RAG 29
- AInfo 챗봇 구조 #6 - CrewAI 기반 멀티에이전트 연결하기
- AInfo 챗봇 구조 #5 - LangChain 기반 도구 및 에이전트 구성 방법
- AInfo 챗봇 구조 #4 - Vector 검색 구조 분석
- AInfo 챗봇 구조 #3 - LangChain 기반 멀티턴 챗봇 구조
- AInfo 챗봇 구조 #2 - REST 기반 ChatRoom/ChatLog 흐름 이해하기
- AInfo: WebSocket 기반 실시간 챗봇 구조와 인증 흐름
- AInfo 프로젝트 결제 기능 구현
- AInfo 관리자 페이지에서 공지 메일 보내기
- AInfo: 공공 데이터 자동 수집 및 ChromaDB 벡터 저장 파이프라인
- AInfo 프로젝트에서 Celery 적용
- 사용자 중심 설계: AInfo의 회원가입과 마이페이지 기능 구현기
- AInfo: 공공서비스 추천 AI 챗봇 프로젝트 소개
- Streamlit 인터페이스에서 구현한 면접 챗봇 흐름
- Pinecone 기반 문서 벡터화와 PostgreSQL 저장 구조
- LangChain으로 구현한 면접 챗봇의 대화 흐름 구조
- 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
- LLM 활용 기법: 프롬프트 트렁케이션, CoT, RAG 개념 정리