본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 19일차 학습 후기 19일차에는 “Network - 학습자의 약점을 기반으로 문제를 생성하는 Agent”를 주제로 여러 에이전트가 협력해 맞춤형 학습 문제를 자동으로 생성하는 구조를 실습했습니다. 이번 강의에서는 단일 Agent가 모든 역할을 담당하는 것이 아니라 진단과 문제 생성이라는 서로 다른 역할을 가진 두 Agent가 네트워크 형태로 협력하는 구조를 구현했습니다. 먼저, 진단 Agent는 학습자의 최근 문제 풀이 결과를 분석해 약점을 파악하는 역할을 담당했습니다. 실제로 학습자의 오답 내역, 정답률, 특정 유형의 취약점 등 다양한 데이터를 바탕으로 어떤 개념이나..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 18일차 학습 후기 오늘은 MCP(Multi-Context Protocol)에 대해 학습했습니다. 원래는 해당 과정을 듣는 날이 아니지만, 회사에서 MCP에 대한 이야기가 나오길래 궁금해서 MCP란 무엇인가 알고 싶어서 먼저 듣게 되었습니다. MCP는 LLM과 외부 시스템 간의 연결 방식을 표준화하기 위해 등장한 개방형 프로토콜로 다양한 도구와 데이터 소스를 LLM과 쉽게 연결할 수 있도록 지원하는 것이라고 합니다. 쉽게 말하면 기존에는 핸드폰 충전기가 라이트닝, 5핀 등등 여러가지의 타입이 있었지만, 현재는 모두 C type으로 통일된 것처럼 MCP도 같은 역할을 하..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 17일차 학습 후기 17일차에는 자연어 질문을 SQL 쿼리로 변환하고, 쿼리 실행 결과를 기반으로 답변을 생성하는 AI Agent 파이프라인을 실습했습니다. 이번 강의에서는 Chinook 샘플 데이터베이스를 활용해서 데이터베이스 연결부터 쿼리 자동 생성, 오류 발생 시 쿼리 수정, 그리고 최종 답변 생성까지의 전체 흐름을 LangGraph로 구현했습니다. 먼저, requests 라이브러리로 DB 파일을 다운로드하고 Langchain의 SQL Database를 통해 데이터베이스에 연결했습니다. 데이터베이스의 테이블 목록과 샘플 데이터를 직접 조회해보면서 실제 쿼리 실행 ..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 16일차 학습 후기 16일차에는 “부족한 내용은 웹에서 찾아오는 RAG”를 주제로 벡터DB 기반 검색과 웹 검색을 결합한 하이브리드 RAG 파이프라인을 실습했습니다. 이번 강의에서는 단순히 벡터DB에서 문서를 검색해 답변을 생성하는 것에 그치지 않고, 검색 결과가 부족하거나 질문에 대한 답이 명확하지 않을 때 LLM이 스스로 웹 검색을 추가로 수행해 답변의 완성도를 높이는 구조를 구현했습니다. 먼저, Langchain의 WebBaseLoader로 여러 공식 문서를 크롤링해 의미 단위로 분할하고 OpenAI Embeddings를 활용해 Chroma DB에 벡터로 저장했습..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 15일차 학습 후기 15일차에는 “환각 여부를 평가하는 RAG”를 주제로 검색 기반 AI 시스템의 답변 품질과 신뢰도를 자동으로 평가하는 구조를 실습했습니다. 이번 강의에서는 단순히 벡터 DB에서 문서를 검색해 답변을 생성하는 것에 그치지 않고 검색된 문서의 관련성 평가, 답변의 해결성, 그리고 환각 여부까지 단계별로 체크하는 RAG 파이프라인을 LangGraph로 구현했습니다. 사용자의 질문에 대해 Retriever Tool을 활용해 벡터 DB에서 관련 문서를 검색하고 검색된 문서가 질문과 얼마나 관련이 있는지 LLM을 기반으로 평가했습니다. 이때 “yes” 또는 “..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 14일차 학습 후기 오늘은 14일차로 "검색 문서의 관련성 검증을 추가한 RAG" 강의를 실습했습니다. 이번 강의의 핵심은 RAG(Retrieval-Augmented Generation) 구조에 Human-in-the-loop를 적용하여 검색된 문서가 실제로 질문과 얼마나 관련이 있는지 LLM이 자동으로 평가하고 필요시 사용자가 직접 질문을 수정할 수 있도록 하는 프로세스를 구현하는 것이었습니다. 실습에서는 langchain과 langgraph를 활용하여 벡터DB에서 문서를 검색하고 LLM이 해당 문서의 관련성을 yes or no로 평가하는 과정을 직접 구현해보았습니다..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 13일차 학습 후기 13일차에는 “ChromaDB로 만드는 기본 RAG”를 주제로 RAG의 개념과 벡터 데이터베이스와 검색 기반 AI 시스템의 핵심 구조를 실습했습니다. 이번 강의에서는 실제 PDF 문서를 Semantic Chunking 기법으로 의미 단위로 분할하고 OpenAI Embeddings를 활용해 각 청크를 벡터로 변환한 뒤 ChromaDB에 저장하는 과정을 단계별로 구현했습니다. 이 과정을 통해 대용량 문서도 효율적으로 검색할 수 있는 RAG(Retrieval-Augmented Generation) 파이프라인의 기초를 직접 경험할 수 있었습니다. 특히 인상..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 12일차 학습 후기 12일차에는 “Network - 검색 결과를 차트로 그려주는 Agent”를 주제로 여러 에이전트가 협력해 복잡한 데이터 분석과 시각화 작업을 자동화하는 구조를 실습했습니다. 이번 강의에서는 단일 Agent가 모든 역할을 담당하는 것이 아니라 검색과 차트 생성이라는 서로 다른 역할을 가진 두 Agent가 번갈아가며 작업을 이어가는 네트워크 구조를 구현하는 방법을 배웠습니다. 먼저, 검색을 담당하는 Research Agent는 사용자의 질문을 받아 Tavily Search API를 활용해 최신 데이터를 수집하고 그 결과를 정리해 다음 단계로 넘기고, 이..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 11일차 학습 후기 11일차에는 “Multi Agent를 위한 필수 개념과 구현”을 주제로 여러 에이전트가 협력하며 복잡한 문제를 해결하는 구조를 실습했습니다. 이번 강의에서는 단일 Agent가 모든 역할을 담당하는 기존 방식에서 벗어나 각 Agent가 자신만의 역할을 수행하고 필요에 따라 제어권을 넘기는 HandOffs(핸드오프) 패턴을 집중적으로 배웠습니다. 핸드오프의 핵심은 한 Agent가 작업을 마치면 Command 객체를 통해 다음 Agent에게 제어권을 넘기는 방식입니다. 예를 들어 agent_1이 메시지를 생성한 뒤 Command(goto="agent_2"..
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.(참고자료: https://fastcampus.info/4n8ztzq) 10일차 학습 후기 오늘은 드디어 10일차입니다. 하루 10~20분씩 짬을 내어 강의를 듣다 보니 5분의 1 정도 오게 되었습니다. 오늘은 "Multi Agent란 무엇인가?"라는 주제를 다루는 11분짜리 비교적 짧은 강의였지만, 그 안에 담긴 내용은 결코 가볍지 않았습니다. 특히 기존에 AI Agent에 대해 알고 있던 이미지에서 벗어나, 여러 개의 에이전트들이 협업하고 분업하는 구조로 발전하고 있다는 점이 인상 깊었습니다. 기존의 단일 Agent는 ‘도구를 언제 어떻게 쓰느냐’에 대한 판단부터 복잡한 작업까지 모두 한 에이전트가 떠안아야 했기에, 도구 선택이 잘못되..
