빌드 피벗(Build Pivot)

LANGCHAIN 실전 1.0 · 05 현대 RAG — 로드·분할부터 하이브리드 검색과 Agentic RAG까지 인덱싱 vs 질의 분리, 고급 Retriever 4종, 증분 인덱싱, 그리고 2-step LCEL과 Agentic RAG를 언제 무엇으로 쓸지 🟡 중급 ⏱️ 약 15분 🔧 LangChain 1.x 🗓️ 최종 검토 2026-06-21 TL;DR — RAG는 로드 → 분할 → 임베딩/저장 → 검색 → 생성의 파이프라인이며 앞 셋은 사전 1회(인덱싱), 뒤 둘은 매 질문(질의)으로 시점이 다릅니다. 1.0에서는 분할이 langchain-text-splitters 별도 패키지로, 고급 Retriever(MultiQuery·Ensemble·Con..

AGENTIC AI DESIGN PATTERNS · CASE STUDY AI는 품질 대책서를 써주지 않는다 — 비정형 문서 5천 건 이상을 다루는 HITL 에이전트 설계 완전 자동 생성을 포기한 이유 · RAG 지식자산화 + 스무고개식 멀티턴 + 피드백 루프 · 한 실무 요건이 동시에 부른 21개 에이전틱 디자인 패턴 · 발주사↔개발사 익명 케이스 스터디 🟢 중급~심화 ⏱️ 약 22분 🔧 RAG · HITL · Multi-turn · LangGraph/ADK 개념 🏢 엔터프라이즈 🗓️ 최종 검토 2026-06-16 TL;DR — 제조 품질 현장에 쌓인 5천 건 이상의 비정형 개선대책서를 OCR·RAG로 지식자산화하고, 신규 품질문제에 대해 스무고개식 ..

AGENTIC AI DESIGN PATTERNS · 14환각 대신 근거로 말하게 하라 — 검색 증강 생성(RAG)LLM의 4가지 한계와 RAG 파이프라인 6단계, 청킹·임베딩·벡터 DB·HNSW, Vector vs BM25 vs 하이브리드(RRF), Standard·Graph·Agentic 변형, ChromaDB+Gemini·LangGraph·pgvector+Ollama·Google ADK 구현 4종, CRM·ERP·Groupware 적용까지🟢 입문~중급 ⏱️ 약 24분 🔧 Python · LangGraph · pgvector · Gemini 🏢 엔터프라이즈 🗓️ 최종 검토 2026-06-10TL;DR — LLM은 학습 시점 이후를 모르고(Knowledge Cutoff), 모르는 건 그럴듯하게 지..

2026년 엔터프라이즈 RAG가 무너지는 6가지 지점과 대응 청사진2026년 기준 프로덕션급 RAG 시스템은 더 이상 "문서를 잘라서 벡터DB에 넣고 LLM에 던지는" 단일 경로 구조가 아닙니다. 이 글은 1세대 Naive RAG가 무너지는 6가지 지점 — 아키텍처 라우팅, 문서 파싱, 청킹, 점진적 인덱싱, 보안, 평가·관측성 — 을 차례로 짚고, 각 지점마다 어떤 결정을 내려야 하는지, 그리고 그 결정이 어디서 깨지는지를 구체 수치와 사건으로 살펴봅니다. 이 글은 엔터프라이즈 환경의 백엔드·AI 플랫폼 엔지니어가 2026년 프로덕션급 RAG 시스템의 6대 구성요소와 자주 무너지는 지점을 이해하고, PoC 설계에 바로 적용할 의사결정 체크리스트를 얻도록 돕습니다.엔터프라이즈 환경에서 RAG는 정확도뿐..

AI 에이전트의 6가지 메모리 타입, 언제 무엇을 써야 하나LLM 기반 에이전트의 성능을 결정하는 변수는 점점 모델 자체가 아니라 "무엇을, 언제, 어떻게 기억하는가"로 옮겨가고 있습니다. 이 글은 단기·장기·일화적·의미론적·절차적·공유라는 6가지 메모리 타입이 각각 어떤 한계를 해결하기 위해 등장한 구조적 처방인지 분해하고, 실전에서 어떤 조합으로 쌓아야 하는지 정리합니다.이 글은 AI 에이전트 및 백엔드 개발자가 6가지 메모리 타입의 구조와 한계를 이해하고, 자신의 에이전트에 어떤 메모리 조합을 도입할지 판단하는 기준을 얻도록 돕습니다.배경 지식으로 RAG와 벡터DB 정도만 알고 있다면 충분합니다. 다만 이 글은 "어떤 메모리가 가장 좋은가"가 아니라 "어떤 한계를 풀고 싶은가"를 먼저 묻습니다. 그..