AI 공부 지도 — LLM부터 Meta-Harness까지 20편으로 쌓는 법

0-1. 두 가지 입구 — 표 vs 에세이

이 시리즈는 두 가지 방식으로 들어올 수 있어요.

• (A) 표 형식 입구 (이 글) — 20편 전체 구조와 순서를 한눈에. 체크리스트로 따라가는 분.
• (B) 에세이 형식 입구 — 👉 메타 하네스와 오토리서치, 어떤 순서로 배워야 하나 — 왜 이 순서로 배워야 하는지 8단계 흐름을 이야기로 풀어둔 글. 각 단계에서 본편 기사로 점프하는 🔍 링크가 박혀 있음.

둘 중 편한 입구로 들어오시면 됩니다.

0-2. 이 지도가 필요한 이유

AI 공부를 하려고 마음먹은 사람들이 제일 먼저 마주치는 문제는 뭘 얼마나, 어떤 순서로 읽어야 하는지 모른다는 것입니다.

• ChatGPT 뉴스를 보다가 “Transformer”라는 말이 나와서 검색해보니 “attention”이 뭔지부터 알아야 한다고 함
• Attention을 검색하니 “RNN의 한계를 극복” 이라는데 RNN이 뭐였더라…
• 그래서 RNN을 읽다 보니 “gradient vanishing” 이야기가 나옴
• gradient가 뭔지 모르니 역전파 기사를 읽는데 이번엔 loss function부터 나옴

어느 순간 원래 알고 싶었던 ChatGPT 얘기와 멀어져 있습니다.

그래서 결론은 항상 비슷해요.
“어려우니까 나중에…”

이 지도는 그걸 하지 않으려고 만듭니다.

20편을 순서대로 따라가면, LLM이 뭔지도 모르던 사람이 Meta-Harness와 autoresearch라는 연구 흐름까지 자기 말로 설명할 수 있게 되도록 구성했습니다.

새 기술을 따라가는 지도가 아닙니다.
그 새 기술들이 올라타는 기반을 단단히 쌓는 지도입니다.

1. 전체 지도 한눈에

2. 섹션별로 왜 이 순서인가

섹션 1: 기초 (7편) — 모델 본체

AI·ML·DL 같은 단어가 뭘 가리키는지부터 구분해야(F0), 그 다음 이야기가 꼬이지 않아요. 그리고 우리가 매일 쓰는 ChatGPT/Claude의 뼈대인 LLM이 뭔지(F1), 그걸 가능하게 한 Transformer 구조(F2·F3·F4)를 본 뒤, 모든 의미 검색의 뿌리인 embedding(F5), 그리고 “학습시킨다”가 실제로 뭘 하는지(F6)까지 가면 모델 본체에 대한 감각이 완성됩니다.

섹션 2: 다리 (3편) — 모델에서 시스템으로

LLM은 엔진일 뿐이고, 우리가 실제로 쓰는 건 그 엔진이 들어간 시스템입니다. 이 시스템이 바로 agent(B1)예요. 그리고 agent와 직접 대화하는 도구인 프롬프트가 왜 작동하는지(B2), 상황에 따라 fine-tuning / RAG / prompt 중 뭘 골라야 하는지(B3)를 익히면 실무로 넘어갈 준비 끝.

섹션 3: 실무 (10편) — 지금 AI 업계에서 진짜 벌어지는 일

여기부터가 2024~2026년 현업에서 실제로 경쟁이 벌어지는 층입니다. retrieval의 4층 구조(M1), 긴 문맥과 기억(M2), 본격 agent(M3), agent의 작업 환경인 harness(M4), 그게 개선되고 있다고 판정하려면 필요한 evaluation(M5). 여기까지 잡고 나면 autoresearch(M6), Meta-Harness(M7), OMX/OMC(M8) 같은 흐름이 처음 나와도 흐리지 않고 읽힙니다. 마지막 두 편(M9·M10)은 유명한 질문 두 개에 회장 본인이 자기 말로 답하는 해설입니다.

3. 3가지 독법 — 당신 상황에 맞는 경로

경로 A: 완전 처음이시면

F0부터 순서대로 M10까지. 20편. 주 1편씩 보면 약 5개월, 주 2편씩 보면 2.5개월 코스입니다.

이 경로가 가장 튼튼해요. 뒤로 갈수록 앞 편이 몸에 배어 있다는 전제가 강해지거든요.

경로 B: LLM 기초는 아시면

이미 ChatGPT/Claude를 매일 쓰고 있고, “LLM이 다음 토큰 예측한다”는 감이 있으시면:

1. F4 (Attention)를 살짝 스킵 가능 — 원리보다 구조만 잡으면 OK
2. F5·F6(Embedding·학습)는 반드시 — 여기 건너뛰면 M1부터 바로 막힘
3. B1~B3 → M1 순서로 들어가세요

경로 C: Meta-Harness만 빨리 잡아야 하시면

위험 경로이지만 가능합니다.

1. B1 Agent → M3 Agent 심화 → M4 Harness — 여기까지 필수
2. 그 다음 M5 Evaluation 반드시 (이거 없으면 “자기개선 loop”가 왜 착시인지 모름)
3. 그 다음 M7 Meta-Harness 와 M10 Meta-Harness 실무 해설

단, 이 경로로 가면 왜 이런 개념이 필요했는지의 뿌리 감각이 약해집니다. M7까지 본 뒤에라도 F1·F4·F5를 거꾸로 읽으시면 이해가 탄탄해져요.

4. 각 편 한 줄 요약

기초 (Foundation)

• F0 AI · ML · DL · LLM 용어 구분하기 — 뉴스에서 섞여 나오는 5가지 단어의 크기와 관계를 러시아 인형 비유로 정리
• F1 LLM이 뭔지 — “자동완성이 끝까지 간 이야기”. 다음 토큰 예측기라는 한 문장을 끝까지 풀어냄
• F2 Transformer 구조 — 책을 펼쳐놓고 형광펜 긋기 비유 하나로 attention·multi-head·stacking까지
• F3 Encoder/Decoder — 왜 요즘 LLM은 decoder-only 구조인가
• F4 Attention is All You Need 해설 — 수식 하나와 도서관 비유로 원 논문을 끝까지 읽어냄
• F5 Embedding — 단어를 숫자로 바꾸는 이유 — “왕 – 남자 + 여자 = 여왕”이 왜 작동하나
• F6 학습이란 무엇인가 — 안개 낀 산에서 내려가는 일이다

다리 (Bridge)

• B1 Agent란 무엇인가 — 엔진과 차의 차이. LLM은 엔진, agent는 차
• B2 프롬프트는 왜 작동하는가 — 확률 분포를 기울이는 기술
• B3 Fine-tuning vs RAG vs Prompt — 언제 무엇을 쓰는지 실무 판단표

실무 (Practice)

• M1 Retrieval Layer 이해 — embedding·RAG·GraphRAG·agentic·Doc-to-LoRA 4층 구조
• M2 Long-context / Memory — 긴 문맥과 메모리 어댑테이션
• M3 Agent 심화 — tool use, state, 반복 시도가 시스템에 들어갈 때
• M4 Harness — agent의 작업 환경. hooks·skills·sandbox·permissions
• M5 Evaluation / Optimization — “좋아졌다”를 뭘로 판정하나
• M6 Autoresearch — persistent trial-and-error loop
• M7 Meta-Harness — 하네스 자체를 optimization 대상으로
• M8 OMX / OMC 실무 레이어 위치 — 철학 vs 실무 대응물
• M9 RAG는 죽었냐? — 자기 말로 답하기
• M10 Meta-Harness는 실무적으로 뭐냐? — 자기 말로 답하기

5. 이 지도를 따라가며 지켜야 할 것 하나

한 편에서 이해가 애매하면 그 편에 멈춰 서세요.

다음 편으로 넘어가도 어차피 그 뒤 편은 앞 편을 조건으로 써요.
막힌 편을 두 번 읽는 게, 다음 편 10개를 대충 읽는 것보다 훨씬 빠릅니다.

각 편 하단에 “지도 위 현재 위치” 블록이 있으니, 거기로 돌아오시면 위치를 잃지 않을 거예요.

6. 어느 순서로 읽고 있는지 잊지 않는 법

• 각 편 상단 배너에 “N/20편”이 표시됩니다
• 각 편 하단 배너에 앞/다음 편 링크 + 이 지도로 돌아오는 링크
• 혼동되면 이 페이지(📚 전체 20편 지도)로 돌아오세요

이 지도는 shuntailor.net의 AI 공부 지도 카테고리에 pinned되어 있어 언제든 다시 찾을 수 있습니다.

외전 코스 — 바이브코더 CS심화코스

FAQ

Q1. 이거 다 읽으면 AI 엔지니어가 되나요?

아니요. 이건 읽는 지도지 만드는 지도가 아닙니다. 다 읽으시면 AI 뉴스·논문·제품 소개를 흐리지 않게 해석하게 됩니다. 실제 agent를 만들려면 코드와 실습이 따로 필요해요. 다만 코드 쓸 때도 “지금 내가 뭘 하고 있나”의 지도가 있어야 삽질이 줄어듭니다. 이 지도가 그 바닥을 깔아주는 역할입니다.

Q2. 주 1편씩 따라가려면 얼마나 걸리나요?

20편이니까 주 1편이면 약 5개월, 주 2편이면 2.5개월. 너무 천천히 가시면 앞 편을 까먹어서 오히려 비효율이에요. 주 2편, 격일 페이스를 기본으로 추천합니다. 각 편이 10,000자 이상이라 진짜 꼼꼼히 보면 한 편에 90분~2시간 듭니다.

Q3. 다 안 읽으면 소용없어요?

경로 B·C처럼 가려 읽는 전략도 명시했어요. 다만 섹션 1 기초를 건너뛰면 뒤로 갈수록 읽기가 급격히 어려워집니다. 최소한 F1(LLM)·F4(Attention 중 앞부분)·F5(Embedding)·F6(학습)·B1(Agent) 다섯 편은 놓치지 마세요. 이 다섯이 있으면 M시리즈 어디로 튀어도 덜 흐립니다.

뉴스레터

이 20편이 하나씩 완성될 때마다, 그리고 매주 월요일에 그 주 AI 업계 정리까지 메일로 보냅니다. 받아보고 싶으면 뉴스레터 회원가입(무료·30초)에서 신청하세요.

ソースリスト

• 태일러 지식백과사전 — AI 공부 지도 카테고리 (본 시리즈 20편 전체)
• AI 공부 지도 엔트리맵 — 전체 구조 + 3가지 독법
• “Attention Is All You Need” (Vaswani et al., 2017)
• Anthropic · OpenAI · Google 공식 docs
• mathbullet (YouTube) / Jay Alammar “Illustrated Transformer” / 3Blue1Brown 영상 — 쉬운 설명 레퍼런스

著者: 바이브코딩 태일러 (VibeCoding Tailor) — Lovable公式アンバサダー. AI·バイブコーディング専門メディアshuntailor.net運営.
本シリーズ “AI 공부 지도” 20편은 위키 자료와 공식 논문·공식 문서를 근거로 정리한 체계적 학습 커리큘럼입니다.

바이브코딩 태일러

AI의 작동 원리와 비즈니스 적용을 일본어·한국어로 기록합니다. 매주 월요일 뉴스레터 발행 중.

뉴스레터 구독하기 →

이 시리즈의 다음 편

LLM학습 — 가중치 80억 개는 누가 정했나, 산 내려가기의 직관

가중치 80억 개는 사람이 정하지 않는다. 데이터가 정한다. 학습이라는 산 내려가기를 직관으로 끝까지 따라가며, 왜 AI 학습이 도시 하나의 전기를 먹는지까지 도달하는…

메타 하네스와 오토리서치, 어떤 순서로 배워야 하나

메타 하네스와 오토리서치를 뉴스로만 읽으면 거의 틀어진다. 모델·에이전트·하네스·retrieval·eval을 거쳐 autoresearch·Meta-Harness·OMX·OMC까지 읽는 8단계. Claude·Codex를 이미 쓰지만 내부 이론을 공부할 시간이 없는 실무자용 순서

AI·ML·딥러닝·LLM이 자꾸 헷갈리는 분께

AI, ML, 딥러닝, 신경망, Transformer, LLM — 뉴스마다 섞여 나오는 용어들의 크기와 관계를 러시아 인형 비유 하나로 끝까지 정리한다. AI 공부 지도…

★ 태일러의 다른 추천

LLM이 어떻게 작동하는지 파헤쳐보자 — 가중치·벡터·토큰·임베딩의 정체

Ollama에서 시작해 LLM 본체까지 궁금해진 분들께. 가중치·벡터·토큰·임베딩의 정체를 직관으로 끝까지 파헤치는 LLM 이론 집중코스 1편.

LLM이 뭐냐고 물으면 말이 막히는 분께 — 자동완성이 끝까지 간 이야기

ChatGPT·Claude 2~3년째 쓰는데도 "LLM이 뭐예요?"에 막히는 분을 위한 해설. 다음 토큰 예측, 토큰, 파라미터, 학습/추론, 환각까지 비유 하나로 이어 읽는다. AI 공부…