작심삼일

AI 프로젝트, 특히 LLM(거대 언어 모델)을 활용한 서비스를 만들 때 고려해야 할 기술들을 정리한 가이드입니다. 각 기술의 개념을 이해하고, 자신의 프로젝트 규모와 목적에 맞는 최적의 조합을 찾아보세요. 1. RAG (Retrieval-Augmented Generation)RAG는 LLM이 알지 못하는 최신 정보나 특정 분야의 전문 지식(예: 우리 학교 학사 규정, 특정 게임 공략집)을 외부 문서에서 찾아와(Retrieval), 그 내용을 바탕으로 답변을 생성(Generation)하는 기술입니다. LLM의 환각(Hallucination)을 줄이고 답변의 신뢰도를 높이는 가장 핵심적인 기술이죠.1) 플랫폼RAG 파이프라인(데이터 준비 → 검색 → 생성)을 쉽게 만들도록 도와주는 도구들입니다.Makebo..

문제 상황 (Scenario): 현재 CoreTech의 기술 자료, 프로젝트 산출물, 개발 노하우 등은 각 팀의 Confluence, Google Drive, 개인 Notion, 심지어는 특정 팀원의 로컬 PC에 흩어져 있습니다. 이로 인해 다음과 같은 심각한 문제들이 발생하고 있습니다.정보 검색의 어려움: 신규 입사자가 특정 기술 정보를 찾기 위해 여러 채널을 헤매야 하며, 사내 전문가에게 반복적으로 질문하는 상황이 빈번합니다.지식의 사일로(Silo)화: A팀에서 해결한 장애 경험이나 유용한 개발 팁이 B팀에 공유되지 않아 비슷한 문제를 다시 해결하느라 리소스가 낭비됩니다.보안 및 접근 제어의 부재: 민감한 프로젝트 정보나 고객 데이터가 포함된 문서가 적절한 통제 없이 공유될 위험이 있습니다.지식의 비..

효과적인 지식 검색은 **정보 검색(IR)**과 **AI 기반 의미 추론(NLP)**의 결합으로 이루어진다.(1) 기술 스택 제안기본 스토리지: PostgreSQL (문서 메타데이터 및 권한 관리)콘텐츠 저장: Object Storage (예: AWS S3, 내부 NAS)벡터 검색: Elasticsearch + OpenSearch Vector Store 또는 ChromaDB임베딩 모델: OpenAI text-embedding-3-small 또는 KoSimCSE (한국어 중심 서비스 시)애플리케이션 계층: FastAPI + React 기반 Web UI(2) 검색 알고리즘 구조사용자가 검색어 입력키워드 기반 1차 필터링 (Elasticsearch Full Text Search)입력 쿼리를 임베딩 벡터로 변환..

지식 관리 포탈의 핵심은 콘텐츠를 표준화하고 관계를 정의하는 것이다. 다음은 대표적인 **엔터티 관계 설계(ERD 개요)**이다:Entity: Knowledge주요 속성: id, title, content, summary, author_id, created_at, updated_at, category_id, version설명: 지식의 기본 단위. 텍스트, 파일, 코드 등 형태를 불문하고 동일 구조로 관리.Entity: User주요 속성: user_id, name, department, role, email설명: 작성자·검토자·조회자 구분. RBAC(Role Based Access Control)을 지원.Entity: Tag주요 속성: tag_id, name, description설명: 지식 분류를 위한 ..

사내에는 다양한 형태의 지식이 부서별로 흩어져 있고, 중복 작성이나 검색의 어려움으로 인해 생산성이 저하되고 있다. 지식 관리 포탈의 목표는 **‘지식을 중앙집중적으로 관리하고, 필요할 때 누구나 쉽게 찾아 활용할 수 있는 환경’**을 구축하는 것이다.해결해야 할 주요 문제점 및 기능적 요구사항지식 분산 및 중복 관리 문제문제: 부서별 문서 서버, 메신저 공유 파일, 개인 노트 등 다양한 경로에 지식이 분산되어 있음.요구사항:문서, 회의록, 코드, 링크 등 다양한 지식 자산을 통합 저장할 수 있는 리포지토리 구축중복 지식 감지 기능 (문서 유사도 계산 기반)버전 관리 및 개정 이력 추적검색 효율성 부족문제: 제목 기반 검색만으로는 관련 문서를 찾기 어려움. 동일 주제도 표현 방식이 다름.요구사항:키워드 ..

LangGraph – LangChain에서 더 똑똑하게 멀티스텝 처리하는 법LangChain을 사용하면서 "에이전트가 생각보다 복잡한 작업을 잘 못하네?" 라는 느낌을 받은 적이 있다.단순 검색이나 API 호출 정도는 잘하지만, 여러 단계에 걸친 작업을 하면 이상한 답을 내놓거나, 비효율적으로 동작하는 경우가 많았다.최근 프로젝트에서 LangGraph를 살짝 찍먹(?) 해봤는데,이게 생각보다 LangChain의 부족한 부분을 꽤 잘 보완해줄 수 있는 기능 같아서 정리해본다.LangGraph란?LangGraph는 LangChain의 멀티스텝 처리 기능을 강화하기 위한 라이브러리다.기존 LangChain은 한 번의 프롬프트 → 답변 생성 → 끝 이라는 단순한 흐름으로 동작하는 경우가 많았다.하지만 현실에서는..

최근 프로젝트에서 LangChain을 활용해 RAG 기반 검색 시스템을 테스트할 일이 생겼다.LangChain을 다루다 보니 **"LangChain의 에이전트"**라는 개념이 나왔는데, 처음엔 그냥 "AI 에이전트랑 같은 거 아니야?" 라고 생각했다.하지만 막상 써보니 LangChain 에이전트는 우리가 흔히 말하는 AI 에이전트랑은 조금 다른 개념이었다.혹시 팀원들 중에서도 나처럼 헷갈리는 분이 있을까 봐, 이번 기회에 한 번 정리해본다.AI 에이전트란? 🤖AI 에이전트는 간단히 말하면 **"스스로 판단하고 행동하는 AI 시스템"**이다.환경에서 정보를 받아들이고, 목표를 달성하기 위해 스스로 판단하여 동작하는 것이 핵심이다.📌 AI 에이전트의 특징✅ 자율성 – 사람이 직접 명령하지 않아도 스스로 ..

LangChain Agent vs LangGraph: Super-Sub 에이전트 구조 구현 비교들어가며안녕하세요, 기술 블로그 독자 여러분! 오늘은 AI 에이전트 시스템을 구축할 때 많이 사용되는 두 가지 접근 방식에 대해 알아보려고 합니다. 바로 LangChain Agent만을 사용한 Super-Sub 구조와 LangGraph를 활용한 Super-Sub 구조의 차이점입니다. 두 방식 모두 복잡한 작업을 여러 전문 에이전트에게 분배하는 구조를 가지고있지만, 구현 방식과 특징에는 큰 차이가 있습니다.LangChain Agent로 구현하는 Super-Sub 구조LangChain은 대규모 언어 모델(LLM)을 활용한 애플리케이션 개발을 위한 프레임워크로, 다양한 도구와 에이전트를 쉽게 구현할 수 있게 해줍니다..

LangChain을 활용하면 단순한 언어 모델(LLM)을 넘어, 자율적으로 행동하는 AI 에이전트를 만들 수 있습니다.이번 글에서는 Google Gemini Pro 모델과 ReAct 에이전트 프레임워크를 사용해,웹 검색과 파이썬 코드 실행이 가능한 스마트 에이전트를 구축하는 방법을 설명하겠습니다. 🚀📌 1. 환경 설정먼저 필요한 라이브러리를 임포트하고 환경 변수를 설정합니다.특히, SSL 인증을 비활성화하여 네트워크 요청에서 발생할 수 있는 보안 경고를 방지합니다.import osimport sslfrom langchain import hubfrom langchain_community.utilities.serpapi import SerpAPIWrapperfrom langchain_experimenta..

Google에서 제공하는 Generative AI API를 사용하면 강력한 AI 모델을 활용할 수 있습니다. 이 글에서는 Python 코드를 활용하여 다음과 같은 작업을 수행하는 방법을 설명합니다.Google AI의 모델 리스트 조회프롬프트를 사용하여 AI 모델과 상호작용1. 사전 준비Google Generative AI API를 사용하기 위해서는 서비스 계정 키 파일이 필요합니다. 이를 환경 변수로 설정해야 합니다.import osos.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "agent/api-key.json"위 코드에서 "agent/api-key.json" 파일은 Google Cloud 콘솔에서 생성한 서비스 계정 키 파일입니다. 자신의 키 파일 경로로 수정해야..