책소개
LLM 애플리케이션, 이제는 실전으로!언어 모델이 강력해질수록 사용자에게는 새로운 도전이 생긴다. 외부 데이터 및 지식을 어떻게 연결할 것인가? 복잡한 워크플로를 어떻게 구성할 것인가? 모델의 환각 현상을 어떻게 제어할 것인가? 이 책은 이런 질문에 답하며 랭체인과 RAG 기술로 현실적인 문제를 해결하는 방법을 안내한다.이 책은 랭체인의 필수 컴포넌트(체인, 메모리, 도구, 에이전트)부터 다양한 RAG 방법론(리트리버, 리랭커, 하이브리드 검색, 멀티모달 처리, GraphRAG, ReAct 패턴, sLLM 활용)까지 체계적으로 다룬다. 각 장은 개념 설명부터 시작해 점진적으로 복잡한 실습으로 이어지며, 독자는 기본 코드를 응용해서 자신만의 프로젝트에 적용할 수 있는 방법을 배운다. 단순한 API 호출을 넘어 RAG 방법론의 진화 과정과 적용 시나리오를 이해하고, 코랩 환경에서 바로 실행할 수 있는 예제로 진입 장벽을 낮췄다. 특히 상황별로 어떤 접근법이 적합한지 명확한 가이드라인과 실제 서비스로 확장할 수 있는 아키텍처 패턴을 제시한다.
저자소개
성균관대학교 데이터사이언스 융합학과에서 석사 학위를 취득했고, 현재 성균관대학교 인공지능융합학과에서 박사 학위를 수료했으며, 대기업 S사에서 데이터 사이언티스트로 일하고 있다. 다수의 KCI, SCI 논문 및 AI 기반 특허, IT 서적을 출판했으며, 한국데이터산업진흥원에서 데이터 자격검정 전문위원으로 활동하며 RAG와 LLM 기반의 프로젝트를 수행하며 쌓은 경험을 바탕으로 책을 집필했다.
목차
▣ 01장: 랭체인(LangChain)1.1 랭체인을 위한 준비사항___1.1.1 체인을 사용하는 이유1.2 코랩(Google Colaboratory) 환경___1.2.1 코랩 실행 환경 설정1.3 LLM API 키___1.3.1 GPT API 키___1.3.2 제미나이 API 키1.4 허깅페이스___1.4.1 허깅페이스의 모델 찾기1.5 랭체인 구성요소___1.5.1 체인___1.5.2 프롬프트___1.5.3 메모리___1.5.4 인덱스___1.5.5 콜백 및 평가▣ 02장: RAG(Retrieval-Augmented Generation)2.1 RAG의 배경 및 중요성2.2 랭체인을 이용한 RAG___2.2.1 환경 설정___2.2.2 데이터 로드___2.2.3 데이터 청킹___2.2.4 벡터 스토어___2.2.5 리트리버 및 프롬프트2.3 Advanced RAG___2.3.1 문서의 순서를 조절하여 성능을 올리는 리랭커 기술___2.3.2 가상 문서를 통해 높은 질의 응답 성능을 달성하는 HyDE 기술___2.3.3 쿼리를 보다 구체적이고 풍부하게 만드는 쿼리 확장 기술___2.3.4 다양한 관점을 반영할 수 있는 멀티 쿼리 기술▣ 03장: 멀티모달 RAG3.1 _멀티모달 RAG 소개___3.1.1 멀티모달 RAG 개념___3.1.2 활용 사례___3.1.3 중요성3.2 멀티모달 RAG의 중요한 모델 및 기술___3.2.1 멀티모달 인코더___3.2.2 멀티모달 생성을 위한 디코더___3.2.3 지식 검색 및 증강___3.2.4 융합 기술___3.2.5 모델 학습과 파인튜닝3.3 [실습] 멀티모달 RAG___3.3.1 멀티모달 정보 추출___3.3.2 멀티모달 RAG 구현▣ 04장: GraphRAG4.1 GraphRAG란?4.2 기존 RAG와 차이점4.3 GraphRAG를 위한 환경 설정___4.3.1 Neo4j4.4 [실습] GraphRAG___4.4.1 [실습] 자연어 쿼리를 통한 그래프 데이터 조회 및 조작___4.4.2 [실습] LLM 기반 지식그래프 구축 및 RAG 실습▣ 05장: ReAct 에이전트5.1 ReAct 에이전트란?___5.1.1 ReAct 에이전트의 개념___5.1.2 기본 원리 설명___5.1.3 ReAct와 기존 방식의 차이점___5.1.4 ReAct 에이전트의 주요 기능 및 활용 사례5.2 검색 API 연동___5.2.1 외부 데이터 기반 답변 생성___5.2.2 검색 API 호출___5.2.3 [실습] ReAct 에이전트와 검색 API 통합5.3 [실습] 에이전트 기반 도구 호출___5.3.1 기본 에이전트에서의 도구 호출___5.3.2 ReAct를 활용한 고급 도구 호출5.4 에이전트를 활용한 금융 데이터 실전 프로젝트___5.4.1 ReAct 에이전트를 사용한 금융 데이터 수집 및 분석___5.4.2 검색 API를 통한 실시간 금융 시장 분석___5.4.3 ReAct 에이전트를 통한 통합 분석▣ 06장: sLLM6.1 sLLM을 학습하는 이유6.2 sLLM 실행___6.2.1 허깅페이스의 sLLM 모델 실행해 보기6.3 FFT 학습 방법과 코드___6.3.1 학습 데이터 만들기___6.3.2 sLLM 학습을 위한 병렬 처리 방법___6.3.3 sLLM 학습 Full Fine-tuning하기6.4 PEFT 학습 방법과 코드___6.4.1 PEFT 알고리즘 및 실습(QLoRA)___6.4.2 PEFT 알고리즘 및 실습(DoRA)6.5 RAG 기반의 LLM 최적화 학습___6.5.1 RAG를 고려한 QA 데이터 생성___6.5.2 RAG를 고려한 sLLM 학습___6.5.3 RAG를 고려한 sLLM 최적화6.6 LLM 서빙___6.6.1 스트림릿을 활용한 서비스 환경 구성하기___6.6.2 스트림릿을 활용한 sLLM 배포해 보기___6.6.3 vLLM으로 sLLM 서빙 최적화하기
