챗봇 서비스 구축기
사람인 내부 데이터를 활용해 LLM 챗봇을 구축하고, RAG와 Function Calling으로 답변 정확도를 높였습니다. 또한 LangGraph와 멀티테넌시, 모니터링으로 운영성과 확장성을 함께 개선했습니다.
#LLM#RAG
9600
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
특정 YouTube 영상의 댓글에 대한 자연어 분석 RAG 시스템 개발 with LangGraph + Qdrant
YouTube 댓글의 정보 과부하를 RAG로 해결하는 분석 시스템을 LangGraph와 Qdrant로 구현했습니다.댓글 수집, 의미 검색, 응답 생성을 분리하고 MVP 한계와 개선점까지 정리했습니다.
#RAG#LangGraph
7900
카사코리아 AI 챗봇 구축기 Amazon Bedrock 기반 대고객 에이전트형 챗봇 구현 사례
Amazon Bedrock 기반으로 FAQ Fast-Path와 Advanced RAG를 결합한 고객 응대 챗봇 구축 사례를 소개했습니다. 또한 비식별화, Guardrails, VPC·PrivateLink로 금융 서비스 수준의 보안성을 강화했습니다.
#Amazon Bedrock#RAG
9600
How Was the New QANDA Agent Built?
QANDA가 생성형 AI 시대에 맞춰 단일 문제풀이 앱에서 멀티 에이전트 학습 플랫폼으로 재설계되었습니다. 또한 Plan-and-Execute, Artifact, LangGraph 기반 구조로 의도 분류와 상태 관리를 안정화했습니다.
#LLM#Agent
6300
새로운 콴다 Agent는 어떻게 만들어졌을까?
콴다는 문제 풀이 중심 앱을 멀티 에이전트 기반 학습 어시스턴트로 재설계했습니다. 채팅과 Agent를 분리하고 Plan-and-Execute, Artifact 구조로 확장성과 안정성을 높였습니다.
#LLM#Agent
10000
Ambient Agent의 시대가 온다
Ambient Agent가 챗봇 중심 에이전트의 한계를 넘어 자율 실행과 장기 워크플로우를 가능하게 한다고 설명했습니다. 다만 민감한 업무에서는 Human-in-the-loop와 보안, 데이터 품질 관리가 중요하다고 정리했습니다.
#LLM#LangGraph
8800
당근페이의 Amazon Bedrock 기반 Text-to-SQL로 완성하는 데이터 혁신, Part 1: 브로쿼리 개요와 아키텍처
당근페이는 브로쿼리라는 내부 Text-to-SQL 봇의 배경과 아키텍처를 소개했습니다. 자연어 질문을 SQL로 바꾸고 컨텍스트를 보강해 데이터 활용 장벽을 낮추는 구조를 설명했습니다.
#Amazon Bedrock#Text-to-SQL
8900
똑쿼리 고도화 일대기
사내 전사 데이터를 자연어로 조회하는 똑쿼리의 고도화 과정을 정리했습니다. LangGraph, 라우터 패턴, OpenWebUI, RAG 개선으로 응답성과 정확도를 높였습니다.
#LLM#LangGraph
200
쿠팡 파트너스
개발자를 위한 서적을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발서적#프로그래밍
똑쿼리 고도화 일대기
똑쿼리 고도화 일대기
똑쿼리는 사내 데이터와 문서를 자연어로 조회하는 서비스로, 슬랙 기반 채팅 에이전트에서 LangGraph 기반 구조로 고도화했습니다. Router 패턴과 RAG 개선을 통해 응답 속도와 정확도를 높였고, OpenWebUI로 사용자 경험도 개선했습니다.
#LLM#LangGraph
3300
Amazon Bedrock기반 Agentic Text-to-Image로 사용자 의도를 정확히 반영하기 (프롬프트 분해에서 검증까지)
Amazon Bedrock 기반 Agentic Text-to-Image로 복잡한 프롬프트를 단계적으로 분해하고 검증하며 생성하는 방법을 소개했습니다. 또한 인페인팅, 아웃페인팅과 Gradio, LangGraph를 결합한 편집 데모도 함께 설명했습니다.
#Amazon Bedrock#LLM
3300
Amazon Bedrock과 LangGraph로 Multi Agent 시스템 구현하기
Amazon Bedrock과 LangGraph로 Supervisor 중심의 Multi Agent 여행 도우미를 구현하는 방법을 소개했습니다. 상태 관리, 오케스트레이션, 디버깅과 운영 고려사항까지 함께 설명했습니다.
#LLM#LangGraph
6300
에이닷의 AI 에이전트는 어디까지 발전할 수 있을까? Code Interpreter 가 가져올 AI 에이전트 패러다임의 혁신
LLM 기반 AI 에이전트의 Tool Calling 한계를 Code Interpreter로 확장하는 흐름을 설명했습니다. Docker 샌드박스와 LangGraph로 안전하게 적용하는 예시도 함께 다뤘습니다.
#LLM#Python
4000
AI Agent 개발의 핵심: RAG와 LangChain, LangGraph 비교 분석
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
7300