AI
1.[AI 에이전트] 1주차 : LLM 호출 테스트 및 고객 문의 구조화 실험
고객 문의 티켓 분류 실험을 통해 LLM API 호출 구조와 JSON 스키마 기반 데이터 추출을 학습하고, 모델·토큰·Few-shot 설정에 따른 성능과 비용 차이를 분석합니다.
2.[AI 에이전트] 2주차 : 프롬프트 기법 4가지
Zero-shot, Few-shot, CoT, Self-Consistency의 원리와 활용 사례를 정리하고, 의료급여 데이터 추출 실험을 통해 기법별 정확도와 비용을 비교한 글입니다.
3.[AI 에이전트] 3주차 RAG #1
RAG(Retrieval-Augmented Generation)가 무엇인지 알아보고 , 어떤 구성 요소로 이루어져 있는지 LangChain 기반 RAG 파이프라인을 직접 구현해볼 것입니다.
4.[AI 에이전트] 4주차 RAG #2
하이브리드 검색과 BM25, 재랭킹, 메타데이터 필터링, 컨텍스트 압축을 통해 RAG 검색의 정확도와 효율을 높이는 방법을 정리한 글입니다.
5.[AI 에이전트] 5주차 RAG 평가와 Ragas 핵심 메트릭
RAG 평가 데이터셋과 Golden Dataset의 필요성을 살펴보고, LLM-as-a-Judge와 Ragas 핵심 메트릭을 활용해 검색·생성 단계의 품질과 오류 원인을 진단하는 방법을 정리했습니다.
6.[AI 에이전트] 3주차 RAG 실습 - 의료급여 PDF로 LangChain RAG 파이프라인 구현하기
LangChain과 pdfplumber로 의료급여 PDF를 파싱하고 OpenAI 임베딩과 Chroma 기반 RAG를 구축해, 표 구조 보존과 검색 전략 개선으로 정확도를 60%에서 80%까지 높였습니다.
7.[AI 에이전트] 4주차 RAG #2 실습 - Hybrid Search와 Cohere Re-ranking으로 다년도 의료급여 검색 정확도 개선하기
FastAPI 기반 RAG 서버에 BM25+RRF Hybrid Search와 Cohere 재랭킹을 적용해 2025·2026년 의료급여 PDF를 검색했습니다. 4가지 후보군 설정 실험으로 Basic RAG 73.3% → Advanced RAG 96.7% 달성 과정을 기록
8.[AI 에이전트] 5주차 RAG 평가 실습 - Ragas 5대 메트릭으로 Basic부터 Metadata-Full까지 진단하기
Ragas로 4가지 RAG 파이프라인(Basic/Hybrid/Rerank/Metadata-Full)을 15문항 Golden Dataset 기준으로 5개 메트릭으로 평가했습니다. "정보 없음" 폴백 4건 회복, q09 추나요법 Advanced 파괴, q15 cross-y
9.[AI 에이전트] 6주차 실습 - KBO 직관 플래너 Agent 설계하기
KBO 직관 초심자를 위해 경기·날씨·좌석·교통·티켓 정보를 상황별로 조합하는 Agent를 기획하고, ReAct와 Plan-and-Execute 패턴 및 Tool 명세를 설계했습니다.
10.[AI 에이전트] 7주차 이론 - Tool부터 Multi-Agent까지: Agentic AI Design Pattern 이해하기
Agentic AI 시스템을 구축할 때 가장 중요한 점은 "무조건 Multi-Agent나 complex pattern을 도입하는 것이 정답은 아니다’며 목적에 맞게 정의를 하고 구성에 맞게 설계를 해주는 것이 중요합니다.
11.[AI 에이전트] 8주차 이론 - LLM Observability Design Pattern 이해하기
이번 시간에는 AI가 답변을 생성하는 과정에서 어떤 작업이 수행되었는지, 그리고 답변에 문제가 발생했을 경우 어느 단계에서 어떤 오류가 발생했는지 추적하고 분석하는 방법을 알아보겠습니다.
12.[AI 에이전트] 9주차 이론 - AI Agent Cost Optimization (비용 최적화)
이번에는 AI Agent의 비용 최적화에 대해 알아보겠습니다.
13.[AI 에이전트] 10주차 - AI Agent Security - 데이터 오염과 Prompt Injection,Jailbreak #1
AI Agent는 RAG, Memory, Tool Calling, 외부 API와 연결되어 실제 데이터를 조회하고 시스템의 상태를 변경할 수 있습니다.
14.[AI 에이전트] 10주차 - AI Agent Security - 위협 분석 → 방어 설계 #2
이번에는 AI agent security 첫번째 정리에서 위험에 대해서 정리를 했고, 이어서 방어 및 보안을 하기위한 방법에 대해서 정리를 해볼 것입니다.
15.[AI 에이전트] 11주차 - LLM Training & Fine tuning
지금까지 다룬 RAG와 Agentic Prompting이 "모델 바깥의 맥락(Context)을 조절하는 방식"인 RAG와 Prompting이었다면, 이번에는 LLM을 최적화하는 방법인 Fine-Tuning에 대해서 알아볼 것입니다.
16.[AI 에이전트] 12주차 - 마무리 리뷰
이번 글에서는 , 1주차부터 11주차까지 진행한 AI Agent 과정을 주차별로 간단히 돌아볼 것입니다.
17.[AI Agent] KBO 메이트 Agent 서비스/MVP 명세 정리
KBO 도우미 Agent를 실제 서비스 수준으로 구현하기 위해 서비스 정의부터 MVP 범위, Tool·RAG 설계, Agent 구조와 단계별 확장 방향까지 정리한 프로젝트 기획 기록입니다.
18.[AI Agent] RAG 임베딩: 사직구장, 벡터 숫자보다 질문으로 검증하기
사직구장 안내 문서 5개로 RAG 임베딩과 pgvector 검색을 실험했습니다. 평가 질문을 통해 실패 원인을 분석하고 데이터를 보강해 Top-1 정확도를 85.71%에서 91.67%로 개선한 과정을 정리했습니다.
19.[AI Agent] 야구 지식 RAG: 공식 규칙 PDF를 질문으로 검증하기
KBO 공식 야구규칙과 리그 규정을 RAG 데이터로 구축하고, 실제 질문 기반 검색 평가를 통해 실패 원인을 분석했습니다. embedding_text 개선만으로 Top-1 검색 품질을 높인 과정을 정리합니다.
20.[AI Agent] LangGraph 도입: Tool보다 먼저 정리해야 했던 Context
직접 만든 Tool 기반 Agent에서 후속 질문 context 문제를 해결하기 위해 LangGraph를 작게 도입했습니다. selected_game 중심의 Compact Context 설계와 저장·복원, SSE 계약을 유지한 적용 과정을 정리합니다.