LLM 34
- LangGraph Workflows와 Agents - part.5
- LangGraph Workflows와 Agents - part.4
- LangGraph Workflows와 Agents - part.3
- LangGraph Workflows와 Agents - part.2
- LangGraph Workflows와 Agents - part.1
- Thinking in LangGraph
- LangGraph 로컬 서버 실행 - part.1
- LangGraph Quickstart
- LangGraph 개요 정리
- LangChain 개요 및 환경 설정 - part.1
- LangSmith Hub를 활용한 고급 프롬프트 최적화
- LangChain 에이전트 (Agent) 개념과 활용
- LangChain에서 Multi-turn 대화 구현하기
- LangChain 프롬프트 템플릿과 메시지 유형 활용하기
- LangChain에서 응답 속도 최적화: Caching 활용하기
- LangChain에서 실시간 응답을 위한 Streaming 구현
- LangChain 시작하기: 필수 라이브러리 설치 및 환경 설정
- RAG 챗봇 디버깅 및 성능 최적화- Part.6
- RAG 프롬프트 구성 및 LLM 응답 생성- Part.5
- 벡터 저장소 구축과 리트리버 활용- Part.4
- 문서 처리: Chunking과 Embedding- Part.3
- RAG 환경 설정 및 기본 코드 작성- Part.2
- RAG (Retrieval-Augmented Generation) 개념 및 구축 과정 개요- Part.1
- LangChain을 활용한 고급 체인 구성 및 최적화 전략
- Runnable 컴포넌트와 체인 확장하기 - 특강5
- LangChain Expression Language(LCEL) 이해하기 - 특강4
- 프롬프트를 활용한 페르소나 챗봇 만들기 - 특강3
- 프롬프트 템플릿 활용하기 (ChatPromptTemplate) - 특강2
- LangChain과 LLM의 기본 개념 - 특강1
- LLM 활용 기법: 프롬프트 트렁케이션, CoT, RAG 개념 정리
- Meta의 Llama-2-7b를 On-Premise 환경에서 실행하기
- Django 프로젝트로 챗봇 기능 만들기 - Part 2
- Django 프로젝트로 챗봇 기능 만들기 - Part 1
- OpenAI API 기반 챗봇 구현