테디노트의 랭체인을 활용한 RAG 비법노트 : 심화편

책 이미지

eBook 미리보기

책 정보

· 제목 : 테디노트의 랭체인을 활용한 RAG 비법노트 : 심화편 (RAG 성능을 극대화하는 리랭커, 에이전트, 평가, 배포까지 완전 정복)
· 분류 : 국내도서 > 컴퓨터/모바일 > 인공지능
· ISBN : 9791194084174
· 쪽수 : 344쪽
· 출판일 : 2025-06-20

책 소개

데이터를 검색해서 답변을 생성하는 RAG를 익혔다면 이제 정보를 더 정교하게 추출하고 처리 흐름을 유연하게 설계하는 고급 RAG(Advanced RAG)로 나아갈 차례다. 이 책에서는 RAG 시스템이 더 정확하고 관련성 높은 문서를 선택하도록 구성해 응답 품질을 높이고, 입력 조건과 처리 목적에 따라 실행 흐름을 자유롭게 설계할 수 있는 구조를 구현하며, 정량적 지표를 바탕으로 문제점을 식별하고 반복 실험을 통해 성능을 개선하는 방법을 다룬다.

프롤로그
추천사
독자들의 찬사
코드 리뷰어들의 후기
다운로드 및 문의
이 책의 구성

PART 01 고급 RAG

CHAPTER 01 리랭커로 검색된 문서 순위 조정하기
01 교차 인코더 리랭커
02 Cohere 리랭커
03 Jina 리랭커
04 FlashRank 리랭커

CHAPTER 02 RAG 파이프라인
01 네이버 뉴스 기사 기반 QA 시스템
02 RAPTOR
03 무료 오픈 모델로 구현하는 문서 기반 QA 시스템

CHAPTER 03 사전에 정의된 체인
01 Stuff 요약
02 Map-Reduce 요약
03 Map-Refine 요약
04 Chain of Density(CoD) 요약
05 Clustering-Map-Refine 요약
06 SQL 쿼리 생성기

PART 02 LCEL 고급 문법

CHAPTER 04 LCEL 고급 문법으로 Runnable 활용하기
01 RunnablePassthrough
02 Runnable 구조 검토하기
03 RunnableLambda
04 RunnableBranch와 RunnableLambda를 이용한 라우팅
05 RunnableParallel
06 config로 LLM이나 프롬프트를 동적으로 변경하기
07 @chain 데코레이터로 Runnable 설정하기

PART 03 RAG 평가와 개선

CHAPTER 05 RAGAS로 답변 평가하기
01 합성 테스트 데이터셋 생성하기
02 RAGAS로 평가하기
03 테스트 데이터셋 번역 및 업로드 관리하기

CHAPTER 06 LangSmith API를 활용한 프롬프트 최적화
01 평가용 테스트 데이터셋 구축하기
02 LLM-as-a-judge로 평가하기
03 사용자 정의 평가자 만들기
04 휴리스틱 방식으로 평가하기
05 실험별 비교 분석하기
06 요약 평가자로 전체 수준 평가하기
07 Groundedness 평가자로 할루시네이션 확인하기
08 Pairwise 평가로 실험 비교 분석하기
09 반복 평가하기
10 온라인 LLM 평가자를 활용한 평가 자동화하기
11 RAGAS를 활용해 RAG 평가하기

PART 04 에이전트

CHAPTER 07 도구와 툴킷
01 LangChain에서 제공하는 도구
02 사용자 정의 도구 만들기

CHAPTER 08 에이전트 주요 기능
01 LLM에 도구 바인딩하기
02 에이전트와 AgentExecutor 생성하기
03 에이전트의 중간 단계 스트리밍 출력하기
04 이전 대화 내용을 기억하는 에이전트 만들기
05 다양한 LLM을 활용해 에이전트 생성하기
06 iter() 함수로 단계별 출력하고 확인하기

CHAPTER 09 에이전트 활용
01 Agentic RAG
02 CSV, 엑셀 데이터 분석 에이전트
03 파일 관리 업무 자동화 에이전트
04 보고서 작성 업무 자동화 에이전트
05 CSV 파일 기반 데이터 분석 에이전트

PART 05 서비스 배포

CHAPTER 10 Streamlit을 이용한 서비스 배포 실습
01 배포를 위한 config 설정하기
02 배포를 위한 GitHub와 기타 설정 파일 준비하기
03 배포 및 동작 테스트하기
04 서비스 수정 및 변경 사항 확인하기

CHAPTER 11 LangServe
01 LangServe로 모델을 서빙하기
02 NGROK을 활용해서 모델을 외부에 공개하기

에필로그
찾아보기

저자소개

이경록(테디노트) (지은이) 정보 더보기

삼성전자 무선사업부에서 소프트웨어 엔지니어로 출발했다. 2018년 AI 교육·개발 스타트업 브레인크루를 창업하며 현장 개발에 뛰어들었고, 데이터 분석, 머신러닝, 딥러닝 공부를 했던 것을 기반으로 생성형 AI 시대를 맞아 기술과 삶을 잇는 실전 개발을 끊임없이 하고 있다. 특히 2023년부터는 LLM·RAG 애플리케이션을 제작하며 〈랭체인 한국어 튜토리얼〉을 공개해 LangChain·LangGraph 생태계를 국내에 확산시켰고, 지금은 기업과 대학을 오가며 강연과 컨설팅을 통해 더 많은 학습자와 조직이 AI를 손에 쥘 수 있도록 돕고 있다. 개발을 사랑하고 사람들과 소통하는 것을 즐기는 천직 개발자다. 또한 지식 공유의 즐거움을 원동력 삼아 LLM 애플리케이션의 최전선에서 '쉬운 기술 설명'을 전파하는 데 누구보다 진심이다. 특히 이 믿음으로 지식 공유 플랫폼 '테디노트' 블로그와 유튜브 채널을 운영한다. 2025년 4월 현재 유튜브 구독자 4.2만 명, GitHub 튜토리얼 1,630개와 약 1,500명의 팔로워를 기록하며 입문자에게 친숙한 언어로 AI 개념과 최신 동향을 전하고 있다. 대표 저서 - 일잘러의 비밀, 챗GPT와 GPTs로 나만의 AI 챗봇 만들기(2025, 한빛미디어) - 파이썬 딥러닝 텐서플로 (2021, 정보문화사) 강의 채널 패스트캠퍼스 온라인 https://fastcampus.co.kr/data_online_teddy 최신 자료 공유 공간 https://linktr.ee/teddynote

펼치기

이경록(테디노트)의 다른 책 >

책속에서

우리가 배웠던 기존 RAG 시스템에서는 로드한 문서를 작은 청크로 분할하고 여기서 유사도가 높은 청크를 검색합니다. 이처럼 짧고 연속적인 텍스트 청크를 검색하는 방식은 문서 전체를 아우르는 내용 구조를 이해하는 능력이 떨어집니다. 전체 내용에서 일부분만 추리면 필요한 내용이 누락되기 마련입니다. 예를 들어 신데렐라 이야기에서 ‘신데렐라는 어떻게 행복한 결말을 맞이했는가?’라고 질문했다고 가정해 봅시다. 이처럼 넓은 범위에 대한 추상적인 질문을 처리하려면 처음부터 끝까지 전체 줄거리의 전반적인 흐름을 알고 있어야 합니다.

이러한 문제를 해결하기 위해 RAPTOR는……

RAG를 평가할 때 사람이 일일이 RAG 답변의 품질을 확인하면 시간과 노력이 많이 소요됩니다. RAGAS(Retrieval Augmented Generation Assessment)에는 LLM을 사용하여 RAG 평가를 위한 데이터셋을 만들 수 있습니다. 이를 합성 테스트 데이터셋이라 합니다. 물론 LangChain을 이용해서 특정한 문서에 대해 임의로 질문과 답변을 생성해서 테스트 데이터셋으로 쓸 수도 있습니다. 이런 경우 효용성 없는 질문이 생성될 수도 있고, 답변에도 할루시네이션이 발생할 수 있습니다.

반면 RAGAS는……

한국어 문장에 대해 규칙 기반의 휴리스틱 평가를 하려면 한글 형태소 분석기가 중요합니다. 자연어 처리를 처음 접하는 사람이라면 한글 형태소 분석기에 대해 생소할 수도 있을 텐데요. 한글 형태소 분석기란 한국어 문장을 가장 작은 의미 단위인 형태소로 분리하고 각 형태소의 품사를 판별하는 도구입니다.