Latest Blog Posts
기술적인 고민과 해결 과정을 기록합니다.
![[AI 에이전트] 12주차 - 마무리 리뷰](https://velog.velcdn.com/images/hongchee/post/752e5a23-5017-42ec-81e4-47bcbf8420f7/image.png)
[AI 에이전트] 12주차 - 마무리 리뷰
이번 글에서는 , 1주차부터 11주차까지 진행한 AI Agent 과정을 주차별로 간단히 돌아볼 것입니다.
![[AI 에이전트] 11주차 - LLM Training & Fine tuning](https://velog.velcdn.com/images/hongchee/post/09dee810-d964-494d-9b47-82a3e03d989c/image.png)
[AI 에이전트] 11주차 - LLM Training & Fine tuning
지금까지 다룬 RAG와 Agentic Prompting이 "모델 바깥의 맥락(Context)을 조절하는 방식"인 RAG와 Prompting이었다면, 이번에는 LLM을 최적화하는 방법인 Fine-Tuning에 대해서 알아볼 것입니다.
![[AI 에이전트] 9주차 이론 - AI Agent Cost Optimization (비용 최적화)](https://velog.velcdn.com/images/hongchee/post/2ee69cd4-1660-4317-a0a0-fe6cac1b53e0/image.png)
[AI 에이전트] 9주차 이론 - AI Agent Cost Optimization (비용 최적화)
이번에는 AI Agent의 비용 최적화에 대해 알아보겠습니다.
![[AI 에이전트] 8주차 이론 - LLM Observability Design Pattern 이해하기](https://velog.velcdn.com/images/hongchee/post/1e9be387-0283-4e78-a7f8-857722188607/image.png)
[AI 에이전트] 8주차 이론 - LLM Observability Design Pattern 이해하기
이번 시간에는 AI가 답변을 생성하는 과정에서 어떤 작업이 수행되었는지, 그리고 답변에 문제가 발생했을 경우 어느 단계에서 어떤 오류가 발생했는지 추적하고 분석하는 방법을 알아보겠습니다.
![[AI 에이전트] 7주차 이론 - Tool부터 Multi-Agent까지: Agentic AI Design Pattern 이해하기](https://velog.velcdn.com/images/hongchee/post/a665c303-5f5a-4e9a-9d8d-4899b3073339/image.png)
[AI 에이전트] 7주차 이론 - Tool부터 Multi-Agent까지: Agentic AI Design Pattern 이해하기
Agentic AI 시스템을 구축할 때 가장 중요한 점은 "무조건 Multi-Agent나 complex pattern을 도입하는 것이 정답은 아니다’며 목적에 맞게 정의를 하고 구성에 맞게 설계를 해주는 것이 중요합니다.
![[AI 에이전트] 6주차 실습 - KBO 직관 플래너 Agent 설계하기](https://velog.velcdn.com/images/hongchee/post/d06f8025-bb44-4da5-89f2-0f5c01b8a814/image.png)
[AI 에이전트] 6주차 실습 - KBO 직관 플래너 Agent 설계하기
KBO 직관 초심자를 위해 경기·날씨·좌석·교통·티켓 정보를 상황별로 조합하는 Agent를 기획하고, ReAct와 Plan-and-Execute 패턴 및 Tool 명세를 설계했습니다.
![[AI 에이전트] 5주차 RAG 평가 실습 - Ragas 5대 메트릭으로 Basic부터 Metadata-Full까지 진단하기](https://velog.velcdn.com/images/hongchee/post/3f014aab-73f8-4490-aec0-cc53219ec846/image.png)
[AI 에이전트] 5주차 RAG 평가 실습 - Ragas 5대 메트릭으로 Basic부터 Metadata-Full까지 진단하기
Ragas로 4가지 RAG 파이프라인(Basic/Hybrid/Rerank/Metadata-Full)을 15문항 Golden Dataset 기준으로 5개 메트릭으로 평가했습니다. "정보 없음" 폴백 4건 회복, q09 추나요법 Advanced 파괴, q15 cross-y...
![[AI 에이전트] 3주차 RAG 실습 - 의료급여 PDF로 LangChain RAG 파이프라인 구현하기](https://velog.velcdn.com/images/hongchee/post/537b1fa0-be80-4403-84c2-bdf1bb4d8dc6/image.png)
[AI 에이전트] 3주차 RAG 실습 - 의료급여 PDF로 LangChain RAG 파이프라인 구현하기
LangChain과 pdfplumber로 의료급여 PDF를 파싱하고 OpenAI 임베딩과 Chroma 기반 RAG를 구축해, 표 구조 보존과 검색 전략 개선으로 정확도를 60%에서 80%까지 높였습니다.
![[AI 에이전트] 4주차 RAG #2 실습 - Hybrid Search와 Cohere Re-ranking으로 다년도 의료급여 검색 정확도 개선하기](https://velog.velcdn.com/images/hongchee/post/0cdb800c-7d91-4c69-aee8-249754e0c98f/image.png)
[AI 에이전트] 4주차 RAG #2 실습 - Hybrid Search와 Cohere Re-ranking으로 다년도 의료급여 검색 정확도 개선하기
FastAPI 기반 RAG 서버에 BM25+RRF Hybrid Search와 Cohere 재랭킹을 적용해 2025·2026년 의료급여 PDF를 검색했습니다. 4가지 후보군 설정 실험으로 Basic RAG 73.3% → Advanced RAG 96.7% 달성 과정을 기록...
![[AI 에이전트] 4주차 RAG #2](https://velog.velcdn.com/images/hongchee/post/c0d2d46f-1e26-46a7-8095-236b5d390245/image.png)
[AI 에이전트] 4주차 RAG #2
하이브리드 검색과 BM25, 재랭킹, 메타데이터 필터링, 컨텍스트 압축을 통해 RAG 검색의 정확도와 효율을 높이는 방법을 정리한 글입니다.
![[AI 에이전트] 5주차 RAG 평가와 Ragas 핵심 메트릭](https://velog.velcdn.com/images/hongchee/post/ecd51bfc-13d3-4917-b23f-85317f95d898/image.png)
[AI 에이전트] 5주차 RAG 평가와 Ragas 핵심 메트릭
RAG 평가 데이터셋과 Golden Dataset의 필요성을 살펴보고, LLM-as-a-Judge와 Ragas 핵심 메트릭을 활용해 검색·생성 단계의 품질과 오류 원인을 진단하는 방법을 정리했습니다.
![[AI 에이전트] 3주차 RAG #1](https://velog.velcdn.com/images/hongchee/post/6939f961-4ae0-4962-aca6-a6d2cfc39c3d/image.png)
[AI 에이전트] 3주차 RAG #1
RAG(Retrieval-Augmented Generation)가 무엇인지 알아보고 , 어떤 구성 요소로 이루어져 있는지 LangChain 기반 RAG 파이프라인을 직접 구현해볼 것입니다.