LLM 그 이후: A2A의 멀티에이전트 오케스트레이션 시대
단일 LLM의 한계를 보완하는 멀티에이전트 오케스트레이션과 A2A, MCP의 역할을 정리했습니다. 또한 뉴스 검색·요약 예제로 에이전트 협업 구조를 설명했습니다.
#LLM#MCP
10000
필터 1
생성형 AI의 게임체인저, ReAct Agent를 알아보자
생성형 AI 에이전트의 핵심인 ReAct 패턴과 LangChain 기반 도구 활용 방식을 정리했습니다.현업 적용을 위해 도메인 지식, 프롬프트, Tool 설계, QA까지 함께 고려해야 했습니다.
#LangChain#LLM
14100
티오더의 Amazon Bedrock을 활용한 MCP 기반 운영 플랫폼 개발기
티오더가 Amazon Bedrock과 MCP로 운영 플랫폼을 구축한 사례를 소개했습니다. 자연어 기반 도구 호출과 알람 자동 요약으로 장애 대응과 운영 효율을 높였습니다.
#Amazon Bedrock#MCP
6700
문의 대응을 효율화하기 위한 RAG 기반 봇 도입하기
AWX 운영 문의를 줄이기 위해 RAG 기반 지원 봇을 도입한 사례를 소개했습니다. 사내 문서와 Slack 스레드를 벡터 검색해 1차 답변을 제공하고, 필요 시 관리자 호출로 넘기는 흐름을 구성했습니다.
#RAG#LLM
8100
나만의 ReAct 구현하기 : ReAct를 활용한 추론과 작업 자동화
ReAct를 추론과 행동을 결합한 에이전트 프레임워크로 소개했습니다. AWS와 LangChain 도구를 활용한 업무 자동화 사례와 구성 요소를 정리했습니다.
#LLM#AWS
1100
난생처음 AI 경험기 - OpenAI API 를 사용한 Hello World 를 작성해 보기
AI 시대 흐름에 맞춰 LLM과 LangChain의 개념, 한계를 처음 정리한 글입니다. OpenAI API와 Colab으로 gpt-3.5-turbo를 호출하는 간단한 실습도 소개했습니다.
#LLM#LangChain
18600
Velopers 추천광고
쿠팡 파트너스
개발자를 위한 인기 상품을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발자#노트북#컴퓨터
AI Agent 개발의 핵심: RAG와 LangChain, LangGraph 비교 분석
RAG와 LangChain, LangGraph의 역할과 구조를 비교해 AI Agent 개발 관점을 정리했습니다. 빠른 개발에는 LangChain, 복잡한 워크플로우에는 LangGraph가 적합하다고 설명했습니다.
#LLM#RAG
6300
[#4 LLM Tutorial With RAG] LLM의무한한 가능성을 해방하는 LangChain
X
#LLM#RAG
1700
HuggingFace에서 LangFlow 시작하기
LangChain 기반 노코드 플랫폼 LangFlow를 HuggingFace Spaces에서 시작하는 방법을 소개했습니다. 드래그 앤 드롭으로 플로우를 만들고 OpenAI API로 기본 챗봇을 구성하는 흐름을 다뤘습니다.
#HuggingFace#LangFlow
2800
Gen AI를 활용한 리뷰 하이라이트
숙소 리뷰에서 핵심 정보만 뽑아 보여주기 위해 Gen AI 기반 리뷰 하이라이트를 구현했습니다.전처리와 프롬프트 개선, 사람의 검수를 거쳐 숙소별 TOP 키워드를 자동 추출했습니다.
#LLM#Azure OpenAI
2800
생성형 AI를 다루는 기술에 대하여
생성형 AI를 다루기 위한 LLM 원리와 프롬프트 엔지니어링의 핵심을 정리했습니다. 랭체인, RAG, ReAct 같은 확장 방법으로 더 지능적인 애플리케이션을 만드는 방향도 소개했습니다.
#LLM#prompt engineering
3700
LLM 기반 AI 플랫폼 개발에서의 LangChain을 활용한 RAG 구성하기
LLM 기반 AI 플랫폼에서 LangChain을 활용한 RAG 구성 방법을 소개합니다. RAG 파이프라인을 어떻게 구성하고 적용할지 다룹니다.
#LLM#LangChain
1400