Developer GM

[KT] AIVLE SCHOOL 23~25일2번째 미니프로젝트는 생성형 AI 였다.먼저 1일차에는 개인적으로 그래프 구성도와 State를 정의해보고각 모듈 함수를 구현해보았고, 팀원들과 통합하였다.그리고 2일차에는 통합한 조별 파일을 가지고각각의 파트를 고도화하는 작업을 했다.마지막 3일차에는 2일차에서 보완할 점을 보완하고산출물을 작성했다. 프로젝트의 목표는 개인화된 질문과 답변에 대한피드백을 해주는 AI 면접관 Agent 시스템 구축이다.LangGraph을 기반으로 Agent 흐름을 설계하고LLM을 기반으로 질문을 생성하며 전략적 응답 흐름을 구성한다.사전 준비 절차는 이력서를 업로드하면 이력서를 요약하고 질문 전략을 수립한다.다음으로 면접 절차는 수립한 질문 전력에 맞게 생성한 질문을 제시하고 사용..

[KT] AIVLE SCHOOL 22일차 MemoryAI Agent가 이전 상태(state)나 대화 기록을 유지하고 재사용할 수 있도록 하는 기능유저와 AI 간의 대화를 저장하여 지속적인 맥락을 유지단순한 세션 메모리 뿐만 아니라 외부 저장소를 활용하여 장기적인 상태를 저장단기기억과 장기기억 정보를 제어하기 위한 로직을 넣을 수 있음두 가지 종류의 메모리Short-term Memory : MemorySaverLangGraph에서 제공하는 체크포인트(Checkpoint) 저장소그래프 실행 중 생성되는 상태(state)를 자동으로 저장하고 필요 시 복원할 수 있게 해주는 메모리 기반 저장소주요 특징용도 : 그래프의 실행 상태(state)를 저장하고 복원저장 위치 : Python의 메모리(RAM) 안에 저장 ..

[KT] AIVLE SCHOOL 20일차 Vector DB와 RAG 파이프라인 구축 기본 절차Vector DB : LoaderTextLoder LangChain에서 가장 기본적인 데이터 로더 중 하나일반적인 텍스트 파일(.txt)에서 데이터를 불러오는 역할txt 파일을 읽고 이를 LangChain에서 사용할 수 있는 문서 객체(Document)로 변환Document 객체LangChain에서 텍스트 데이터(문서)를 구조적으로 표현하는 기본 단위주요 속성metadata : 문서의 출처, 태그, 카테고리 등의 부가 정보page_content : 문서의 실제 텍스트 내용Loader로 로딩한 후 저장하거나 직접 Document 생성 가능Vector DB : Splitter청킹 기준 고려사항LLM 모델의 입력 크기..

[KT] AIVLE SCHOOL 20일차 RAG(Retrieval Augmented Genertion)LLM 모델 : 학습하지 않은 내용은 모름RAG를 사용한 LLM사용자 질문을 받음지식 DB에서 답변에 필요한 문서 검색필요한 문서를 포함한 프롬프트 생성LLM이 답변 생성하기Vector DB대규모 텍스트 데이터 및 임베딩 벡터를 저장, 검색용RAG를 이용한 LLM 다시 보기사용자 질문을 받음임베딩 : 벡터로 변환(질문 벡터)준비된 정보 DB에서 답변에 필요한 문서 검색[질문 벡터]와 DB내 저장된 [문서 벡터]와 유사도 계산가장 유사도가 높은 문서 n개 찾기필요한 문서를 포함한 프롬프트 생성LLM이 답변 생성하기Vector DB 구축 절차텍스트 추출 : Loader다양한 문서(word, pdf, web ..