RAG 마스터 : 랭체인으로 완성하는 LLM 서비스

추천사
들어가며
이 책의 구성
실습 환경 설정

Chapter 1 랭체인 살펴보기
1. 랭체인 개요
__1.1 랭체인 주요 패키지
__1.2 랭체인 버전별 기능 업데이트
__1.3 왜 랭체인을 사용해야 하는가?
__1.4 랭체인의 주요 활용 사례
2. 대규모 언어 모델
__2.1 랭체인 vs 오픈AI API
__2.2 대규모 언어 모델 파라미터 설정
__2.3 랭체인에서 사용할 수 있는 주요 대규모 언어 모델
3. 랭체인 표현 언어
__3.1 러너블 표준 인터페이스
__3.2 러너블을 체인으로 연결하는 방법
4. 프롬프트
__4.1 퓨샷 프롬프트
__4.2 프롬프트 허브
5. 출력 파서
__5.1 출력 파서의 세 가지 주요 메서드
__5.2 PydanticOutputParser
__5.3 SimpleJsonOutputParser
__5.4 JsonOutputParser
6. 메모리 관리: 대화 기록 유지
__6.1 기본적인 대화 이력 전달
__6.2 대화 이력 관리 및 처리
__6.3 자동 대화 이력 관리
__6.4 대화 이력 요약 및 트리밍

Chapter 2 검색 증강 생성 기초와 실습
1. 검색 증강 생성 개요
__1.1 텍스트 임베딩
__1.2 코사인 유사도
__1.3 랭체인 임베딩 API 활용
2. 문서 로더
__2.1 웹 페이지 로더
__2.2 PDF 로더
__2.3 CSV 로더
3. 텍스트 분할
__3.1 길이와 구분자로 분할하는 재귀적 문자 텍스트 분할
__3.2 의미 기반으로 분할하는 시맨틱 청킹
4. 벡터 데이터베이스
__4.1 크로마
__4.2 파이스
5. RAG 챗봇 실습
__5.1 RAG 챗봇 구현
__5.2 챗봇에 스트림릿 UI 적용

Chapter 3 멀티모달 RAG를 활용한 복합 데이터 처리
1. 멀티모달 RAG 개요
__1.1 멀티모달 RAG란?
__1.2 멀티모달 RAG가 어려운 이유
2. 멀티모달 RAG 구현 방법
__2.1 모든 모달리티를 동일한 벡터 공간에 포함하기
__2.2 모든 모달리티를 하나의 기본 모달리티로 표현하기
__2.3 서로 다른 모달리티를 별도의 저장소에서 다루기
3. 멀티모달 RAG 실습
__3.1 환경 설정
__3.2 데이터 전처리
__3.3 멀티-벡터 검색기
__3.4 멀티모달 RAG 구현

Chapter 4 검색과 응답을 최적화하는 RAG 고도화 전략
1. 청킹 전략
__1.1 부모-자식 분할
2. 질의 변형
__2.1 다중 질의 생성
__2.2 가상 문서 임베딩
3. 검색 알고리즘
__3.1 희소 검색
__3.2 밀집 검색
__3.3 앙상블 검색
4. 문서 후처리
__4.1 고성능 대규모 언어 모델 기반 리랭킹
__4.2 크로스 인코더 기반 리랭킹
5. 확장된 RAG 방법론
__5.1 Self-RAG 개요
__5.2 Self-RAG 구현

Chapter 5 지식 그래프를 활용한 그래프 RAG
1. 그래프 RAG 개요
__1.1 기존 RAG 방식의 한계
__1.2 지식 그래프란?
__1.3 그래프 RAG의 동작 과정
2. 그래프 DB 구축
__2.1 그래프 DB 구축 과정
__2.2 그래프 DB 구축 실습
3. 그래프 RAG 질의
__3.1 그래프 RAG 질의 과정
__3.2 그래프 RAG 질의 실습
4. Neo4j와 랭체인을 활용한 GraphRAG 구현
__4.1. 지식 그래프와 Neo4j 통합

Chapter 6 랭그래프로 설계하는 RAG 파이프라인
1. 랭그래프의 구성요소
__1.1 그래프
__1.2 상태
__1.3 노드
__1.4 에지
2. 랭그래프 활용
__2.1 루프 구현하기
__2.2 조건문 구현하기
__2.3 스트리밍
__2.4 상태 저장하기
__2.5 루프 개입하기
3. 랭그래프 실습
__3.1 자체교정-RAG
__3.2 코드 어시스트 챗봇

Chapter 7 리액트 에이전트를 활용한 RAG
1. 생각의 사슬
2. 에이전트 RAG
__2.1 라이브러리와 데이터 준비
__2.2 에이전트 도구 만들기
__2.3 에이전트 프롬프트 설정
__2.4 에이전트 객체 생성
__2.5 에이전트 RAG 실습

Chapter 8 RAG 성능을 높이는 LLM 파인튜닝
1. RAFT 논문 살펴보기
__1.1 네거티브 샘플
__1.2 생각의 사슬
2. 성능 향상을 위한 팁
__2.1 답변 없음 데이터
__2.2 출처 인용
3. RAG 학습 데이터셋 살펴보기
__3.1 학습 데이터 소개
__3.2 학습 데이터 탐색
4. 로컬 LLM Qwen 파인튜닝하기
__4.1 런팟을 이용한 실습 환경 설정
__4.2 데이터 전처리
__4.3 Qwen 템플릿 이해하기
__4.4 로라 학습을 위한 설정값
__4.5 학습을 위한 설정값
__4.6 정수 인코딩
__4.7 모델 테스트하기
__4.8 GPU 종료하기

Chapter 9 임베딩 모델 파인튜닝
1. 임베딩 모델의 학습 원리
__1.1 대조 학습
__1.2 데이터셋 구성
__1.3 배치 내 네거티브 샘플링
__1.4 MultipleNegativesRankingLoss
__1.5 학습 코드의 이해
2. 학습 시 성능을 높이는 방법
__2.1 배치 크기 키우기
__2.2 하드 네거티브 선정
__2.3 그 외 학습 성능 향상을 위한 팁
3. 실전 파인튜닝
__3.1 데이터 로드하기
__3.2 하드 네거티브 선정
__3.3 합성 데이터 생성
__3.4 모델 로드하기
__3.5 평가 데이터 전처리
__3.6 모델 학습하기
__3.7 검색 성능 평가 지표
__3.8 파인튜닝 모델 평가하기

마치며
찾아보기