AI 에이전트 개발: GitHub Copilot CLI·Microsoft Foundry로 빌드·테스트·배포하기

핵심 메시지

• 로우코드 에이전트는 빠른 검증에 좋지만, 커스텀 로직·소스 관리·호스팅 배포가 필요해지면 코드 기반 에이전트로 넘어가게 된다.
• GitHub Copilot CLI에 자연어로 요구사항을 설명하면 프로젝트 구조와 구현 코드를 생성해 준다.
• Microsoft Foundry '스킬'이 Copilot에 에이전트 개발용 전용 지식을 주입해, 범용 코드가 아닌 실제 동작하는 에이전트에 가까운 결과를 만든다.
• 에이전트 인스펙터와 OpenTelemetry 추적으로 실행 과정을 들여다보며 도구 호출과 동작을 검증할 수 있다.
• 완성된 에이전트는 Docker 이미지로 패키징해 Foundry의 호스티드 에이전트로 클라우드에 배포한다.

쉽게 이해하기

영상은 로우코드 방식으로 만든 에이전트가 동작을 빠르게 검증하는 데는 유용하지만, 여러 팀이 결국 더 많은 제어권을 원하게 된다는 점에서 출발한다. 커스텀 비즈니스 로직, 소스 관리, 자동화된 셋업, 호스팅 배포, 애플리케이션 코드와의 통합이 필요해지면 코드 기반 에이전트가 답이 된다.

실습 예제는 소셜미디어 관리 팀을 위한 '개발자 캠페인 어시스턴트'다. Visual Studio Code에서 터미널을 열고 GitHub Copilot CLI를 실행한 뒤, 만들고 싶은 것을 자연어로 설명하면 Copilot이 프로젝트 구조와 구현 단계를 생성한다. 매 단계 승인을 요구하지 않도록 오토파일럿을 켜 두는 점도 소개한다.

핵심은 Microsoft Foundry '스킬'이다. 이 스킬은 별도 설치 없이 Copilot에 Foundry 에이전트 개발 워크플로에 맞는 전용 지식을 준다. 덕분에 Copilot은 범용 애플리케이션 코드가 아니라 모델 선택·프로젝트 연결·설정 파일 준비까지 에이전트에 특화된 결과를 만들어 낸다.

생성된 프로젝트는 여러 설정 파일로 구성된다. main.py는 Microsoft 에이전트 프레임워크로 호스티드 GPT 모델과 도구 상자를 연결하고 요청마다 인증해 OpenAI 응답 프로토콜로 서빙한다. agent.yaml은 에이전트의 동작·프로토콜·CPU/메모리 등 호스팅 환경을, toolbox.yaml은 웹 검색과 Microsoft Learn MCP 서버 두 도구를, azure.yaml과 인프라 템플릿은 배포에 필요한 리소스 프로비저닝을 담당한다.

테스트는 두 가지다. 터미널에서 azd AI 에이전트 명령으로 의존성을 설치하고 로컬 8088 포트의 에이전트에 프롬프트를 보내 응답을 받거나, Foundry 툴킷의 '에이전트 인스펙터' UI로 실행 이벤트·추론 토큰·스트리밍 응답·도구 호출을 시각적으로 살펴본다. 마지막으로 Docker 이미지를 Azure 컨테이너 레지스트리로 올려 Foundry의 호스티드 에이전트로 배포하면, 클라우드 플레이그라운드에서 동일하게 사용할 수 있다.

주요 인사이트

• 에이전트 개발이 '블랙박스'가 되지 않도록, 인스펙터와 추적으로 실행을 투명하게 들여다보며 기대와 어긋나는 지점을 찾아 반복 개선하는 흐름이 강조된다.
• 도구 상자(toolbox)를 하나의 묶음으로 만들어 여러 에이전트에서 재사용하는 구성은, 공식 문서 검색(MCP)과 웹 검색 같은 능력을 표준화해 붙이는 실용적인 방법이다.
• GPT 계열 추론 모델을 쓰기 때문에 응답 과정에서 추론 토큰이 먼저 생성된 뒤 텍스트가 스트리밍되며, 인스펙터에서 이 단계들을 그대로 확인할 수 있다.

자주 묻는 질문

관련 AI 소식