bda4 [BDA 11기] AI Agent반 블로그 챌린지 5주차 최근에 LangGraph의 기본 구조를 공부하면서,“AI Agent가 왜 그래프 기반 구조를 필요로 하는가?”라는 질문이 조금씩 감이 잡히기 시작했다.지금까지 정리한 내용과 실습 코드를 간단히 리뷰해보자. LangGraph는 왜 필요한가? LangGraph는 LLM 기반의 Agent들이 “어떤 순서로 어떤 작업을 수행할 것인지”를 구조적으로 설계할 수 있게 만드는 프레임워크다. 하나의 에이전트가 여러 노드(node)를 거치며 추론하고 판단하고 다시 작업을 넘기는 방식이, 결국 그래프 구조와 딱 맞아떨어진다. - Node: 실제 처리 함수 - Edge: 노드 간의 연결 - State: 노드 간 전달되는 공유 데이터 - Conditional Edge: 조건에 따라 다음 노드를 다르게 선택 이 네 가지가 La.. 2025. 11. 17. [BDA 11기] AI Agent반 블로그 챌린지 4주차 안녕하세요 BDA 빅데이터 분석학회 11기 정규학회원 수강자입니다.지난주부터 BDA가 중간고사 휴회 기간에 들어갔는데,저는 휴학생이라 따로 중간고사를 보지 않으므로지금까지 BDA AI Agent 분반을 수강하며 어떤 내용을 배웠는지다시 한 번 복습해보는 시간을 가지도록 하겠습니다. LangChain과 AI Agent 기초 총정리LangChain을 활용한 AI Agent 구현을 위한 기초 개념과 실습 내용을 정리한 포스트입니다. Hugging Face와 OpenAI 모델을 LangChain으로 호출하고, 템플릿과 파서를 활용해 실용적인 챗봇 응답 구조를 만드는 방식까지 실습했습니다. 1️⃣ 환경 설정 및 LLM 모델 불러오기 LangChain을 활용하기 위해선 사전 환경설정이 필요합니다. HuggingFa.. 2025. 10. 13. [BDA 11기] AI Agent반 블로그 챌린지 3주차 안녕하세요빅데이터 분석 학회 BDA 11기 AI Agent반 수업 후기에 대해 작성해보도록 하겠습니다 지난 포스팅에서는 3주차 후기까지의 수업에 대해 리뷰를 했었고,이번 포스팅에서는 4주차 수업에 대해 리뷰해보도록 하겠습니다 이번 4주차에서는 RAG(Retrieval-Augmented Generation) 개념을 이해하고, LangChain을 활용해 RAG 기반 QA 챗봇을 직접 구현해보는 실습을 진행했습니다. 단순히 텍스트를 학습하는 LLM이 아닌, 외부 문서를 불러와 스스로 검색 → 요약 → 답변하는 구조를 직접 체험해보며, RAG의 핵심 파이프라인을 익히는 시간이었습니다. 📌 RAG란 무엇인가? RAG는 LLM + 검색(Retrieval)을 결합한 구조로, 모델이 훈련 데이터에 없는 정보를 실시간.. 2025. 10. 6. [BDA 11기] AI Agent반 블로그 챌린지 2주차 안녕하세요 죽지도 않고 돌아왔어요 올해 여름이 4월부터 11월까지라던데여름은 무슨추워죽겠어서 바람막이 입고 있습니다 그치만!!! 아무리 추워도공부를 포기할수는 업죠 ^^v 지난 주에는 그래서 대체 BDA가 뭐하는 학회냐,BDA 활동을 통해 뭘 얻을 수 있냐에 대해자세히 알아보았죠 이번 주에는 드디어!뭘 공부했냐에 대해서 알아볼겁니다 본론에 들어가기에 앞서BDA의 소식을 실시간으로 접할 수 있는인스타그램 계정과 블로그에 대해 간단히 소개드리겠습니다 순서대로 BDA 블로그 계정, 인스타 계정입니다쉽게 방문하실 수 있도록링크도 첨부합니다https://blog.naver.com/bdaxdml BDA (Big Data Analysis) : 네이버 블로그BDA (Big Data Analysis) 공식 블로그입.. 2025. 9. 29. 이전 1 다음
