X에서 “90일 안에 연봉 20만 달러 AI 엔지니어 역할에 가까워지고 싶다면 학위보다 이 10개 GitHub 저장소를 익히라”는 식의 글이 화제가 됐다. 과장은 섞여 있지만, 목록 자체는 꽤 흥미롭다.

핵심은 저장소 10개를 외우라는 게 아니다. 앱 예제, 에이전트 프레임워크, 로컬 모델 실행, MCP, 벡터 검색, 시스템 설계, Claude Code 생태계까지 한 번에 훑는 로드맵으로 읽으면 의미가 있다.

Sources

1. 이 목록을 그대로 믿기보다 “10개 레이어”로 읽는 편이 낫다

X 원문은 강한 문장으로 시작한다. 하지만 실제로 더 유용한 해석은 이것이다.

  1. awesome-llm-apps로 완성형 예제를 본다.
  2. LangChain, LangGraph, crewAI로 에이전트 구조를 익힌다.
  3. Ollama로 모델 실행 환경을 손에 익힌다.
  4. awesome-mcp-servers로 도구 연결 표준을 본다.
  5. Qdrant로 RAG의 저장·검색 레이어를 이해한다.
  6. AI-Agents-for-Beginners로 학습용 커리큘럼을 돈다.
  7. system-design-primer로 프로덕션 사고방식을 보강한다.
  8. awesome-claude-code로 실전 워크플로와 스킬 생태계를 붙인다.

즉, 이건 “최고의 저장소 10개”라기보다 AI 엔지니어링을 구성하는 10개 시야에 가깝다.

flowchart LR
    A[예제 이해
awesome-llm-apps] --> B[프레임워크
LangChain]
    B --> C[오케스트레이션
LangGraph / crewAI]
    C --> D[모델 실행
Ollama]
    D --> E[도구 연결
MCP]
    E --> F[검색 저장소
Qdrant]
    F --> G[학습 코스
AI Agents for Beginners]
    G --> H[시스템 설계
system-design-primer]
    H --> I[실전 작업 루프
awesome-claude-code]

2. 예제 저장소는 “무엇을 만들 수 있는가”를 보여 준다

Shubhamsaboo/awesome-llm-apps는 생산형 AI 앱을 예제로 훑는 데 강하다. RAG, 멀티모달, 음성, 에이전트, 워크플로 자동화처럼 요즘 AI 앱에서 자주 나오는 조합을 실제 코드로 본다는 점이 크다.

처음부터 프레임워크 내부 구조를 파고들면 금방 추상화에 질린다. 반대로 예제를 먼저 보면 “왜 이런 도구가 필요한가”가 보인다.

이 저장소는 앱 관점의 출발점이다.

3. LangChain, LangGraph, crewAI는 같은 듯하지만 보는 층이 다르다

이 세 개는 한 덩어리처럼 보이지만, 실제로는 레이어가 다르다.

  • LangChain: LLM 앱 조립용 기본 프레임워크
  • LangGraph: 상태, 분기, 루프, 메모리를 포함한 에이전트 오케스트레이션
  • crewAI: 역할 기반 멀티 에이전트 협업 패턴

중요한 건 “무슨 프레임워크가 최고인가”가 아니다.
중요한 건 단일 호출 → 상태 있는 워크플로 → 다중 역할 협업으로 시야를 넓히는 것이다.

그래서 이 세 저장소를 한 번에 익히려 하기보다,

  1. LangChain으로 기본 체인을 보고,
  2. LangGraph로 상태 흐름을 이해하고,
  3. crewAI로 역할 분리를 비교해 보는 순서가 더 자연스럽다.

4. Ollama와 MCP는 2026년 AI 툴링 감각의 기본값에 가깝다

Ollama는 로컬에서 모델을 돌려 보는 가장 손쉬운 관문 중 하나다. 모델을 직접 바꿔 보고, 속도와 품질 차이를 체감하고, 클라우드 API에만 의존하지 않는 실행 감각을 주기 때문이다.

awesome-mcp-servers는 그 다음 레이어다.
이 목록에 MCP가 들어간 이유는 단순 유행이 아니라, 이제 에이전트가 파일 시스템, 브라우저, 검색, 데이터베이스, 협업 도구를 표준 인터페이스로 연결하는 흐름이 강해졌기 때문이다.

즉,

  • Ollama는 모델 실행 감각
  • MCP는 도구 연결 감각

을 만든다.

5. Qdrant와 RAG 학습은 아직도 매우 실용적이다

RAG가 예전만큼 새롭지는 않지만, 여전히 많은 실제 업무는 검색·요약·근거 인용·지식 연결 문제를 해결해야 한다. 그래서 qdrant/qdrant 같은 벡터 DB 저장소를 보는 일은 여전히 유효하다.

여기서 중요한 건 “벡터 DB를 외운다”가 아니라,

  • 임베딩은 어디서 오고
  • 어떤 단위로 쪼개며
  • 무엇을 검색하고
  • 어떤 근거를 다시 모델에 넣는가

를 이해하는 것이다.

AI 엔지니어링의 많은 문제는 모델 호출보다 검색 파이프라인 설계에 있다.

6. 학습용 코스와 시스템 설계가 같이 들어간 이유가 있다

microsoft/ai-agents-for-beginners는 입문용 강의형 저장소다.
반면 donnemartin/system-design-primer는 훨씬 넓고 전통적인 시스템 사고를 요구한다.

이 둘이 한 목록에 같이 있는 이유는 분명하다.

  • 하나는 빠르게 손을 움직이게 만들고
  • 다른 하나는 프로덕션에서 무엇이 깨지는지 보게 만든다

실제로 AI 앱은 결국 일반 소프트웨어 시스템 위에 올라간다.
큐, 캐시, 장애 복구, 트래픽, 스토리지, 권한, 비용 같은 문제가 사라지지 않는다.

7. 마지막에 awesome-claude-code가 오는 이유

hesreallyhim/awesome-claude-code가 흥미로운 건, 이 저장소가 모델 자체보다 작업 방식을 다루기 때문이다.

여기서 배우게 되는 건 보통 이런 것들이다.

  • 스킬과 플러그인 구조
  • planning / review / memory 루프
  • Claude Code를 IDE가 아니라 작업 하네스로 쓰는 방식
  • MCP, subagent, design skill, QA skill 등 주변 생태계

즉 앞의 저장소들이 “무엇을 만들 것인가”를 넓혀 준다면, 이 저장소는 “어떻게 일할 것인가”를 바꾼다.

flowchart TD
    A[모델 이해] --> B[앱 예제]
    B --> C[워크플로 프레임워크]
    C --> D[도구 연결]
    D --> E[검색 / RAG]
    E --> F[시스템 설계]
    F --> G[실전 작업 운영]
    G --> H[AI Engineer 감각]

8. 실전 적용 포인트

이 목록을 그대로 “90일 체크리스트”처럼 따라가기보다, 이렇게 쓰는 편이 더 현실적이다.

8-1. 1주차: 예제와 로컬 실행

  • awesome-llm-apps
  • Ollama

먼저 실제 앱과 모델 실행을 붙여 본다.

8-2. 2~3주차: 프레임워크 감각

  • LangChain
  • LangGraph
  • crewAI

단일 체인, 상태 그래프, 역할 분리의 차이를 본다.

8-3. 4주차: 도구 연결과 RAG

  • awesome-mcp-servers
  • Qdrant

실제 업무 데이터를 연결하는 감각을 익힌다.

8-4. 계속 병행할 것

  • AI-Agents-for-Beginners
  • system-design-primer
  • awesome-claude-code

학습 커리큘럼, 시스템 사고, 실전 워크플로는 한 번에 끝나는 과목이 아니다.

9. 핵심 요약

이 X 글의 진짜 가치는 “이 저장소만 보면 취업한다”는 과장에 있지 않다.
가치는 오히려 AI 엔지니어링이 어떤 층위로 이루어져 있는지 한 번에 보여 준다는 데 있다.

  • 앱 예제
  • 프레임워크
  • 오케스트레이션
  • 로컬 모델 실행
  • MCP
  • 벡터 검색
  • 학습 코스
  • 시스템 설계
  • 실전 워크플로

이 9개 시야를 묶어 보면, 왜 요즘 AI 엔지니어가 단순 프롬프트 작성자가 아니라 도구·데이터·시스템·작업 운영을 함께 다루는 사람인지 이해하게 된다.

결론

이 목록은 “베스트 저장소 10개”라기보다, AI 엔지니어로 일하기 위해 어디를 봐야 하는지 찍어 주는 지도에 가깝다.

그래서 정말 중요한 질문은 이것이다.

  • 어떤 프레임워크가 최고인가?

가 아니라,

  • 나는 지금 예제를 보고 있는가?
  • 상태 있는 워크플로를 이해했는가?
  • 모델과 도구를 직접 연결해 봤는가?
  • 검색과 시스템 설계를 같이 보고 있는가?
  • 내 작업 방식까지 업데이트하고 있는가?

이 질문들에 답하기 시작하면, 그때부터 저장소 목록은 링크 모음이 아니라 실제 학습 경로가 된다.