상세정보

랭체인 프레임워크를 기반으로 한 RAG 시스템의 개념과 원리에 대해 입문자도 이해할 수 있을 만큼 쉽게 설명한다. 또 시스템의 각 구성 요소가 어떤 역할을 하는지, 어떻게 더 잘 활용할 수 있는지를 자세히 다룬다. 특히 마지막 장에서는 지금까지 배운 이론과 실습을 토대로 구성한 ‘RAG 시스템 구축 실전 프로젝트’를 완성하며, 전반적인 RAG의 이해도를 높이고 실무에서도 직접 활용해볼 수 있도록 구성했다.

LLM의 기본 개념부터 AI 서비스 구축, 배포까지
한 권으로 충분한 RAG 완벽 로드맵

LLM의 기초부터 제대로 시작하는
랭체인 실전 가이드!
AI 분야는 변화의 속도가 매우 빠른 만큼 실제 기업에서 쓰고 있는 기술과 가이드가 필요합니다. 이 책은 현직 AI 컨설턴트이자 AI 애플리케이션 전문 개발자의 풍부한 경험을 바탕으로 탄생했습니다. LLM에 처음 입문한 사람도 이해할 수 있을 만큼의 쉬운 커리큘럼과, 실무에서 유용하게 쓸 수 있는 랭체인 시스템 구축의 노하우를 모두 담았습니다. LLM의 다양한 케이스 스터디와 랭체인의 고급 방법론까지 다루며 완성도 높은 RAG 시스템을 구축해볼 수 있습니다.

★이 책에서 배울 수 있는 내용★
* 랭체인을 통한 LLM 활용: Language Models, Prompt Template, Output Parser
* RAG을 활용한 다양한 문서 처리: Document Loaders, Text Splitters
* RAG 실전 프로젝트 실습: 임베딩, 벡터 DB, Retriever, LCEL, Chains, Memory
* RAG 시스템 구축 및 배포: Streamlit, Ollama, Tool & AI Agents
* 그 외 Langchain, OpenAI, Claude, GPT-4o, Hugging Face 등의 모델 활용!

★이 책이 필요한 독자★
* LLM의 기초를 채우면서 랭체인을 활용한 AI 개발에 도전하는 예비 개발자
* 최신 AI 생성 기술과 프로젝트를 서비스에 접목하고 싶은 현직 개발자
* 다양한 모델 API를 실습하고 실제 프로젝트에 적용해보고 싶은 누구나!

정보제공 :

CHAPTER 01 - LLM 훑어보기
1.1 생성 AI 열풍의 주역, LLM
__규칙 기반 자연어 처리, 최초 AI 챗봇 ELIZA
__통계 기반 자연어 처리, N-gram의 등장
__딥러닝과 NLP의 발전, CNN & RNN & LSTM
__언어 모델의 혁신, 트랜스포머
__Scale is all you need, LLM의 시작
1.2 LLM 개발의 양대 산맥, 오픈 소스 LLM과 Closed LLM
__어떤 LLM을 선택하느냐가 AI 서비스의 핵심
__오픈 소스 LLM vs Closed LLM
__글로벌 오픈 소스 LLM 생태계
__국내 오픈 소스 LLM 생태계
1.3 한눈에 살펴보는 LLM의 활용 현황
__생성 AI 기반 대화형 검색 서비스, Perplexity
__마케팅 AI 코파일럿, Jasper
__자동화를 AI로 더욱 쉽게 만들다, Zapier
__전천후 CRM 코파일럿, 세일즈포스의 아인슈타인
__개발자의 필수 AI 코딩 도구, 깃허브 코파일럿
__쉽고 빠른 데이터 분석, 태블로 AI
__누구나 디자이너가 될 수 있는 도구, Adobe Firefly


CHAPTER 02 - RAG와 친해지기
2.1 RAG 시스템이란?
__LLM 최대의 약점, 환각 현상
__컨텍스트 윈도우 제한 문제
__LLM API의 기억상실증 문제
__환각 현상을 극복한 RAG의 등장
2.2 RAG vs 파인튜닝


CHAPTER 03 - LLM 시작하기
3.1 랭체인이란?
__랭체인의 개념과 구성 요소
__랭체인으로 구축 가능한 서비스, ChatPDF
3.2 랭체인을 통한 LLM 활용하기
__LLM API 호출의 기초
__프롬프트의 세 가지 형태
__LLM의 Temperature 이해하기
__ChatGPT처럼 답변 스트리밍하기
__응답을 캐싱하여 더 빠르게 응답받기
3.3 프롬프트 입력이 더 편리한 Prompt Template
__PromptTemplate과 ChatPromptTemplate
__퓨샷 예제를 통한 프롬프트 템플릿
__부분적인 처리가 가능한 Partial 프롬프트 템플릿
3.4 LLM의 답변을 원하는 형태로 조정하는 Output Parser
__쉼표로 구분된 리스트를 출력하는 CSV 파서
__날짜 형식만 출력하는 Datetime 파서
__시스템 통신의 기본 형식을 위한 JSON 파서


CHAPTER 04 - RAG으로 다양한 문서 다루기
4.1 Document Loaders 알아보기
__RAG를 위한 Document 객체의 이해
4.2 PDF 파일을 Document로 불러오기
__PyPDFLoader
__PyPDFium2
__PyPDFLoader와 PyPDFium2 처리 시간 비교
__PDF Loader 비교
4.3 여러 파일을 Document로 불러오기
__Word 파일 불러오기, Docx2txtLoader
__CSV 파일 불러오기, csv_loader
__PPT 파일 불러오기, UnstructuredPowerPointLoader
__인터넷 정보 로드하기, WebBaseLoader
__특정 경로 내의 모든 파일 불러오기, DirectoryLoader
4.4 문서를 다양하게 자르는 Text Splitters
__벡터 DB의 저장 과정
__적당한 크기로 문서를 분할하는 Text Splitters
__글자 수로 분할하는 CharacterTextSplitter
__재귀적으로 텍스트를 분할하는 RecursiveCharacterTextSplitter
__문맥을 파악해 분할하는 SemanticChunker


CHAPTER 05 - RAG 활용하기
5.1 텍스트를 숫자로 바꾸는 텍스트 임베딩
__임베딩 모델이란?
__Open source와 Closed source
5.2 문서 벡터 저장소, Vector Stores
__벡터 DB의 종류
__Chroma DB란?
__Chroma DB 문서 저장 및 유사 문서 검색
__Chroma DB API를 활용한 문서 관리
5.3 RAG의 문서 검색기, Retriever
__벡터 DB 기반의 Retriever
__사용자의 쿼리를 재해석해 검색하는 MultiQueryRetriever
__문서를 여러 벡터로 재해석하는 MultiVectorRetriever
__컨텍스트를 재정렬하는 Long-Context Reorder
5.4 랭체인을 표현하는 언어, LCEL
__쉬운 코드 작성과 효과적인 모듈 관리
__LCEL로 기본 체인 구성
__스트리밍 기능을 쉽게 추가하는 stream()
__여러 개 API를 요청하고 받는 batch()
5.5 기본 RAG 시스템 구축하기
__RAG 시스템 구축하기 1 - 기본적인 QA 체인 구성
__RAG 시스템 구축하기 2 - Memory 기능 구축
__Open source LLM으로 RAG 구축하기


CHAPTER 06 - RAG 완전 정복하기
6.1 Streamlit으로 RAG 챗봇 만들기
__Streamlit 실행하기
__Streamlit chat 기능 설정
6.2 대화 기능 추가하기
6.3 파일 업로드 기능 구현하기
6.4 고급 기능을 더해 RAG 챗봇 완성하기
6.5 Streamlit에서 배포하기
__애플리케이션 준비
__깃허브 세팅하기
__Streamlit Cloud로 배포하기
6.6 LLM의 한계를 너머, Tool & Agent
__단계별 추론 CoT와 ReAct
__랭체인으로 인터넷 검색 Agent 구축하기
__랭체인으로 벡터 DB 및 인터넷 검색 Agent 완성하기