LangChain-RAG

Python 3.9 이상OpenAI API 키 (OpenAI 플랫폼)pip 또는 uv 패키지 관리자LangChain에서 OpenAI 모델을 사용하기 위해 필요한 패키지를 설치합니다.OpenAI의 GPT 모델을 사용하기 위해 ChatOpenAI 객체를 생성합니다. API

API 키와 같은 민감한 정보를 코드에 직접 작성하면 보안 위험이 발생합니다. 본 포스트에서는 python-dotenv 라이브러리를 사용하여 환경 변수를 안전하게 관리하는 방법을 정리합니다.Python 3.9 이상pip 또는 uv 패키지 관리자환경 변수와 LangCha

LCEL(LangChain Expression Language)은 LangChain의 컴포넌트들을 파이프 연산자로 연결하여 복잡한 워크플로우를 간결하게 구성할 수 있게 해주는 문법입니다. 본 포스트에서는 LCEL을 사용하여 Chain을 구축하는 방법을 정리합니다.Pyt

PromptTemplate은 변수를 포함한 프롬프트를 정의하고, 실행 시점에 값을 주입하여 동적으로 프롬프트를 생성할 수 있게 해줍니다. 본 포스트에서는 다양한 PromptTemplate 사용법을 정리합니다.Python 3.9 이상OpenAI API 키 설정 (.env

LLM의 응답은 기본적으로 자유 형식의 텍스트입니다. OutputParser를 사용하면 이 응답을 문자열, JSON, 리스트 등 원하는 형태로 구조화할 수 있습니다. 본 포스트에서는 다양한 OutputParser 사용법을 정리합니다.Python 3.9 이상OpenAI

RAG(Retrieval Augmented Generation)는 LLM이 외부 데이터를 검색하여 답변을 생성하는 기술입니다. LLM은 학습 데이터에 없는 정보나 최신 정보에 대해 답변하기 어렵지만, RAG를 사용하면 외부 문서를 참조하여 정확하고 최신의 답변을 제공할

Document Loader는 텍스트, PDF, CSV, 웹페이지 등 다양한 형식의 문서를 LangChain에서 사용할 수 있는 Document 객체로 변환해줍니다. 본 포스트에서는 다양한 Document Loader 사용법을 정리합니다.Python 3.9 이상테스트용

긴 문서를 그대로 사용하면 LLM의 컨텍스트 제한을 초과하거나 검색 정확도가 떨어질 수 있습니다. Text Splitter를 사용하면 문서를 적절한 크기의 청크(chunk)로 분할할 수 있습니다. 본 포스트에서는 다양한 Text Splitter 사용법을 정리합니다.Py

임베딩 모델을 사용하기 위해 필요한 패키지를 설치합니다.임베딩(Embedding)은 텍스트를 컴퓨터가 이해할 수 있는 숫자 벡터로 변환하는 기술입니다. 비슷한 의미의 텍스트는 비슷한 벡터값을 가지게 되어, 텍스트 간의 의미적 유사도를 계산할 수 있게 됩니다.컴퓨터는 텍

업로드중..Chroma는 가볍고 사용하기 쉬운 벡터 데이터베이스입니다. 본 포스트에서는 Chroma DB를 사용하여 문서를 저장하고, 유사도 검색을 수행하는 방법을 정리합니다.Python 3.9 이상langchain-chroma 패키지 설치임베딩 모델 준비Chroma

업로드중..FAISS(Facebook AI Similarity Search)는 Meta에서 개발한 대규모 벡터 검색 라이브러리입니다. 본 포스트에서는 FAISS를 사용하여 벡터 스토어를 구축하고 검색하는 방법을 정리합니다.Python 3.9 이상langchain-com

업로드중..Retriever는 벡터 스토어에서 질문과 관련된 문서를 검색하는 인터페이스입니다. 본 포스트에서는 다양한 Retriever 옵션과 고급 검색 기법을 정리합니다.Python 3.9 이상Chroma DB 또는 FAISS 벡터 스토어 구축 완료OpenAI API

업로드중..RAG(Retrieval Augmented Generation)는 검색된 문서를 기반으로 LLM이 답변을 생성하는 기법입니다. 본 포스트에서는 지금까지 배운 내용을 조합하여 완전한 RAG 파이프라인을 구축하는 방법을 정리합니다.Python 3.9 이상Chro