generative-ai-for-beginners — 21개 레슨으로 배우는 생성형 AI

먼저, "생성형 AI 입문"이 왜 필요한가?

왜 이 커리큘럼이 표준이 됐는가.

2023년부터 ChatGPT 열풍 이후 "GPT를 써서 앱을 만들고 싶은데 어디서부터 시작해야 할지 모르겠다"는 개발자가 폭증했다. 책은 출간 시점부터 낡고, 유튜브는 코드를 따라 치기 불편하고, 부트캠프는 비싸다. 마이크로소프트 클라우드 어드보킷 팀이 만든 이 레포는 — 개념 + 영상 + 실습 코드를 한 세트로 묶은 21개 레슨이다.

각 레슨은 두 종류로 나뉜다 — Learn(개념 설명, 예: "LLM이 뭔가?")과 Build(직접 코드 작성, 예: "RAG로 검색앱 만들기"). 같은 코드를 Python과 TypeScript 두 언어로 동시에 제공하기 때문에 백엔드 개발자든 웹 프론트엔드 개발자든 익숙한 언어로 따라갈 수 있다.

이 커리큘럼의 핵심 메시지

한 문장으로 줄이면.

2026년 5월, 트렌딩에 다시 오른 이유

시대적 배경 + 경쟁 자료 대비 차별점.

시대적 배경 — "AI 입문서의 표준"이 된 레포

TrendShift의 "역대 GitHub 트렌딩에 가장 자주 오른 레포지토리" 순위에서 3위, 누적 78번 트렌딩에 노출됐다. 별 개수만 108,000개 + 포크 57,700개. 그야말로 "AI를 처음 배운다면 일단 여기"가 된 레포다.

매주 업데이트되고, 최신 모델(Mistral, Meta Llama 등)이 신규 레슨으로 추가되며, GitHub Actions가 한국어 포함 50개 언어로 자동 번역해 준다. 한국어 페이지가 따로 있어서 영어 부담 없이 학습 가능하다는 점이 글로벌 채택의 결정적 무기.

경쟁 자료 대비 — 책·유튜브·부트캠프 vs 이 레포

주요 언어 · 의존성 · 환경

커리큘럼을 돌리는 기술 기반 전체 지도.

주 언어 — Jupyter Notebook · Python · TypeScript

레포의 파일 구성은 Jupyter Notebook(.ipynb)이 가장 많고, 이후 레슨은 Python(.py)과 TypeScript(.ts/.js)로 진행된다. 같은 과제를 두 언어로 동시 제공해 백엔드·프론트 개발자 모두 익숙한 언어로 따라갈 수 있다.

Python 의존성 — requirements.txt

Node / TypeScript 의존성 — Build 레슨 개별 package.json

환경 요구사항

학습자가 빌드하는 앱의 구조 + 6가지 설계 패턴

"교재" 레포지만, 학습자가 따라 만드는 앱은 진짜 프로덕션 패턴.

표준 앱 구조 — 사용자 → 앱 → 모델 제공자 3종

┌─────────────────────────────────────────────────────────────────┐
│                    사용자 (브라우저 / CLI)                       │
└───────────────────────────┬─────────────────────────────────────┘
                            │
                            ▼
┌─────────────────────────────────────────────────────────────────┐
│        앱 코드 (Python 또는 TypeScript)                          │
│  ┌───────────────────────────────────────────────────────────┐  │
│  │  1. .env 에서 API 키 로드  (python-dotenv / dotenv)        │  │
│  │  2. openai 클라이언트 초기화                                │  │
│  │  3. 프롬프트 작성 (system / user 메시지)                    │  │
│  │  4. client.chat.completions.create(...) 호출                │  │
│  │  5. 응답 파싱 → 화면/콘솔로 출력                            │  │
│  └───────────────────────────────────────────────────────────┘  │
└───────────────────────────┬─────────────────────────────────────┘
                            │ HTTPS
        ┌───────────────────┼───────────────────┐
        ▼                   ▼                   ▼
┌──────────────┐  ┌──────────────────┐  ┌────────────────┐
│ OpenAI API   │  │ Azure OpenAI     │  │ GitHub Models  │
│ (api.openai) │  │ (회사 엔드포인트)│  │ (무료, 학습용) │
└──────┬───────┘  └────────┬─────────┘  └────────┬───────┘
       └──────────┬────────┴─────────────────────┘
                  ▼
       ┌────────────────────────────┐
       │   GPT-4o / GPT-3.5 / o1    │
       │   text-embedding-3-large   │
       │   DALL-E 3, ...            │
       └────────────────────────────┘

패턴 1 — Provider Abstraction (제공자 추상화)

같은 레슨 안에 aoai-app.py(Azure OpenAI), oai-app.py(OpenAI 직접), githubmodels-app.py(GitHub Models)가 나란히 있다. 비즈니스 로직은 동일하고 클라이언트 설정만 다르다는 것을 자연스럽게 익히게 한다.

패턴 2 — Environment-First Configuration (12-factor)

API 키·엔드포인트·모델 이름은 절대 하드코딩하지 않는다. 모두 .env에서 python-dotenv 또는 dotenv로 읽는다. 실무 회사 코드에서도 그대로 통하는 패턴.

# .env.copy 예시
OPENAI_API_KEY=sk-xxx
AZURE_OPENAI_API_KEY=...
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
AZURE_OPENAI_DEPLOYMENT=gpt-4o
AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT=text-embedding-3-large
AZURE_OPENAI_API_VERSION=2024-02-01
HUGGING_FACE_API_KEY=...

※ GitHub Models 사용 시 GITHUB_TOKEN을 별도로 설정 (레포 .env.copy 미포함 — GitHub 설정에서 발급한 PAT를 환경변수로 직접 지정).

패턴 3 — Notebook → Script 점진적 마이그레이션

처음 6개 레슨은 Jupyter 노트북(.ipynb)으로 셀 단위 실험을 권장. 7번 레슨부터는 실제 .py / .ts 파일로 옮겨가서 "프로덕션에 가까운 코드" 작성법을 배운다.

패턴 4 — RAG (Retrieval-Augmented Generation)

15번 레슨의 핵심. "LLM이 모르는 정보를 답변에 끼워 넣기".

[질문] → [임베딩으로 변환] → [벡터 DB에서 유사 문서 검색]
                                          │
                                          ▼
                          [검색된 문서 + 원래 질문]
                                          │
                                          ▼
                          [LLM 호출] → [답변]

패턴 5 — Function Calling (도구 호출)

11번 레슨. LLM이 "직접 답변" 대신 "이 함수를 이런 인자로 불러줘"를 JSON으로 반환하게 만드는 패턴. 외부 API, DB, 계산기 등 어떤 도구든 LLM이 부를 수 있다 — 요즘 말하는 "에이전트"의 가장 기본적인 구현체.

패턴 6 — Multi-Agent Orchestration

17번 레슨. 여러 LLM이 협력해 작업을 처리하는 패턴. 한 에이전트가 계획을 세우고, 다른 에이전트가 실행하고, 또 다른 에이전트가 검증한다. 최근의 OpenHands·Claude Code·LangGraph가 다 이 패턴 위에 있다.

레포 구조 해부

21개 레슨 폴더 + 메타 디렉토리.

generative-ai-for-beginners/
├── .devcontainer/          # Codespaces용 개발환경 정의
│   └── devcontainer.json   # universal:2.13 이미지 + pip install 자동화
├── .github/                # GitHub Actions (번역, 검증)
├── .vscode/                # VS Code 설정 (확장 추천 등)
│
├── 00-course-setup/        # 시작 안내 (.env 설정법 등)
├── 01-introduction-to-genai/        # Learn: 생성형 AI/LLM이란
├── 02-exploring-and-comparing-different-llms/  # Learn: 모델 선택법
├── 03-using-generative-ai-responsibly/         # Learn: 책임 있는 AI
├── 04-prompt-engineering-fundamentals/         # Learn: 프롬프트 기초
├── 05-advanced-prompts/                        # Learn: 고급 프롬프트
│
├── 06-text-generation-apps/                    # Build: 텍스트 생성앱
│   ├── python/             # aoai-app.py, oai-app.py, githubmodels-app.py
│   ├── typescript/         # recipe-app/ 등 Node 프로젝트
│   └── README.md
├── 07-building-chat-applications/              # Build: 챗봇
├── 08-building-search-applications/            # Build: 임베딩 검색
├── 09-building-image-applications/             # Build: 이미지 (DALL-E)
├── 10-building-low-code-ai-applications/       # Build: 로우코드
├── 11-integrating-with-function-calling/       # Build: 함수 호출
├── 12-designing-ux-for-ai-applications/        # Learn: AI UX
├── 13-securing-ai-applications/                # Learn: 보안
├── 14-the-generative-ai-application-lifecycle/ # Learn: LLMOps
├── 15-rag-and-vector-databases/                # Build: RAG
├── 16-open-source-models/                      # Build: Hugging Face
├── 17-ai-agents/                               # Build: 멀티 에이전트
├── 18-fine-tuning/                             # Learn: 파인튜닝
├── 19-slm/                                     # Learn: 소형 모델(Phi)
├── 20-mistral/                                 # Learn: Mistral
├── 21-meta/                                    # Learn: Llama
│
├── docs/                   # docsify 문서 페이지
├── images/                 # 영문판 이미지
├── translated_images/      # 번역판 이미지
├── translations/           # 50개 언어 README 번역 (한국어 ko/)
├── presentations/          # 발표용 슬라이드
├── shared/python/          # 레슨 간 공통 Python 유틸
│
├── .env.copy               # 환경변수 템플릿 -> .env 복사
├── AGENTS.md               # AI 코딩 에이전트용 셋업 가이드
├── requirements.txt        # Python 의존성
├── package.json            # 루트 npm (docsify-to-pdf)
├── pyproject.toml          # Python 프로젝트 설정
├── .python-version         # 3.12.10
├── docsifytopdf.js         # 문서 -> PDF 변환
├── index.html              # docsify 진입점
└── README.md               # 코스 소개

주목할 만한 파일 3가지

레슨별 핵심 학습 포인트

어디서 무엇을 가져갈지.

LLM 호출 기본 패턴 — 레슨 01~07

임베딩 · 벡터 검색 — 레슨 08, 15

함수 호출 · 에이전트 — 레슨 11, 17

RAG 시스템 설계 — 레슨 15

LLMOps · 보안 — 레슨 13, 14

오픈소스 모델 · 파인튜닝 — 레슨 16, 18~21

하드웨어 · 시스템 요구사항

모드별 최소 사양.

직접 해볼 수 있는 5단계

난이도별 실습 — Easy -> Hard.

실습 1 — Codespaces 30분 워밍업Easy

실습 2 — CLI 미니 챗봇Easy

실습 3 — 내 노트 RAG 검색Medium

실습 4 — 함수 호출 미니 에이전트Medium

실습 5 — 멀티 에이전트 코드 리뷰어Hard

6주 심화 학습 로드맵

21개 레슨을 주당 6~8시간으로 6주에 완주.

핵심 용어 한눈에

자주 마주칠 단어들.

더 깊이 파고들 자료

공식 · 자매 시리즈 · 관련 도구.

공식 자료

• microsoft/generative-ai-for-beginners (GitHub)
• 한국어 README (translations/ko)
• Microsoft Foundry Discord 학습 커뮤니티
• aka.ms/genai-beg-code — 심화 코드 샘플

자매 시리즈 (같은 포맷)

• AI Agents for Beginners — 11개 레슨
• MCP for Beginners — Model Context Protocol
• Generative AI for Beginners — .NET 에디션
• Generative AI with JavaScript
• Edge AI for Beginners

관련 도구 · SDK

• OpenAI Python SDK / @azure-rest/ai-inference
• tiktoken (토큰 카운터) / Hugging Face
• Ollama (로컬 LLM 실행) / llama.cpp

TrendShift 페이지

• trendshift.io/repositories/13227 (현재 트렌딩)
• trendshift.io/repositories/4478 (역대 누적 #3)