전체 글 썸네일형 리스트형 [농산물 Market AI Agent] ⑨ 가격 + 날씨 + 거래량 — 시장 위험 분석 Agent 1차 완성 드디어 시즌 1 마지막 편입니다.처음에는 정말 단순했습니다.배추 = 4200원감자 = 3000원같은 가짜 데이터를 Python 안에 넣어놓고,배추 가격 알려줘.라는 질문에 어떤 Tool을 선택하는지부터 확인했습니다.그다음 하나씩 실제 데이터를 붙였습니다.농산물 현재 가격→ 실제 공공데이터최근 30일 가격 추세→ 실제 공공데이터지역별 가격→ 실제 공공데이터산지 날씨→ 실제 기상청 데이터온라인 도매 거래량→ 실제 거래 데이터이제 필요한 재료는 거의 다 준비됐습니다.이번 편에서는 이 데이터를 따로 조회하는 데서 끝내지 않고, 하나의 분석 Tool 안에서 모두 사용해보겠습니다.최종적으로는 이 질문을 처리하는 것이 목표입니다.감자 가격 상승 위험 분석해줘.이번에 만들 최종 구조지금까지는 질문마다 Tool을 따로 .. 더보기 [농산물 Market AI Agent] ⑧ 가짜 거래량을 실제 거래량으로 — 온라인 도매시장 API 연결하기 지난 편에서는 weather_tools.py의 가짜 날씨 데이터를 없애고 실제 기상청 데이터를 연결했습니다.이제 Agent가 사용하는 데이터는 꽤 많이 실제 데이터로 바뀌었습니다.현재 가격→ 실제 공공데이터 ✅가격 이력→ 실제 공공데이터 ✅지역별 가격→ 실제 공공데이터 ✅산지 날씨→ 실제 기상청 데이터 ✅그리고 하나가 남았습니다.거래량→ 아직 가짜 데이터 ❌지금까지 market_tools.py에서는 이런 데이터를 직접 넣어두고 사용했습니다.감자오늘 거래량 : 900이전 거래량 : 870Agent 구조를 확인할 때는 충분했지만, 실제 시장 분석에 사용하기에는 의미가 없습니다.이번 편에서는 이 마지막 가짜 데이터를 없애고 온라인 도매시장의 실제 거래정보를 연결해보겠습니다.최종적으로는 이런 질문에 답하게 만드.. 더보기 [농산물 Market AI Agent] ⑦ 가짜 날씨를 실제 날씨로 — 기상청 API 연결하기 지난 편에서는 가격 관련 기능을 조금 더 확장했습니다.이제 Agent는 단순히 현재 가격만 조회하는 것이 아니라,감자 가격 알려줘↓현재 가격 조회감자 최근 30일 가격 추세 알려줘↓가격 이력 분석부산 감자 가격 알려줘↓지역별 가격 조회서울과 부산 감자 가격 비교해줘↓지역 가격 비교까지 할 수 있게 됐습니다.가격 쪽은 어느 정도 실제 데이터로 바뀌었지만 아직 한 가지 가짜 데이터가 남아 있습니다.바로 날씨입니다.지금까지 weather_tools.py에서는 이런 값을 직접 적어놓고 사용했습니다.sample_weather = { "서울": { "temperature": 22, "rainfall": 5 }, "강원": { "temperature": 18, .. 더보기 [농산물 Market AI Agent] ⑥ 현재 가격만 보면 부족하다 — 30일 추세와 지역별 가격 비교하기 지난 편에서는 get_price()를 실제 공공데이터 API와 연결했습니다.이제 Agent에게감자 가격 알려줘.라고 물으면 가짜 가격이 아니라 실제 시장 가격을 가져옵니다.예를 들어 감자는 이런 결과가 나왔습니다.현재 가격 : 35,000원이전 가격 : 36,600원변화율 : -4.4%그런데 현재 가격 하나만 보고는 시장 흐름을 알기 어렵습니다.35,000원이 최근 한 달 동안 오른 결과인지, 떨어진 결과인지 알 수 없기 때문입니다.그리고 같은 감자라도 서울과 부산의 가격은 다를 수 있습니다.그래서 이번 편에서는 가격 Tool을 두 가지 방향으로 확장해보겠습니다.최근 30일 가격 추세지역별 가격 조회 및 비교최종적으로는 다음 질문에 답할 수 있게 만드는 것이 목표입니다.감자 최근 30일 가격 추세 .. 더보기 [농산물 Market AI Agent] ⑤ 가짜 가격을 실제 가격으로 — 공공데이터 API 연결하기 지난 편에서는 하나의 tools.py에 들어 있던 기능을 역할별 파일로 나눴습니다.현재 프로젝트는 대략 이런 모습입니다.agri_market_agent/│├─ agent.py├─ ollama_client.py│└─ tools/ ├─ __init__.py ├─ price_tools.py ├─ weather_tools.py ├─ market_tools.py └─ analysis_tools.py그런데 아직 가격 데이터는 가짜입니다.지금까지는 Agent 구조를 확인하기 위해 이런 값을 사용했습니다.sample_prices = { "배추": 4200, "양파": 2800, "대파": 3500, "감자": 3000}Agent가 get_price("감자")를 선택해도 결국 Py.. 더보기 [농산물 Market AI Agent] ④ Tool 구조를 나누고 프로젝트 정리하기 — 기능이 늘어나기 전에 파일부터 나눠보자 지난 편에서는 처음으로 Agent다운 구조를 만들어봤습니다.사용자가 질문하면 LLM이 질문의 의미를 보고 필요한 Tool을 선택하고, Python이 실제 함수를 실행하도록 만들었습니다.처음에는 get_price() 하나뿐이었지만, 날씨 조회 기능도 추가하고 여러 Tool을 한 번에 선택하는 구조까지 만들어봤습니다.그러다 보니 한 가지 문제가 눈에 들어오기 시작했습니다.바로 tools.py입니다.처음에는 간단했는데 기능이 하나씩 추가되면서 점점 이런 모습이 되어갑니다.tools.py├─ get_price()├─ get_weather()├─ get_market_volume()└─ analyze_market_risk()지금은 함수가 몇 개 없어서 괜찮습니다.그런데 앞으로 추가하려는 기능을 생각하면 이야기가 달.. 더보기 [농산물 Market AI Agent] ③ Agent가 Tool을 선택하게 만들기 — 배추 가격 질문을 이해시켜보자 지난 편에서는 Python에서 Ollama를 호출해 로컬 LLM의 응답을 받아오는 데까지 확인했습니다.현재 프로젝트는 아직 단순합니다.agri_market_agent/│└─ ollama_client.pyPython에서 질문을 보내면 Ollama가 답을 돌려주는 정도입니다.그런데 이 상태는 아직 일반적인 AI 채팅과 크게 다르지 않습니다.이번 편에서는 여기서 한 단계 더 가보겠습니다.사용자가배추 가격 알려줘.라고 질문했을 때 LLM이 가격을 직접 만들어서 답하는 것이 아니라,“이 질문은 가격 조회 Tool을 사용해야겠다.”라고 판단하게 만들어보겠습니다.이번 편부터 조금씩 Agent다운 구조가 보이기 시작합니다.이번 편에서 만들 구조목표는 아래와 같습니다.사용자"배추 가격 알려줘" ↓LLM ↓"g.. 더보기 [농산물 Market AI Agent] ② Ollama와 Python 연결하기 — 로컬 LLM에 처음 말을 걸어보자 Ollama 모델 확인먼저 현재 PC에 어떤 모델이 설치되어 있는지 확인합니다.ollama list제 환경에서는 다음 모델을 사용했습니다.NAME ID SIZEphi4-mini:3.8b ... 2.5 GB이후 Python에서도 이 모델명을 그대로 사용합니다. 현재 설치된 phi4-mini:3.8b 모델을 이번 프로젝트에서 사용합니다.모델이 직접 실행되는지 확인Python과 연결하기 전에 Ollama에서 모델 자체가 정상적으로 동작하는지 먼저 확인합니다.ollama run phi4-mini:3.8b실행 후 간단히 말을 걸어봅니다.>>> 안녕모델이 정상적으로 답하면 Ollama와 모델 자체는 준비된 상태입니다.이렇게 먼저 확인해두면 이후 .. 더보기 이전 1 2 3 4 ··· 19 다음