[← 전체 커리큘럼](https://cho-fam.com/docs/curriculum/../cho-fam-ai-curriculum.html)[1개월차 상세](https://cho-fam.com/docs/curriculum/month-01.html)

# 1주차 · Research Methodology + Agent vs Workflow

**현재 위치:** 1개월차 1주차 · CHO-FAM 전체 구조를 연구 대상으로 정의하고 Cho-Pilot Mini로 첫 비교실험을 수행한다.

**목차**
- [이번 주 목표](https://cho-fam.com/docs/curriculum/week-01.html#goal)
- [시간표](https://cho-fam.com/docs/curriculum/week-01.html#schedule)
- [O’Reilly 정규과목](https://cho-fam.com/docs/curriculum/week-01.html#oreilly)
- [Manning Agent 심화 참고](https://cho-fam.com/docs/curriculum/week-01.html#manning)
- [논문 세미나](https://cho-fam.com/docs/curriculum/week-01.html#paper)
- [CHO-FAM Lab](https://cho-fam.com/docs/curriculum/week-01.html#lab)
- [실험·평가](https://cho-fam.com/docs/curriculum/week-01.html#experiment)
- [주간 산출물](https://cho-fam.com/docs/curriculum/week-01.html#outputs)
- [학습 리포트](https://cho-fam.com/docs/curriculum/week-01.html#report)
- [산출물 예시](https://cho-fam.com/docs/curriculum/week-01.html#examples)
- [월별/주차별 탐색](https://cho-fam.com/docs/curriculum/week-01.html#nav)

## 1. 이번 주 목표

**핵심 연구질문**CHO-FAM에서 무엇을 고정 Workflow로 만들고, 무엇을 AI Agent에게 자율적으로 맡겨야 하는가?

- AI-Native Company를 연구 가능한 시스템 경계로 정의한다.
- Workflow와 Agent의 control flow 차이를 자신의 말로 설명한다.
- Cho-Pilot 업무 시나리오를 Workflow/Agent 두 방식으로 비교한다.
- 정확도뿐 아니라 비용·latency·일관성까지 측정하는 습관을 만든다.

## 2. 주간 시간표 · 총 9시간

| 요일 | 활동 | 시간 | 산출물 |
| --- | --- | --- | --- |
| 화 | O’Reilly: AI application planning·evaluation + system boundary | 1h | 개념 노트 |
| 수 | Agent architecture survey 읽기 | 1.5h | CHO-FAM 매핑표 |
| 목 | Manning Ch.1: Workflow vs Agent | 1.5h | 비교 노트 |
| 금 | CHO-FAM C4 Context 수준 구조 작성 | 1.5h | Architecture diagram |
| 토 | Cho-Pilot Mini: Workflow/Agent 버전 구현 | 2h | 실험 코드 |
| 일 | 10개 시나리오 평가 + Research Note | 1.5h | 결과표·연구노트 |

## 3. O’Reilly 정규과목

**O’Reilly 주교재:** Chip Huyen, *AI Engineering*. [공식 페이지](https://www.oreilly.com/library/view/ai-engineering/9781098166298/) 1주차는 foundation model 자체보다 **AI application planning, evaluation, engineering stack**에 초점을 맞춘다.

읽으면서 CHO-FAM에 대해 다음 네 질문에 답한다: 시스템 경계는 어디인가, 성공을 무엇으로 정의하는가, 어떤 component가 deterministic해야 하는가, 어떤 component가 model-driven이어도 되는가.

## 4. Manning Agent 심화 세미나

**Manning 심화 참고자료:** *Build an AI Agent (From Scratch)*, Chapter 1. [O’Reilly 제공 페이지](https://www.oreilly.com/library/view/build-an-ai/9781633434615/Text/title.html) 핵심은 **Workflow = developer-defined flow**, **Agent = LLM-directed flow**의 차이를 실제 코드로 확인하는 것이다.

이번 주에는 LangGraph 등 프레임워크를 먼저 사용하지 않는다. 작은 loop를 직접 작성해 `observe → decide → act → observe` 구조를 이해한다.

## 5. 논문 세미나

**논문 세미나:** *ReAct: Synergizing Reasoning and Acting in Language Models*. [원문](https://arxiv.org/abs/2210.03629) LLM core, memory, planner, tool router, critic과 single/multi-agent orchestration taxonomy를 CHO-FAM에 매핑한다.

논문 노트 형식: **문제 / 핵심 가정 / 방법 / 평가 / 한계 / CHO-FAM 적용 가설**.

## 6. CHO-FAM Lab · Cho-Pilot Mini v0.1

가상의 `email`, `calendar`, `tasks` JSON context를 준비하고 같은 문제를 두 방식으로 구현한다.

**A. Workflow**: Collect → Classify → Rank → Recommend

**B. Agent**: Context → LLM chooses action → Tool → Observation → Continue/Finish

목적은 Agent가 무조건 더 좋다는 것을 증명하는 것이 아니라, **Agentic control이 필요한 조건**을 찾는 것이다.

## 7. 실험·평가

긴급메일, 오늘 회의, 기한 지난 task 등이 섞인 합성 업무 시나리오 10개를 만든다. 두 구현에 동일하게 적용하고 Task success, Wrong action, LLM calls, Latency, Token/Cost, Consistency를 기록한다.

**성공 기준:** Agent가 Workflow보다 우수할 필요는 없다. 어떤 조건에서 Workflow가 더 싸고 빠르고 안정적인지 설명할 수 있으면 성공이다.

## 8. 주간 산출물

- `docs/research/01-agent-vs-workflow.md` — Research Note 2–3쪽
- `docs/architecture/cho-fam-context.md` — 시스템 경계와 component map
- `experiments/agent-vs-workflow/` — 두 구현 및 10개 테스트
- `results/week01.csv` — 실험 결과

Research Note의 마지막 문장: **For CHO-FAM, agentic control should be introduced only when ______.**


## 9. 1주차 학습 리포트

> **진행 기준:** 아래 내용은 대화형 학습에서 확인된 이해와 설계 판단을 기록한 것이다. 아직 구현하거나 측정하지 않은 항목은 완료로 간주하지 않는다.

| 학습 영역 | 확인된 이해와 결정 | 상태 |
| --- | --- | --- |
| Day 1 · Research Methodology | Workflow는 LLM 사용 여부가 아니라 developer-defined control flow로 구분한다. 공정한 비교를 위해 입력·도구·모델·평가기준을 고정하고, 오늘 마감 누락을 더 큰 오류로 보아 Recall을 우선하되 Precision을 함께 기록한다. | 개념 완료 |
| Day 2 · Agent Architecture | Planner는 다음 행동을 선택하고, tool router/executor는 검증된 호출을 실행한다. State와 model context를 구분하며 validator와 orchestrator가 근거·실행 한도·human-in-the-loop escalation을 관리한다. | 개념 완료 |
| Day 3 · Agent Loop | `observe → decide → act → observe`에서 새 observation이 실제 불확실성을 줄였는지 확인한다. 동일 결과 반복, 진전 없는 탐색, scope 불명확 시 다른 접근 또는 사용자 질문으로 전환한다. | 개념 완료 |
| Day 4 · System Boundary | Cho-Pilot은 근거를 수집해 실행 가능한 업무시간을 추천한다. Email·Calendar·Task·Model service는 외부 시스템이다. 일정 생성 전에는 최신 calendar를 다시 확인하고 조건이 바뀌면 재계획하거나 사용자에게 묻는다. | 개념 완료 |
| 논문·구현·측정 | ReAct 원문 노트, Workflow/Agent 코드, 10개 시나리오 반복실험 및 실제 비용·latency 측정이 필요하다. | 실습 예정 |

### 현재 답할 수 있는 핵심 질문

- **Workflow가 적합한 조건:** 필요한 정보, 처리 순서, 분기 규칙이 명확하고 deterministic code로 검증할 수 있을 때.
- **Agent를 시험할 조건:** 중간 observation에 따라 다음에 찾을 정보나 사용할 도구가 달라질 때.
- **완료 조건:** 필요한 근거가 충분하고 정확하며, 제안한 시간이 deadline·duration·calendar constraint를 충족할 때.
- **중단·질문 조건:** 중요한 scope가 불명확하거나, 계획이 불가능하거나, 반복 탐색이 진전을 만들지 못할 때.

## 10. 주간 산출물 예시

아래는 제출 형식과 판단 수준을 보여주는 **예시**다. 특히 결과표의 수치는 실제 측정값이 아니며, Lab 실행 후 교체해야 한다.

### 예시 A · Research Note 요약

**연구질문:** Cho-Pilot 업무 우선순위 추천에서 Agentic control은 언제 고정 Workflow보다 가치가 있는가?

**가설:** 처리 순서가 명확한 시나리오에서는 Workflow가 더 낮은 cost와 latency로 일관된 성공률을 보이고, 중간 결과에 따라 추가 탐색이 필요한 시나리오에서는 Agent가 task success를 높일 수 있다.

- **독립변수:** control strategy(Workflow/Agent)
- **통제변수:** 입력, 도구와 권한, 모델과 공통 설정, step budget, 평가기준
- **종속변수:** Task success, Wrong action, LLM calls, Latency, Token/Cost, Consistency
- **오류 정책:** 오늘 마감 업무의 누락 비용을 오포함보다 크게 본다. Recall을 우선하되 Precision을 함께 기록한다.
- **현재 결론:** 구조화된 날짜 비교, 일정 충돌 확인, 권한 및 실행 한도는 deterministic code로 처리한다. Agent는 관찰 결과가 다음 행동을 실질적으로 바꾸는 경우에만 비교 대상으로 도입한다.

**마지막 문장:** For CHO-FAM, agentic control should be introduced only when intermediate observations materially change the next required action and the measured gain justifies added cost and variability.

### 예시 B · C4 System Context 수준 component map

| 요소 | 경계 | 관계 |
| --- | --- | --- |
| User | 외부 사람 | 목표·제약을 제공하고, 불명확한 결정에 답하며, 최종 행동을 승인한다. |
| Cho-Pilot | 대상 시스템 | 근거를 수집하고 우선순위와 가능한 업무시간을 추천·검증한다. |
| Email System | 외부 시스템 | 요청, 맥락, 상대방, 암시된 deadline의 근거를 제공한다. |
| Calendar System | 외부 시스템 | 회의와 가용시간을 제공하며, 확장 범위에서는 승인 후 일정을 생성한다. |
| Task System | 외부 시스템 | 업무 상태, 명시적 deadline, priority를 제공한다. |
| Model Service | 외부 시스템 | 자연어 해석과 다음 행동 후보를 제공하지만 권한과 실행 한도는 소유하지 않는다. |

```text
User ── goal / clarification / approval ──▶ Cho-Pilot
                                             │
                 ┌───────────────┬────────────┼──────────────┐
                 ▼               ▼            ▼              ▼
           Email System   Calendar System  Task System  Model Service
```

Planner, state, validator, tool router, orchestrator는 Cho-Pilot 내부 책임이므로 Context diagram이 아니라 다음 단계의 Container/Component view에서 표현한다.

### 예시 C · 두 구현의 최소 구조

```python
# Workflow: 개발자가 순서와 분기를 정의
context = collect(email, calendar, tasks)
classified = llm_classify(context)
ranked = rank_by_rules(classified)
return validate(llm_recommend(ranked), context)

# Agent: 모델이 observation에 따라 다음 행동을 선택
state = initial_state(request)
for step in range(MAX_STEPS):
    decision = choose_next_action(state, allowed_tools)
    if decision.type in {"finish", "ask_user"}:
        return validate_or_pause(decision, state)
    observation = execute_validated(decision)
    state = update_and_check_progress(state, decision, observation)
return budget_exhausted(state)
```

**필수 safeguard:** allowed tools, argument validation, read/write permission 분리, maximum steps/cost, duplicate/no-progress detection, evidence-based completion, human escalation.

### 예시 D · `results/week01.csv`

```csv
scenario,control,task_success,wrong_action,llm_calls,latency_ms,cost_usd,consistent
structured_deadline,workflow,1,0,2,1200,0.004,1
structured_deadline,agent,1,0,4,2400,0.009,1
ambiguous_meeting,workflow,0,1,2,1300,0.004,1
ambiguous_meeting,agent,1,0,5,3100,0.011,1
```

> **예시 해석:** 첫 시나리오에서는 성공률이 같아 Workflow가 효율적이다. 두 번째에서는 Agent가 추가 탐색으로 성공했지만 비용과 latency가 증가했다. 이 값들은 설명용 가상 수치이며 실제 결론에는 사용할 수 없다.

### Lab 완료 후 교체할 항목

- 10개 시나리오 정의와 scenario별 정답·허용 가능한 복수 답안
- 동일 scenario 반복 실행 횟수와 consistency 계산법
- 실제 model/version, 공통 generation setting, 실행 환경
- 실측 LLM calls, latency, tokens, cost와 failure trace
- 가설 채택·기각 및 Agent 도입 기준의 수정

## 11. 월별/주차별 탐색

| 범위 | 상태 |
| --- | --- |
| [1개월차 · Weeks 1–4](https://cho-fam.com/docs/curriculum/month-01.html) | 진행중 |
| Week 01 | 현재 페이지 |
| Week 02 · CS Foundations / System Decomposition | 예정 — 다음 주 예약에서 생성 |
| Week 03 · Probability / Metrics | 예정 |
| Week 04 · Experiment Design | 예정 |
| 2–12개월차 | 전체 개요는 메인 커리큘럼 참조 |

**이전 주:** 없음 · **다음 주:** Week 02 페이지는 다음 주 계획 확정 시 생성한다.

[← 전체 12개월 커리큘럼으로](https://cho-fam.com/docs/curriculum/../cho-fam-ai-curriculum.html)

## 12개월 · 48주 목차

월별 계획은 열람 가능하며, 상세 학습계획은 현재 작성된 1주차만 연결합니다. 이후 주차는 예약 실행 시 생성됩니다.

### 1개월차 · Research Methodology + CS Foundations

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-01.html)

- [1주차 상세 학습계획](https://cho-fam.com/docs/curriculum/week-01.html)
- 2주차 · 예정
- 3주차 · 예정
- 4주차 · 예정

### 2개월차 · Machine Learning + Deep Learning + LLM Systems

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-02.html)

- 5주차 · 예정
- 6주차 · 예정
- 7주차 · 예정
- 8주차 · 예정

### 3개월차 · Knowledge Engineering + RAG

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-03.html)

- 9주차 · 예정
- 10주차 · 예정
- 11주차 · 예정
- 12주차 · 예정

### 4개월차 · Software Architecture + Distributed Systems

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-04.html)

- 13주차 · 예정
- 14주차 · 예정
- 15주차 · 예정
- 16주차 · 예정

### 5개월차 · AI Agent Architecture

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-05.html)

- 17주차 · 예정
- 18주차 · 예정
- 19주차 · 예정
- 20주차 · 예정

### 6개월차 · Agent Architecture + Runtime Reliability

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-06.html)

- 21주차 · 예정
- 22주차 · 예정
- 23주차 · 예정
- 24주차 · 예정

### 7개월차 · Multi-Agent + MCP/A2A

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-07.html)

- 25주차 · 예정
- 26주차 · 예정
- 27주차 · 예정
- 28주차 · 예정

### 8개월차 · Human-AI Interaction

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-08.html)

- 29주차 · 예정
- 30주차 · 예정
- 31주차 · 예정
- 32주차 · 예정

### 9개월차 · AI Software Engineering

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-09.html)

- 33주차 · 예정
- 34주차 · 예정
- 35주차 · 예정
- 36주차 · 예정

### 10개월차 · Evaluation + LLMOps

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-10.html)

- 37주차 · 예정
- 38주차 · 예정
- 39주차 · 예정
- 40주차 · 예정

### 11개월차 · Enterprise AI Architecture

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-11.html)

- 41주차 · 예정
- 42주차 · 예정
- 43주차 · 예정
- 44주차 · 예정

### 12개월차 · Research Project + Thesis

[월별 상세 계획](https://cho-fam.com/docs/curriculum/month-12.html)

- 45주차 · 예정
- 46주차 · 예정
- 47주차 · 예정
- 48주차 · 예정