랭체인과 RAG로 배우는 실전 LLM 애플리케이션 개발(위키북스 생성형 AI 프로그래밍 시리즈 14)
멀티모달/GraphRAG/ReAct 에이전트/sLLM 완벽 실무 가이드
Regular price
$31.46
Sale price
Regular price
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
LLM 애플리케이션, 이제는 실전으로!
〉〉 왜 이 책인가?
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.
〉〉 실전 코드로 배우는 핵심 기술과 실무자를 위한 특별 구성
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.
〉〉 왜 이 책인가?
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.
〉〉 실전 코드로 배우는 핵심 기술과 실무자를 위한 특별 구성
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.
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
목차
목차
▣ 01장: 랭체인(LangChain)
1.1 랭체인을 위한 준비사항
___1.1.1 체인을 사용하는 이유
1.2 코랩(Google Colaboratory) 환경
___1.2.1 코랩 실행 환경 설정
1.3 LLM API 키
___1.3.1 GPT API 키
___1.3.2 제미나이 API 키
1.4 허깅페이스
___1.4.1 허깅페이스의 모델 찾기
1.5 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 중요성
2.2 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 프롬프트
2.3 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 RAG
3.1 _멀티모달 RAG 소개
___3.1.1 멀티모달 RAG 개념
___3.1.2 활용 사례
___3.1.3 중요성
3.2 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 파인튜닝
3.3 [실습] 멀티모달 RAG
___3.3.1 멀티모달 정보 추출
___3.3.2 멀티모달 RAG 구현
▣ 04장: GraphRAG
4.1 GraphRAG란?
4.2 기존 RAG와 차이점
4.3 GraphRAG를 위한 환경 설정
___4.3.1 Neo4j
4.4 [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 에이전트
5.1 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 사례
5.2 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 통합
5.3 [실습] 에이전트 기반 도구 호출
___5.3.1 기본 에이전트에서의 도구 호출
___5.3.2 ReAct를 활용한 고급 도구 호출
5.4 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: sLLM
6.1 sLLM을 학습하는 이유
6.2 sLLM 실행
___6.2.1 허깅페이스의 sLLM 모델 실행해 보기
6.3 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-tuning하기
6.4 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 최적화
6.6 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
1.1 랭체인을 위한 준비사항
___1.1.1 체인을 사용하는 이유
1.2 코랩(Google Colaboratory) 환경
___1.2.1 코랩 실행 환경 설정
1.3 LLM API 키
___1.3.1 GPT API 키
___1.3.2 제미나이 API 키
1.4 허깅페이스
___1.4.1 허깅페이스의 모델 찾기
1.5 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 중요성
2.2 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 프롬프트
2.3 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 RAG
3.1 _멀티모달 RAG 소개
___3.1.1 멀티모달 RAG 개념
___3.1.2 활용 사례
___3.1.3 중요성
3.2 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 파인튜닝
3.3 [실습] 멀티모달 RAG
___3.3.1 멀티모달 정보 추출
___3.3.2 멀티모달 RAG 구현
▣ 04장: GraphRAG
4.1 GraphRAG란?
4.2 기존 RAG와 차이점
4.3 GraphRAG를 위한 환경 설정
___4.3.1 Neo4j
4.4 [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 에이전트
5.1 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 사례
5.2 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 통합
5.3 [실습] 에이전트 기반 도구 호출
___5.3.1 기본 에이전트에서의 도구 호출
___5.3.2 ReAct를 활용한 고급 도구 호출
5.4 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: sLLM
6.1 sLLM을 학습하는 이유
6.2 sLLM 실행
___6.2.1 허깅페이스의 sLLM 모델 실행해 보기
6.3 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-tuning하기
6.4 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 최적화
6.6 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
저자
저자
양기빈
성균관대학교 데이터사이언스 융합학과에서 석사 학위를 취득했고, 게임회사 N사에서 데이터 사이언티스트로서 일하고 있으며, NLP 업무를 수행하고 있다. 임베딩 파인튜닝 논문을 작성했으며, 현재는 도메인 RAG 및 Post-Training, 에이전트에 대해 관심을 가지고 연구하고 있다.
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.
