다음 중 에이전트에 대한 설명으로 올바른 것은 무엇인가요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
LLM 기반 애플리케이션을 위한 LangChain 프레임워크에 오신 것을 환영합니다! 모델, 체인, 에이전트, 프롬프트, 파서 등 LangChain의 핵심 구성 요소를 살펴보게 됩니다. Hugging Face의 오픈 소스 모델과 OpenAI의 상용 모델을 활용해 챗봇을 만들고, 프롬프트 템플릿을 작성하며, 대화 중 문맥과 리소스를 관리하기 위한 다양한 챗봇 메모리 전략도 통합해 볼 거예요.
이제 LangChain 체인을 한 단계 업그레이드해 볼까요? LangChain Expression Language(LCEL)를 사용해 더 유연하게 체인을 정의하는 방법을 배웁니다. 구성 요소 간에 입력을 전달하는 순차 체인을 만들어 더 발전된 애플리케이션을 구현해 볼 거예요. 또한 의사 결정을 위해 LLM을 활용하는 에이전트 통합도 시작합니다.
현재 연습
LLM의 한계 중 하나는 특정 시점까지의 데이터로 학습되어 지식 컷오프가 존재한다는 점입니다. 이 장에서는 Retrieval Augmented Generation(RAG)을 사용해 외부 데이터를 LLM과 통합하는 애플리케이션을 만드는 방법을 배웁니다. RAG 워크플로에는 데이터 분할, 벡터 데이터베이스를 사용한 임베딩 생성 및 저장, 애플리케이션에서 활용할 가장 관련성 높은 정보 검색 등 여러 단계가 포함돼요. 전체 워크플로를 차근차근 익혀 마스터해 보세요!
