AI 에이전트 도구 호출 설계 — 함수 정의·오류 처리·루프 구조
LLM이 혼자서 텍스트를 생성하는 것을 넘어 외부 시스템을 직접 호출하고 결과를 받아 다음 행동을 결정하는 구조가 AI 에이전트의 핵심입니다. 그 […]
LLM 파인튜닝 vs RAG — 실무 선택 기준과 비용 비교
LLM을 제품에 적용할 때 가장 먼저 마주치는 갈림길은 파인튜닝(Fine-tuning)과 RAG(검색 증강 생성) 중 어느 방향으로 갈 것인지입니다. 둘 다 “모델이
한국어 검색 품질을 좌우하는 임베딩 모델 선택
한국어로 된 문서를 검색하거나 RAG를 만들 때, 품질의 절반은 임베딩 모델 선택에서 결정됩니다. 임베딩은 문장을 좌표로 바꾸는 역할인데, 한국어를 제대로
한국어 검색 품질을 좌우하는 임베딩 모델 선택
한국어로 된 문서를 검색하거나 RAG를 만들 때, 품질의 절반은 임베딩 모델 선택에서 결정됩니다. 임베딩은 문장을 좌표로 바꾸는 역할인데, 한국어를 제대로
벡터 데이터베이스 선택 기준 — 무엇을 보고 고를까
RAG나 추천·검색 기능을 붙이려고 하면 곧장 부딪히는 질문이 “벡터 데이터베이스를 무엇으로 고르냐”입니다. 후보는 전용 벡터 DB부터 기존 관계형 DB의 확장
벡터 데이터베이스 선택 기준 — 무엇을 보고 고를까
RAG나 추천·검색 기능을 붙이려고 하면 곧장 부딪히는 질문이 “벡터 데이터베이스를 무엇으로 고르냐”입니다. 후보는 전용 벡터 DB부터 기존 관계형 DB의 확장
RAG 검색 정확도를 높이는 청킹 전략
RAG(검색 증강 생성)에서 모델이 좋은 답을 내놓느냐는 결국 “검색 단계에서 올바른 문맥 조각을 가져왔는가”로 갈립니다. 그리고 그 조각의 모양을 결정하는