환급챌린지

패스트캠퍼스 환급챌린지 19일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 19일차 입니다. 오늘은 part2의 'ch4. 사전구축 Agent' 중04. MCP 이해하기위 1개의 강의를 수강하였습니다. MCP는 LLM이 외부 데이터 소스나 도구들과 어떻게 연결되어야 하는지에 대한 표준화된 방법론을 제시하는 개방형 프로토콜입니다. MCP는 단순 연결이 아닌 양방향 통신이 가능한 설계로 구성되어 있습니다. 기존에는 LLM이 외부 도구나 데이터에 접근하기 위해 그때그때 맞춤형 코드를 작성해야 했는데, MCP를 활용하면 표준화된 방법으로 다양한 리소스와 손쉽게 연결할 수 있습니다. 즉, 어디서나 쓸 수 있는 플러그인처럼 만드는 느낌이었습니다. MCP는 호스트-클라이언트-서버라는..

패스트캠퍼스 환급챌린지 18일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 18일차 입니다. 오늘은 part2의 'ch3. N개 이상의 Agent' 중04. Network - 학습자의 약점을 기반으로 문제를 생성하는 Agent위 1개의 강의를 수강하였습니다. 이번 강의에서는 학생들의 성적을 기반으로 성취도를 진단하고 차트로 표현하고 문제까지 생성하는 실습을 진행했습니다. 강의에서는 크게 두 가지 역할의 에이전트가 등장합니다. 첫 번째는 대시보드 에이전트로, 학생의 진단 결과를 바탕으로 성취도를 분석하고 시각화합니다. 두 번째는 문제 생성 에이전트로, 위키피디아에서 정보를 검색하고 이를 바탕으로 관련 문제를 생성하는 역할을 합니다. 이 두 에이전트는 서로 협력하며, 필요한..

패스트캠퍼스 환급챌린지 17일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 17일차 입니다. 오늘은 part2의 'ch3. N개 이상의 Agent' 중03. Netwrok - 검색 결과를 차트로 그려주는 Agent위 1개의 강의를 수강하였습니다. 이번 강의에서는 Multi-Agent인 Network 기반의 차트 생성 Agent를 구현하는 시간을 가졌습니다. 단일 에이전트로는 감당하기 어려운 복잡한 작업을 여러 에이전트가 협력해 수행하는 방식인데 '검색 결과를 바탕으로 차트를 자동으로 그려주는 시스템'을 Multi-Agent 구조로 구현한 사례를 접하며 다양한 인사이트를 얻을 수 있었습니다. 이 시스템의 핵심은 두 개의 역할이 분리된 에이전트입니다. 첫 번째는 검색 담당 에이..

패스트캠퍼스 환급챌린지 16일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 16일차 입니다. 오늘은 part2의 'ch3. N개 이상의 Agent' 중02. Multi Agent를 위한 필수 개념과 구현위 1개의 강의를 수강하였습니다. 이번에 들은 강의에서는 Multi Agent 구조에서 핵심이 되는 개념인 "HandOffs"와 이를 구현하는 방식에 대해 배웠습니다. 먼저, HandOffs는 하나의 에이전트가 다른 에이전트에게 제어권을 넘기는 방식입니다. 단순히 역할을 나누는 것이 아니라, 실제로 동작 흐름을 다음 에이전트로 전달하는 구조인데요. 이 개념을 실제 코드로 구현할 때는 LangGraph에서 제공하는 Command 객체를 사용합니다. Command의 핵심은 go..

패스트캠퍼스 환급챌린지 15일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 15일차 입니다. 오늘은 part2의 'ch3. N개 이상의 Agent' 중01. Multi Agent란?위 1개의 강의를 수강하였습니다. 이 강의를 수강하면서, 가장 먼저 와닿았던 것은 "왜 멀티 에이전트가 필요한가?"에 대한 부분이었습니다. 하나의 에이전트로 모든 작업을 처리하려 할 때 발생하는 문제, 예를 들면 적절하지 않은 도구 호출이나 특정 도메인에 대한 낮은 전문성과 같은 부분들이 단일 에이전트 방식의 한계로 드러났습니다. 이때 필요한 것이 바로 멀티 에이전트 시스템입니다. 역할을 세분화하고, 전문화된 에이전트들이 각자의 업무를 수행함으로써 더 정교하고 효율적인 결과를 도출할 수 있다는 점..

패스트캠퍼스 환급챌린지 14일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 14일차 입니다. 오늘은 part2의 'ch2. 컨텍스트 품질을 보장하는 RAG' 중05. DB 실행을 위해 쿼리문을 작성하고 수정하는 RAG위 1개의 강의를 수강하였습니다. 이번 강의에서는 ch2의 마지막 강의로 DB 실행을 위한 쿼리문을 직접 생성하고 수정하는 RAG를 구현하는 실습을 하였습니다. 기존의 RAG방식과는 조금 다른, SQL 데이터베이스를 대상으로 하는 새로운 형태의 RAG 구현에 관한 내용이었습니다. 일반적인 RAG 구조가 벡터 DB를 기반으로 문서를 검색하고 그 결과를 LLM에게 전달해 응답을 생성하는 방식이라면, 이번 강의에서는 실제 SQL 쿼리를 통해 데이터를 직접 조회하고 답..

패스트캠퍼스 환급챌린지 13일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 13일차 입니다. 오늘은 part2의 'ch2. 컨텍스트 품질을 보장하는 RAG' 중04. 부족한 내용은 웹에서 찾아오는 RAG위 1개의 강의를 수강하였습니다. 이번 강의에서는 '부족한 내용을 웹에서 찾아오는 RAG'를 구현하는 실습을 하였습니다. 단순히 벡터 DB에 저장된 문서를 불러와 답변하는 기존의 RAG 방식에서 한 발 더 나아가, 실제 사용자의 질문에 적절한 정보가 DB에 없을 경우 능동적으로 웹 검색을 통해 보완하는 구조이었습니다. 문서를 검색하는 Retrieve 단계, 그 문서의 관련성을 판단하는 GradeDocuments 단계, 문서가 부족한 경우 질문을 더 나은 형태로 재작성하는 T..

패스트캠퍼스 환급챌린지 12일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 11일차 입니다. 오늘은 part2의 'ch2. 컨텍스트 품질을 보장하는 RAG' 중03. 환각 여부를 평가하는 RAG위 1개의 강의를 수강하였습니다. 요즘 RAG 기반의 서비스가 쏟아지고 있지만, 여전히 사용자의 질문에 대해 부정확하거나 엉뚱한 답변을 생성하는 경우가 종종 있습니다. 이번 강의에서는 이런 '환각(hallucination)' 문제를 어떻게 효과적으로 줄일 수 있을지에 대한 하나의 접근 방법을 소개해 주셨습니다. 이번에 다룬 구조는 '환각 여부를 평가하는 RAG'입니다. 기존에는 사용자의 질문을 벡터 DB에 넘겨서 연관 문서를 찾고 LLM이 답변을 생성하는 구조였다면, 이번에는 문서의..

패스트캠퍼스 환급챌린지 11일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 11일차 입니다. 오늘은 part2의 'ch2. 컨텍스트 품질을 보장하는 RAG' 중02. 검색 문서의 관련성 검증을 추가한 RAG (Human-in-the-loop)위 1개의 강의를 수강하였습니다. 이번 강의에선 "Human-in-the-loop"에 대해서 배웠습니다. "Human-in-the-loop"를 도입해 검색 문서의 관련성을 검증하는 구조는 단순히 문서를 검색해서 답변을 생성하는 데서 끝나는 게 아니라, 검색된 문서가 사용자의 질문과 정말 관련이 있는지를 판단하고 관련성이 없으면 질문을 다시 입력받는 구조입니다. 기존 RAG 구조는 사용자 질문 → 벡터 DB 검색 → LLM 응답의 흐름이 ..

패스트캠퍼스 환급챌린지 10일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 10일차 입니다. 오늘은 part2의 'ch2. 컨텍스트 품질을 보장하는 RAG' 중01. ChromaDB로 만드는 기본 RAG위 1개의 강의를 수강하였습니다. 이번 강의에서는 ChromaDB를 기반으로 한 RAG 파이프라인을 구축하는 실습을 진행했는데, 과정 전체가 하나의 작은 AI 시스템을 만드는 기분이었습니다. PDF 형태의 문서를 불러온 후 의미 단위로 Chunking하고, OpenAI의 임베딩 모델을 통해 벡터화한 뒤 ChromaDB에 저장하는 과정까지 하나하나가 흥미로웠습니다. 단순한 텍스트 분할이 아닌 'Semantic Chunking'을 통해 내용의 의미를 기준으로 텍스트를 나누는 작업..