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.

LangChain 생태계

LangChain에서 OpenAI 모델 사용하기!

LangChain에서 Hugging Face 모델 사용하기!

프롬프트 템플릿

프롬프트 템플릿과 체이닝

채팅 프롬프트 템플릿

Few-shot 프롬프트 작성

Few-shot 예시 세트 만들기

Few-shot 프롬프트 템플릿 만들기

Few-shot 프롬프트 구현하기

LangChain 소개 및 챗봇 메커니즘

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.

순차 체인

순차 체인을 위한 프롬프트 만들기

LCEL로 만드는 순차 체인

LangChain 에이전트 소개

에이전트란 무엇일까요?

ReAct 에이전트

에이전트를 위한 사용자 지정 도구

툴 사용을 위한 함수 정의

사용자 지정 도구 만들기

에이전트에 사용자 정의 도구 통합하기

체인과 에이전트

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!

문서 로더 통합하기

PDF 문서 로더

CSV 문서 로더

HTML 문서 로더

검색을 위한 외부 데이터 분할

문자 단위로 분할하기

문자를 기준으로 재귀적으로 분할하기

HTML 분할하기

벡터 데이터베이스를 활용한 RAG 저장 및 검색

문서와 벡터 데이터베이스 준비하기

검색 프롬프트 템플릿 만들기

RAG 체인 만들기

마무리!

Retrieval Augmented Generation (RAG)

LangChain 프레임워크의 강력함을 활용해 대규모 언어 모델(LLM) 기반 애플리케이션을 혁신해 보세요! 생성형 AI 시대에 애플리케이션을 개발할 때 가장 큰 과제 중 하나는 서로 다른 제공자에서 오는 모델, 데이터 소스, 프롬프트, 기타 구성 요소를 하나의 애플리케이션에 통합하는 일입니다. LangChain 프레임워크는 이러한 모든 요소를 하나로 엮는 통합된 문법을 제공하여 LLM을 프로젝트에 더욱 손쉽게 통합할 수 있게 해줘요. 숙련된 개발자든 이제 막 시작하는 분이든, 이 강좌는 LangChain의 무한한 역량을 활용해 역동적이고 지능적인 애플리케이션을 만드는 데 필요한 지식과 기술을 갖추도록 도와드립니다. 지금 이 여정에 함께하시고, 언어 모델로 구동되는 애플리케이션을 만드는 방식을 새롭게 정의해 보세요.

동영상에는 실시간 자막이 포함되어 있으며, 동영상 왼쪽 아래의 "Show transcript"를 클릭하면 표시할 수 있어요.
강좌 용어집은 오른쪽의 자료 섹션에서 확인하실 수 있어요.
CPE 학점을 받으려면 강좌를 완료하고 자격 평가에서 70% 이상의 점수를 받아야 합니다. 오른쪽의 CPE 학점 알림을 클릭하면 평가로 이동할 수 있어요.

<h2>LangChain 생태계에서 개발하기 위한 기초</h2>
LangChain의 생태계를 활용해 LLM 툴킷을 확장하고, OpenAI 및 Hugging Face 모델과의 원활한 통합을 구현하세요.  실제 환경의 애플리케이션을 최적화하고, 사용 사례에 맞는 정교한 정보 검색 시스템을 구축할 수 있게 해주는 오픈소스 프레임워크를 만나보세요.<br><br>
<h2>LangChain을 활용한 챗봇 제작 방법론</h2>
LangChain 도구를 활용하여 챗봇을 개발하고, HuggingFace의 오픈소스 모델과 OpenAI의 폐쇄형 모델 간의 미묘한 차이를 비교해 보세요. 복잡한 대화를 위한 프롬프트 템플릿을 활용하여, 고급 챗봇 개발의 기반을 마련하세요.<br><br>
<h2>LangChain을 사용한 데이터 처리 및 검색 증강 생성(RAG)</h2>
최적화된 데이터 검색을 위해 토큰화와 벡터 데이터베이스를 마스터하고, 풍부한 외부 정보로 챗봇 상호작용을 강화하세요.  다양한 활용 사례를 최적화하기 위해 RAG 메모리 기능을 활용하세요.<br><br>
<h2>고급 체인, 도구 및 에이전트 통합</h2>
체인, 도구, 에이전트, API, 그리고 지능형 의사결정의 힘을 활용하여 전체 엔드투엔드 사용 사례와 고급 LLM 출력 처리를 다루세요.<br><br>
<h2>디버깅 및 성능 지표</h2>
마침내 디버깅, 최적화, 성능 평가에 능숙해져, 챗봇이 오류 처리까지 고려해 개발되도록 하세요.  문제 해결을 위해 투명성을 한층 더하세요.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

LangChain에서 LLM, 프롬프트, 체인, 에이전트를 사용해 AI 애플리케이션을 만드는 방법을 알아보세요.

LangChain으로 LLM 애플리케이션 개발하기

LLM, 프롬프트, 체인, 에이전트를 활용해 LangChain으로 AI 기반 애플리케이션을 구축하는 방법을 알아보세요.

개발자를 위한 AI 엔지니어 보조

AI 애플리케이션 개발

LangChain으로 애플리케이션 개발하기

AI Engineer & LangChain Contributor

벡터 데이터베이스로 RAG 저장 및 검색

RAG 개발 단계

벡터 데이터베이스란? 왜 필요한가요?

어떤 벡터 DB를 선택할까?

문서를 살펴봅시다

Chroma 벡터 DB 설정

프롬프트 템플릿 만들기

모두 연결하기

Ayo berlatih!

Retrieval Augmented Generation (RAG) - 벡터 데이터베이스를 활용한 RAG 저장 및 검색

벡터 데이터베이스를 활용한 RAG 저장 및 검색

Create Your Free Account