· 01장: AI 에이전트, 새로운 패러다임의 시작

1.1 LLM을 넘어, 스스로 일하는 ‘에이전트’의 시대로
1.2 기업 환경에서의 AI 기술 도입
__1.2.1 파이썬 중심의 AI 개발 생태계
__1.2.2 자바 AI 개발 생태계의 전환: 새로운 가능성의 시작
1.3 스프링 AI 소개
__1.3.1 스프링 AI의 목표
__1.3.2 스프링 생태계에서 스프링 AI의 역할과 장점
__1.3.3 스프링 AI의 진화: AI 통합의 1.0에서 에이전트의 2.0으로
1.4 이 책의 목표와 구성
__1.4.1 자바 개발자를 위한 실용적인 AI 에이전트 개발 가이드

· 02장: 스프링 AI 프레임워크

2.1 주요 특징과 AI 모델 API 설계 방향
__2.1.1 주요 특징
__2.1.2 AI Model API 설계
2.2 개발 환경 구축
__2.2.1 올라마 설치 및 로컬 환경 구성
__2.2.2 프로젝트 기본 설정
__2.2.3 간단한 AI 애플리케이션 개발
2.3 ChatModel과 ChatClient
__2.3.1 역할의 분리: 드라이버와 클라이언트
__2.3.2 ChatModel: 통신 방식과 응답 데이터
__2.3.3 ChatResponse와 응답 메타데이터
__2.3.4 ChatClient API 활용
__2.3.5 ChatClient의 고급 기능과 AI 에이전트로의 확장
2.4 프롬프트 엔지니어링
__2.4.1 Prompt 설계 철학
__2.4.2 Message API와 역할 기반 설계
__2.4.3 PromptTemplate: 동적 프롬프트 관리
__2.4.4 고급 템플릿 기법
__2.4.5 효과적인 프롬프트 작성
__2.4.6 ChatOptions 활용
__2.4.7 모델 전용 옵션 활용과 설정 전략
__2.4.8 다양한 프롬프트 엔지니어링 기법
2.5 토큰
__2.5.1 토큰의 구조와 개발자의 관점
__2.5.2 한국어 토큰 효율성의 진화
__2.5.3 하이브리드 프롬프트 전략
2.6 구조화한 출력
__2.6.1 프레임워크 주도 프롬프트 엔지니어링
__2.6.2 구조화한 출력의 아키텍처
__2.6.3 StructuredOutputConverter 구현체
__2.6.4 다양한 StructuredOutputConverter 구현체 사용 방법
__2.6.5 네이티브 구조화한 출력
2.7 대화 메모리와 컨텍스트 관리
__2.7.1 ChatMemory 인터페이스와 기본 구현체
__2.7.2 ChatMemoryRepository 저장소 유형별 상세 분석
__2.7.3 ChatMemoryRepository의 유연한 저장소 전환
__2.7.4 단기 기억과 장기 기억의 연동 패턴
__2.7.5 수동 단기 기억 관리
2.8 어드바이저 체인
__2.8.1 어드바이저 API 클래스 구조
__2.8.2 어드바이저 실행 흐름과 스택 구조
__2.8.3 동기식 처리 vs 스트리밍 처리
__2.8.4 어드바이저 구현과 내장 어드바이저
__2.8.5 어드바이저 기반 제어: 차단과 대체
__2.8.6 어드바이저 구현 원칙과 배치 전략
__2.8.7 스프링 AI 어드바이저: 프레임워크의 코어와 확장성
2.9 AI 챗봇 CLI 프로젝트
__2.9.1 CLI와 AI의 만남
__2.9.2 프로젝트 구조 및 설정
__2.9.3 단계별 챗 CLI 구현
__2.9.4 최종 CLI 챗봇 개발
__2.9.5 정리

· 03장: 스프링 AI와 RAG

3.1 RAG 등장 배경과 아키텍처
__3.1.1 LLM의 구조적 한계와 데이터 공백
__3.1.2 데이터 공백을 채우는 기술: 파인 튜닝 vs 주입
__3.1.3 스프링 AI의 RAG 아키텍처
__3.1.4 ETL 파이프라인 프레임워크
3.2 ETL 파이프라인 DocumentReader 구현
__3.2.1 텍스트 파일에서 추출
__3.2.2 JSON에서 추출
__3.2.3 PDF에서 추출
__3.2.4 마크다운에서 추출
__3.2.5 HTML에서 추출
__3.2.6 범용 문서 추출
__3.2.7 커스텀 DocumentReader 구현
3.3 ETL 파이프라인 DocumentTransformer 구현
__3.3.1 문서 변환과 정제
__3.3.2 메타데이터 포맷 통일
__3.3.3 메타데이터에 키워드 추가
__3.3.4 문맥 요약 추가
__3.3.5 커스텀 DocumentTransformer 구현
__3.3.6 DocumentTransformer 파이프라인 통합
3.4 ETL 파이프라인 DocumentWriter 구현
__3.4.1 파일에 적재
__3.4.2 커스텀 DocumentWriter 구현
3.5 임베딩 모델
__3.5.1 임베딩의 개념과 작동 원리
__3.5.2 EmbeddingModel API 구조
__3.5.3 임베딩 모델 구동 방식: 클라우드와 로컬
__3.5.4 CPU 기반 로컬 임베딩 모델 성능과 한글 지원 임베딩 모델
3.6 벡터 데이터베이스
__3.6.1 VectorStore 인터페이스 상세
__3.6.2 검색 요청(SearchRequest)
__3.6.3 메타데이터 필터
__3.6.4 벡터 데이터베이스 스키마
__3.6.5 대량 문서의 배치 데이터 적재
__3.6.6 벡터 데이터베이스의 데이터 생명 주기 관리(삭제와 수정)
__3.6.7 다양한 벡터 데이터베이스
__3.6.8 내장 인메모리 벡터 데이터베이스(SimpleVectorStore)
3.7 스프링 AI의 RAG 프레임워크
__3.7.1 RAG의 진화와 패러다임
__3.7.2 Naive RAG 구현
__3.7.3 Advanced RAG 구현
__3.7.4 모듈러 RAG를 구성하는 모듈
__3.7.5 모듈러 RAG의 전처리 단계 구현
__3.7.6 모듈러 RAG의 검색, 후처리, 생성 단계 구현
__3.7.7 모듈러 RAG 오케스트레이션
3.8 RAG AI 챗봇 CLI 프로젝트
__3.8.1 프로젝트 목표와 설정
__3.8.2 오프라인 ETL 파이프라인 구현
__3.8.3 런타임 RAG 파이프라인 구현
__3.8.4 RAG CLI 챗봇 개발

· 04장: 툴 호출

4.1 AI 모델의 툴 호출 환경
__4.1.1 툴 호출의 등장: LLM이 현실 세계와 연결되다
4.2 툴 호출 설계
__4.2.1 스프링 AI 툴 호출의 특징
__4.2.2 툴 호출 진행 과정
__4.2.3 툴 명세
__4.2.4 툴 컨텍스트와 직접 반환
__4.2.5 툴 호출 결과 변환
4.3 툴 구현
__4.3.1 메서드를 툴로 구현하기
__4.3.2 함수를 툴로 구현하기
__4.3.3 툴 구현 방식 비교 및 선택
__4.3.4 툴을 AI 모델에 전달하는 방법
4.4 툴 실행
__4.4.1 ToolCallingManager API
__4.4.2 DefaultToolCallingManager의 내부 구현
__4.4.3 프레임워크-제어 툴 실행
__4.4.4 어드바이저-제어 툴 실행
__4.4.5 사용자가 제어하는 툴 실행
4.5 툴 지원 AI 챗봇 CLI 프로젝트
__4.5.1 프로젝트 목표와 설정
__4.5.2 단계별 툴 호출 CLI 구현
__4.5.3 툴 지원 AI 챗봇 CLI 개발

· 05장: 스프링 AI MCP

5.1 MCP 기본(호스트/클라이언트/서버, 프리미티브, 전송)
__5.1.1 MCP 아키텍처
__5.1.2 자바 MCP 스택 아키텍처
__5.1.3 자바 MCP 클라이언트 서버 아키텍처
__5.1.4 직접 툴 호출 vs MCP 툴 호출
5.2 스프링 AI MCP 클라이언트
__5.2.1 MCP 클라이언트 부트 스타터
__5.2.2 MCP 클라이언트 공통 설정
__5.2.3 MCP 클라이언트 STDIO 설정
__5.2.4 MCP 클라이언트 원격 서버 설정
__5.2.5 MCP 클라이언트의 headers를 사용한 원격 서버 보안 설정
__5.2.6 MCP 클라이언트 기능 구현
__5.2.7 MCP 클라이언트 애너테이션
5.3 스프링 AI MCP 서버
__5.3.1 MCP 서버 부트 스타터
__5.3.2 MCP 서버 공통 설정
__5.3.3 MCP 서버 프로토콜 설정
__5.3.4 MCP 서버 툴 기능 구현
__5.3.5 MCP 서버 다양한 기능 구현
__5.3.6 MCP 서버 클라이언트 양방향 기능 구현
__5.3.7 MCP 서버 애너테이션
__5.3.8 MCP 서버 애너테이션 사용 툴 구현
__5.3.9 MCP 서버 애너테이션 사용 툴 서버 유형별 구현
__5.3.10 MCP 서버 애너테이션 사용 추가 기능 구현
__5.3.11 MCP 서버 애너테이션 사용 추가 기능 서버 유형별 구현
5.4 스프링 AI MCP 보안
__5.4.1 MCP 보안 환경
__5.4.2 스프링 AI의 MCP 시큐리티
__5.4.3 MCP 클라이언트 시큐리티 공통 설정
__5.4.4 MCP 클라이언트 시큐리티 세부 구현
__5.4.5 MCP 서버 시큐리티 구성
__5.4.6 MCP 인가 서버 구성
5.5 MCP 기반 AI 챗봇 CLI 프로젝트
__5.5.1 프로젝트 목표와 설정
__5.5.2 단계별 MCP 서버 구현
__5.5.3 단계별 MCP 클라이언트 구현
__5.5.4 MCP 기반 AI 챗봇 CLI 구현

· 06장: AI 에이전트

6.1 AI 에이전트와 실행 루프
__6.1.1 워크플로와 자율 에이전트
__6.1.2 워크플로 패턴
__6.1.3 자율 에이전트
__6.1.4 스프링 AI가 지원하는 자율 에이전트 개발
__6.1.5 실용적 AI 에이전트 구현
6.2 컨텍스트 엔지니어링
__6.2.1 프롬프트 엔지니어링에서 컨텍스트 엔지니어링으로
__6.2.2 생각의 사슬의 프롬프트 설계와 추론 AI 모델
__6.2.3 리액트: 에이전트 행동 방식
__6.2.4 컨텍스트 엔지니어링을 사용하는 LLM과 에이전트 시스템
6.3 재귀적 어드바이저와 툴 루프 제어
__6.3.1 툴 루프의 두 가지 방식
__6.3.2 재귀적 어드바이저의 처리 흐름
__6.3.3 ToolCallingAdvisor를 사용한 툴 루프 제어
__6.3.4 ToolCallingAdvisor의 훅과 파라미터 증강
__6.3.5 구조화한 출력 교정 루프
6.4 스프링 AI 에이전트 개발
__6.4.1 AI 에이전트 서비스 구조: 클로드 코드, 코덱스, 오픈코드, 오픈클로
__6.4.2 멀티 에이전트와 에이전트 연결 표준
__6.4.3 스프링 AI 에이전트 아키텍처와 구현
__6.4.4 사용자 개입 워크플로(HITL): MCP Elicitation을 통한 툴 사용 권한 제어
__6.4.5 동적 툴 탐색
6.5 커뮤니티 지원으로 확장하는 스프링 AI 에이전트
__6.5.1 범용 에이전트 스킬
__6.5.2 가정 대신 질문하는 툴(AskUserQuestionTool)
__6.5.3 작업 계획 작성 툴(TodoWriteTool)
__6.5.4 멀티 에이전트 지원 하위 에이전트 오케스트레이션
6.6 엔터프라이즈 스프링 AI 에이전트 CLI 프로젝트
__6.6.1 엔터프라이즈 스프링 AI 에이전트 시스템
__6.6.2 엔터프라이즈 스프링 AI 에이전트 CLI 시스템 설계와 구현 계획
__6.6.3 스프링 AI 에이전트 CLI 구현
__6.6.4 MCP 서버 기반 스프링 AI 에이전트 능력 확장 구현
__6.6.5 멀티 에이전트로 확장
__6.6.6 메타 툴 기반 오케스트레이션 확장
__6.6.7 통합과 관측 가능성

· 부록

A: 오픈AI API로 실습 환경 구성하기
B: AI 평가로 응답 품질을 검증하고 에이전트 루프를 보강하기
C: 외부 AI 에이전트에 연결하기
D: 스프링 AI 플레이그라운드