도구를 붙이는 쪽이 훨씬 빨리 몸에 붙는다. 이 글은 내가 실제로 밟은 순서를 8주 로드맵으로 정리한 것이다.
30초 요약
| 궁금한 것 | 답 |
|---|---|
| 첫 단계 | Python으로 API를 직접 호출한다. SDK보다 HTTP 요청/응답 구조를 먼저 본다 (Messages API) |
| 두 번째 | 프롬프트 문장이 아니라 컨텍스트 설계(무엇을 넣고 무엇을 뺄지)를 배운다 |
| 세 번째 | 임베딩 + 검색으로 RAG를 직접 만든다. 프레임워크 없이 100줄이면 된다 |
| 네 번째 | 도구 호출(tool use) 루프를 손으로 짜본다. 에이전트는 그 루프에 이름을 붙인 것이다 |
| 다섯 번째 | 평가 세트와 비용 측정. 이걸 안 만들면 개선인지 아닌지 판단할 수 없다 |
| 먼저 버릴 것 | 파인튜닝부터 시작하는 습관, 프레임워크 암기, 논문 1장부터 읽기 |
| 기간 | 하루 2시간 기준 8주. 직장인은 12주로 잡아도 충분히 빠르다 |
| 비용 | 학습 단계 API 비용은 월 몇 천 원 수준이다. Opus 5.5는 100만 토큰당 입력 $4 / 출력 $20 (pricing) |

그림 1. API → 컨텍스트 → 검색 → 도구 → 평가로 이어지는 학습 순서.
목차
- AI 공부 순서 전체 지도 — 단계와 8주 일정
- 1단계: Python과 HTTP — API를 직접 부른다
- 2단계: 프롬프트보다 컨텍스트 — 토큰과 캐시
- 3단계: 임베딩과 RAG — 검색을 붙이는 순간
- 4단계: 도구 호출과 에이전트 루프
- 5단계: 평가와 비용 — 개선을 숫자로 만든다
- 2026년에 안 해도 되는 것
- 내가 막혔던 곳
- 참고 자료
AI 공부 순서 전체 지도 — 다섯 단계

그림 2. 단계별로 "손으로 만들어 보는 것"이 하나씩 있어야 한다.
핵심은 각 단계마다 결과물이 남는가다. 강의를 들었는지는 중요하지 않다. 1단계는 터미널에서 답이 찍히는 스크립트, 2단계는 토큰·비용이 찍히는 로그, 3단계는 내 문서를 검색하는 함수, 4단계는 도구를 스스로 부르는 루프, 5단계는 30개짜리 테스트 세트다.
| 단계 | 배우는 것 | 결과물 | 흔한 함정 |
|---|---|---|---|
| 1 | Python, HTTP, JSON, API 키 관리 | API 답을 출력하는 스크립트 | SDK만 쓰고 요청 본문을 모른다 |
| 2 | 토큰, 컨텍스트 윈도우, 캐시, 시스템 프롬프트 | 토큰·비용 로그 | 프롬프트만 고치면 된다고 믿는다 |
| 3 | 임베딩, 청킹, 벡터 검색 | 내 문서 검색 함수 | 청킹을 대충 해서 검색이 안 된다 |
| 4 | tool use, 종료 조건, 재시도 | 도구를 부르는 에이전트 | 무한 루프로 API를 폭주시킨다 |
| 5 | 평가 세트, 회귀 테스트, 비용 한도 | 30문항 테스트 + 리포트 | 감으로 "좋아졌다"고 판단한다 |
이 순서를 지키는 이유는 뒤 단계가 앞 단계를 재료로 쓰기 때문이다. RAG를 제대로 디버깅하려면 토큰과 컨텍스트를 알아야 하고, 에이전트가 왜 헛도는지 보려면 검색 품질을 알아야 한다.
8주 학습 일정
하루 2시간 기준이다. 각 주의 결과물이 없으면 다음 주로 넘어가지 않는다.
| 주 | 주제 | 그 주에 남겨야 하는 것 |
|---|---|---|
| 1주 | Python 복습 + HTTP/JSON | API 키 숨기는 법, curl로 답 받기 |
| 2주 | SDK로 호출 + 토큰 계산 | usage를 로그로 남기는 스크립트 |
| 3주 | 컨텍스트 설계 + 캐시 | 같은 질문을 3가지 컨텍스트로 비교한 표 |
| 4주 | 임베딩 + 벡터 검색 | 내 문서 100개 검색 함수 |
| 5주 | RAG 파이프라인 + 리랭킹 | 출처 붙은 답변, 실패 사례 10개 |
| 6주 | 도구 호출 | 함수 2개를 스스로 고르는 루프 |
| 7주 | 에이전트 + 로그/재시도 | 최대 스텝·비용 상한이 걸린 실행 |
| 8주 | 평가 세트 + 배포 | 30문항 테스트, 비용 리포트 1장 |
8주가 지나면 "AI를 쓸 줄 아는 개발자"가 아니라 "AI 기능을 만들고 고칠 줄 아는 개발자"가 된다. 이 차이가 이력서에 쓸 수 있는 차이다.
1단계: Python과 HTTP — API를 직접 부른다
Python은 문법 전체를 다시 배울 필요가 없다. 함수, 딕셔너리, 리스트 컴프리헨션, try/except, json 모듈, pathlib 정도면 충분하다. 공식 튜토리얼의 3~7장과 9장이면 시작할 수 있다 (Python Tutorial).
그다음이 진짜 첫 단계다. LLM API를 직접 호출한다. Claude API는 https://api.anthropic.com의 REST API이고, 대화는 POST /v1/messages로 보낸다 (API overview). 구조는 단순하다.
curl https://api.anthropic.com/v1/messages \
-H "x-api-key: $ANTHROPIC_API_KEY" \
-H "anthropic-version: 2023-06-01" \
-H "content-type: application/json" \
-d '{
"model": "MODEL_ID",
"max_tokens": 300,
"system": "너는 코드 리뷰어다. 문제만 지적한다.",
"messages": [{"role": "user", "content": "이 파이썬 함수의 버그를 찾아줘: ..."}]
}'
여기서 확인할 것이 네 가지다. system은 대화 밖 지시라는 점, messages는 user/assistant가 번갈아 쌓이는 배열이라는 점, 응답에 usage(입력·출력 토큰 수)가 함께 온다는 점, model은 콘솔의 Models 페이지에서 복사해 넣는다는 점.
익숙해지면 SDK로 옮겨간다. Python SDK는 pip install anthropic으로 설치하고, 환경변수 ANTHROPIC_API_KEY를 읽어서 같은 요청을 보낸다 (SDK 문서).
from anthropic import Anthropic
client = Anthropic() # ANTHROPIC_API_KEY 환경변수를 읽는다
msg = client.messages.create(
model="MODEL_ID", # 콘솔에서 복사
max_tokens=300,
system="너는 코드 리뷰어다. 문제만 지적한다.",
messages=[{"role": "user", "content": "다음 함수의 버그를 찾아줘:\n" + code}],
)
print(msg.content[0].text)
print(msg.usage.input_tokens, msg.usage.output_tokens)
API 키는 절대 코드에 넣지 않는다. .env에 두고 .gitignore에 추가하거나, macOS라면 Keychain에 넣고 꺼내 쓰는 습관을 처음부터 들인다. 이 단계의 목표는 "모델이 답을 준다"가 아니라 "내가 요청을 조립해서 보낸다"이다.
2단계: 프롬프트보다 컨텍스트 — 토큰과 캐시
프롬프트 팁을 모으는 단계가 아니다. 모델에 들어가는 입력 전체를 설계하는 단계다. 토큰이 무엇이고 왜 비용과 한도의 기준인지는 이미 따로 정리해 두었다 (토큰이란?).
여기서 손에 익혀야 할 것은 세 가지다.
- 토큰 세기: 요청 전에 토큰 수를 미리 세는 API가 따로 있다 (Token Counting). 긴 문서를 넣기 전에 얼마인지 먼저 확인하는 습관이 비용을 줄인다.
- 캐시: 반복되는 시스템 프롬프트나 문서 묶음은 캐시에 넣으면 다시 읽는 값이 훨씬 싸다. Opus 5.5 기준 캐시 적중 토큰은 100만 개당 $0.20, 일반 입력은 $4다 (pricing).
- 컨텍스트 조립: 항상 넣는 것(역할·규칙) / 이번에만 넣는 것(질문) / 필요할 때 검색해서 넣는 것을 구분한다.
이 감각이 없으면 3단계 RAG에서 무조건 실패한다. 검색 결과를 그대로 다 밀어 넣으면 토큰이 터지고, 반대로 너무 줄이면 답이 틀린다. 이 줄다리기가 실무의 절반이다.
3단계: 임베딩과 RAG — 검색을 붙이는 순간
RAG는 검색해서 프롬프트에 붙이는 기술이다. 개념은 RAG가 뭐야에서 정리했고, 공부할 때는 직접 만드는 게 빠르다. 프레임워크 없이 이 순서로 하면 된다.
- 문서를 300~800토큰 단위로 자른다(청킹). 문단 경계를 지키고, 잘린 조각마다 제목·출처를 붙인다.
- 조각을 임베딩해서 벡터로 바꾸고, 메모리나 SQLite, 또는 pgvector에 저장한다.
- 질문도 임베딩해서 코사인 유사도 상위 k개를 꺼낸다.
- 꺼낸 조각을 출처 표시와 함께 프롬프트에 넣고 "주어진 근거에 없으면 모른다고 답하라"고 지시한다.
여기서 대부분이 청킹에서 무너진다. 문장 중간에서 잘린 조각은 검색은 되지만 답의 근거로는 쓸 수 없다. 나는 처음에 PDF를 고정 글자 수로 잘라서 "검색은 되는데 답이 이상하다"는 상태를 오래 겪었다.
검색 품질을 올리는 다음 단계는 리랭킹과 하이브리드 검색이다. 키워드 검색(BM25)과 벡터 검색을 같이 돌리고, 결과를 합쳐 상위만 남긴다. 이걸 붙이는 순간 "아, RAG는 검색 시스템이구나"가 이해된다.
4단계: 도구 호출과 에이전트 루프
에이전트는 마법이 아니다. 모델이 "이 함수를 이 인자로 불러달라"고 응답하면, 내 코드가 실제로 실행하고, 결과를 다시 모델에 넣는 반복문이다. 개념 정리는 AI 에이전트란에 있고, 여기서는 구조만 보면 된다.
for step in range(MAX_STEPS): # 종료 조건을 먼저 박아둔다
resp = client.messages.create(
model="MODEL_ID",
max_tokens=1024,
tools=tools, # 사용 가능한 함수 스키마
messages=messages,
)
if resp.stop_reason != "tool_use":
break # 도구 요청이 없으면 끝
result = run_tool(resp) # 내 코드가 실제 실행
messages.append({"role": "user", "content": result})
배울 것은 함수 스키마 정의, 도구 결과를 어떻게 요약해 넣을지, 실패했을 때 재시도, 그리고 멈추는 조건이다. 이 네 개를 손으로 짜보면 프레임워크가 대신 해주는 일이 보인다.
도구를 여러 프로그램에 걸쳐 재사용하려면 MCP(Model Context Protocol)를 본다. 도구·리소스를 밖으로 빼서 붙이는 표준 규격이고, 스펙과 SDK가 공개돼 있다 (modelcontextprotocol.io). Claude Code 같은 도구가 MCP 서버를 붙여 쓰는 방식도 여기서 이해된다 (Claude Code 설치·사용법).
5단계: 평가와 비용 — 개선을 숫자로 만든다
여기서 갈린다. 취미로 쓰는 사람은 평가를 안 만들고, 실무에 쓰는 사람은 만든다. 방법은 소박하다. 실제로 자주 하는 질문 30개를 모으고, 각 질문에 "정답이 갖춰야 할 조건"을 적는다. 그리고 프롬프트를 바꿀 때마다 같은 세트를 돌려 통과 개수를 비교한다.
| 봐야 할 숫자 | 왜 |
|---|---|
| 정답률(조건 충족 개수) | 프롬프트 변경이 개선인지 퇴행인지 판단 |
| 입력·출력 토큰 평균 | 비용 추세. 캐시 적중률과 같이 본다 |
| 지연 시간 | 사용자 경험. 스트리밍 여부를 여기서 정한다 |
| 실패 유형 분포 | 검색 실패·형식 위반·환각 중 어디를 고칠지 정한다 |
비용을 줄이는 수단도 이 단계에서 배운다. 대량 작업은 배치 API가 50% 싸고 (Batch API), 반복되는 앞부분은 캐시로 넘긴다. 모델 등급을 낮추는 것보다 캐시와 배치가 먼저다.
2026년에 안 해도 되는 것
- 파인튜닝부터 시작하기. 대부분의 문제는 프롬프트와 검색으로 해결된다. 파인튜닝은 형식·말투를 고정할 때 마지막에 쓴다.
- 프레임워크 암기. 추상화 계층은 자주 바뀌지만 HTTP API와 토큰 구조는 잘 안 바뀐다. 원시 API를 먼저 익히면 어떤 프레임워크가 와도 읽힌다.
- 논문 1장부터 정독. 공식 문서의 개념 설명이 먼저다. 논문은 "왜 이 설계인가"가 궁금해질 때 찾아 읽으면 훨씬 잘 읽힌다.
- GPU 서버 사기. 학습 단계에서는 필요 없다. 로컬 추론이 목적이 아니라면 API로 충분하다.
내가 막혔던 곳
처음엔 프롬프트만 잘 쓰면 된다고 생각했다. 실제로 답이 틀리는 원인을 세어보니 대부분 프롬프트가 아니라 컨텍스트였다. 필요한 문서가 안 들어갔거나, 들어갔는데 잘린 조각이라 근거가 안 됐다.
두 번째는 청구서였다. 캐시를 안 쓰고 매 요청마다 같은 긴 문서를 통째로 넣었더니 토큰이 몇 배로 뛰었다. 캐시를 켜고 나서야 같은 작업의 비용이 눈에 보이게 줄었다.
세 번째는 에이전트 루프였다. 종료 조건을 안 넣고 돌렸다가 도구 호출이 계속 이어져서 API 호출이 폭주했다. 지금은 어떤 루프든 MAX_STEPS와 비용 상한을 먼저 쓰고 시작한다. 이건 4단계에서 꼭 몸으로 겪어보길 권한다. 한 번 겪으면 다시는 안 잊는다.
참고 자료
- Claude API overview — REST 엔드포인트, 인증 헤더
- Messages API — 요청·응답 구조
- Token Counting API — 요청 전 토큰 계산
- Batch API — 대량 처리 50% 할인
- Claude 가격표 — 모델별 토큰 단가와 캐시 가격
- Python Tutorial — 공식 입문 문서
- Model Context Protocol — 도구 연결 표준
관련 글
'IT' 카테고리의 다른 글
| crontab 사용법 — 5필드 읽는 법과 "안 돌 때" 확인 순서 (0) | 2026.11.16 |
|---|---|
| Docker 입문 사용법 — 설치부터 이미지·컨테이너 구분까지 (0) | 2026.11.15 |
| Opus 5.5 effort 추천 — claude.dev가 밝힌 기본값 medium 총정리 (2026) (0) | 2026.11.14 |
| VSCode 단축키·설정 정리 — macOS에서 손을 키보드에 붙여두는 법 (0) | 2026.11.14 |
| 파이썬 한글 깨짐 해결 — UnicodeDecodeError 원인과 encoding 지정 순서 (0) | 2026.11.10 |

















