홈

GraphRAG 및 지식 그래프 실무 엔터프라이즈 아키텍처 설계 목차 LLM 지식 그래프 추출 및 관계 생성 원리 동적 Cypher 생성(Text-to-Cypher)의 실무 환경 한계 실무 권장 패턴 1: Intent Recognition + Parameterized Cypher Template 실무 권장 패턴 2: Subgraph RAG / Hybrid Retrieval (Vector + Graph) 패턴 비교 및 실무 구축 로드맵 운영 서버 Graph DB 인프라 구축 방식 및 비용 비교 (AWS / Cloud) EC2 백업 배치(Crontab) 자동화 및 장애 복구(DR) 실무 가...

LangChain GraphRAG 파이프라인 구축 및 지식 그래프 관리 목차 LangChain 기반 GraphRAG 전체 엔드투엔드 파이프라인 LangChain Neo4j 연동 및 파라미터 쿼리 실행 Pydantic & Graph Pruning 기반 자동 지식 그래프 구축 GraphCypherQAChain을 통한 자연어 질의 응답 파이프라인 AI 추출 오류 교정: Cypher 데이터 수정 & 삭제 실습 Guide 정리 1. LangChain 기반 GraphRAG 전체 엔드투엔드 파이프라인 LangChain과 Neo4j를 결합하면 비정형 텍스트 문서로부터 자동으로 엔티...

Neo4j Cypher 쿼리 기초 및 Graph RAG 입문 목차 Vector RAG vs Graph RAG 비교 Neo4j 및 Cypher 기본 개념 Cypher 핵심 문법과 CRUD 실습 Python 기반 Neo4j 드라이버 연결 LangChain과 Groq를 활용한 지식 그래프 자동 구축 GraphCypherQAChain을 활용한 Graph RAG 질의 응답 Graph RAG 성능 최적화 및 운영 고려사항 정리 1. Vector RAG vs Graph RAG 비교 전통적인 Vector RAG (Vector-based RAG)는 텍스트를 청크(Chunk)로 나눈 후 코사...

안전한 AI Agent 실행과 Framework 전환 목차 쓰기 작업이 위험한 이유 Preview → Confirmation → Execution 패턴 Confirmation Token과 Idempotency 권한 전파와 Audit Prompt Injection 방어 Framework Migration 경계 LangChain/LangGraph로 바꿀 때 LLM 해석 + 코드 검증 하이브리드 패턴 테스트 전략 정리 1. 쓰기 작업이 위험한 이유 LLM agent에서 가장 위험한 영역은 쓰기 작업입니다. 읽기 작업도 권한 문제가 있지만, 쓰기 작업은 실제 상태를 바꿉니...

RAG, Function Calling, Conversation Service 정리 목차 RAG와 Function Calling의 경계 정형 데이터는 왜 Function Calling인가 문서 지식은 왜 RAG인가 RetrievalStore와 DocumentExtractor Conversation Gateway 패턴 Message History와 Result Handle 공개용 DTO/API Contract 예시 UI에서 Agent Service까지의 흐름 테스트 기준 정리 1. RAG와 Function Calling의 경계 업무 시스템 agent에서 가장 중요한 판...

AI Agent 아키텍처와 라우팅 패턴 목차 왜 agent 경계를 먼저 정해야 하는가 Pydantic AI 중심 MVP 구조 Agent 실행 계약 Tool 설계 기준 MCP는 언제 도입할까 Intent Routing 패턴 Tool 수가 늘어날 때의 분리 기준 운영 전환 시 재검토 조건 정리 1. 왜 agent 경계를 먼저 정해야 하는가 업무 시스템에 LLM agent를 붙일 때 가장 먼저 정해야 하는 것은 모델이나 framework가 아니라 경계입니다. LLM은 자연어를 이해하고 후보를 제안할 수 있지만, 업무 시스템의 권한, 데이터 정합성, 감사 로그, 트랜잭션 처리...

Pydantic AI 정리5 (Multi-Agent와 Observability) 목차 Multi-Agent 패턴 Observability와 Integrations 1. Multi-Agent 패턴 Multi-Agent 패턴 Pydantic AI에서는 여러 agent를 조합해 복잡한 문제를 나눌 수 있습니다. 대표 패턴: Router agent: 요청을 분류하고 전문 agent로 전달 Specialist agents: 프로필, 분석, 리소스 등 도메인별 agent Evaluator/critic agent: 결과 검토와 품질 평가 Extractor agent: 웹/문서/텍스트에서...

Pydantic AI 정리4 (Evals 고급, Graph, Logfire) 목차 Pydantic Evals 고급 Graph 기본 Logfire 계측 1. Pydantic Evals 고급 LLM Judge 정답이 하나로 고정되지 않는 품질 평가는 LLM Judge를 사용할 수 있습니다. 사용 예: 응답이 사용자의 의도를 충족했는가 설명이 충분하고 불필요한 추측이 없는가 요약 품질이 좋은가 주의: LLM Judge도 비용과 변동성이 있습니다. 핵심 비즈니스 불변식은 deterministic evaluator로 검사합니다. Judge prompt와 기준을 버전...

Pydantic AI 정리3 (Testing과 Evals 기본) 목차 Testing Pydantic Evals 기본 1. Testing Pydantic AI는 실제 LLM을 호출하지 않고 agent 흐름을 테스트하기 위한 모델을 제공합니다. 핵심은 TestModel, FunctionModel, dependency override, message inspection입니다. TestModel vs FunctionModel 구분 TestModel FunctionModel 목적 빠른 agent smok...

Pydantic AI 정리2 (Models, Streaming, MCP) 목차 Models와 Providers Messages와 Streaming MCP 1. Models와 Providers Pydantic AI는 모델 제공자를 바꿔도 agent 코드를 최대한 유지할 수 있게 모델 추상화를 제공합니다. 지원 제공자 주요 built-in provider: OpenAI Anthropic Google Gemini / Google Cloud xAI AWS Bedrock Cerebras Cohere Groq Hugging Face Mistral Ollam...

Pydantic AI 정리1 (개요, Agent, 의존성, 출력, Tools, Toolsets) 목차 개요와 설치 Agent Dependencies Output Function Tools Toolsets와 Capabilities 1. 개요와 설치 Pydantic AI는 Pydantic 스타일의 타입 힌트, 검증, 직렬화를 기반으로 LLM 에이전트를 만들기 위한 Python 프레임워크입니다. 핵심 목표는 프로덕션 애플리케이션에서 에이전트, 도구, 구조화 출력, 모델 프로바이더, 관측 가능성을 일관된 API로 다루는 것입니다. 핵심 구성요소 Agent: LLM 요청, inst...

CQRS 방법론 정리3 (2025.05 ~ 2025.12) 목차 코드 리뷰: Elasticsearch 로직 부분 1 - Query 모델 동기화 코드 리뷰: Elasticsearch 로직 부분 2 - Query 모델 동기화 개선 사항 코드 리뷰: MongoDB 로직 부분 1 - Query 모델 동기화 Projection 방식 비교 - Interface 기반 vs QueryDSL Constructor MongoDB 동기화에서 여러 번 읽기를 수행하는 이유 1. 코드 리뷰: Elasticsearch 로직 부분 1 - Query 모델 동기화 개요 Debezium 등 CDC(Change D...