728x90 반응형 LangSmith4 11일차: 테디노트의 RAG 비법노트: 랭체인을 활용한 GPT부터 로컬 모델까지의 RAG 강의 후기 (FewShotChatMessageTemplate, LangChain Hub) 오늘은 이전 시간에 했던 FewShotPromptTemplate가 아닌 FewShotChatMessagePromptTemplate와 LangChain의 Hub에 대해 진행했습니다.1. FewShotChatMessagePromptTemplate이란?FewShotChatMessagePromptTemplate은 LangChain에서 few-shot prompting을 ChatPromptTemplate 기반으로 구성할 수 있도록 제공하는 도구입니다. 즉, GPT-4 같은 Chat 모델에 few-shot 예제를 대화 형식으로 줄 때 사용합니다. examples = [ { "instruction": "당신은 회의록 작성 전문가 입니다. 주어진 정보를 바탕으로 회의록을 작성해 주세요", .. 2025. 6. 5. 9일차: 테디노트의 RAG 비법노트: 랭체인을 활용한 GPT부터 로컬 모델까지의 RAG 강의 후기 (ChatPromptTemplate, MessagesPlaceholder) 오늘은 이전 시간에 다루었던 PromptTemplate이 아닌, 대화형 LLM에서 주로 사용되는 ChatPromptTemplate과 MessagesPlaceholder에 대해 자세히 알아보겠습니다.1. ChatPromptTemplate: 메시지 기반 프롬프트 구성정의ChatPromptTemplate은 GPT-3.5, GPT-4 같은 Chat 모델이 이해하는 구조에 맞춰, 시스템 메시지와 사용자 입력 등을 역할(role) 기반 메시지로 구성할 수 있게 도와주는 템플릿 클래스입니다. PromptTemplate이 단순한 문자열 기반이라면,ChatPromptTemplate은 다음과 같은 역할 메시지 흐름을 만듭니다: System: 너는 친절한 도우미야 Human: {사용자 질문} AI: (예상 응답 자리)역할(.. 2025. 6. 3. 5일차: 테디노트의 RAG 비법노트: 랭체인을 활용한 GPT부터 로컬 모델까지의 RAG 강의 후기 (ChatOpenAI 주요 파라미터, LangSmith 추적, 입출력 연습해보기) 안녕하세요. 코딩 테스트 준비로 잠시 미뤄두었던 강의를 다시 이어가려 합니다.연이은 서류 탈락에 마음이 흔들리기도 했지만, 포기하지 않는 것이 결국 가장 큰 의미를 만든다는 걸 믿고 다시 나아가 보려 합니다.1. Python-dotenv란?Python-dotenv는 파이썬 애플리케이션에서 환경 변수를 쉽게 관리할 수 있도록 돕는 패키지입니다. 이는 특히 다양한 개발 환경에서의 설정 관리와 보안에 유용합니다.주요 특징은 다음과 같습니다:환경 분리: 개발, 테스트, 프로덕션 등 다양한 환경에 맞는 설정을 .env 파일을 통해 쉽게 분리할 수 있습니다.보안 강화: 중요한 설정값이나 비밀번호를 소스 코드에서 분리하여 보안을 강화합니다.사용 편의성: 단순한 구조로 이루어져 있어 사용하기 쉽고, 다양한 프레임워크와.. 2025. 4. 14. 패스트캠퍼스 환급챌린지 2일차: 테디노트의 RAG 비법노트 : 랭체인을 활용한 GPT부터 로컬 모델까지의 RAG 가이드 강의 후기 (환경설정 Day) 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.오늘은 Mac에서 파이썬 환경 설치 및 RAG 작업을 위한 설치를 진행하였고, OpenAI API 키 발급과 LangSmith 키 발급 과정을 진행했습니다.그렇다 보니, 오늘은 특별히 무언가를 배웠다기보다는 준비 단계라고 할 수 있습니다.OpenAI API는 이전에 제가 논문을 쓸 때 실험했기 때문에 알고 있었지만, LangSmith는 아예 처음 들어봤습니다.그래서 LangSmith에 대해 간략하게 소개해보도록 하겠습니다. 1. LangSmith란?LangSmith는 LangChain 팀에서 만든 LLM 기반 애플리케이션을 추적하고, 디버깅하고, 평가할 수 있는 플랫폼입니다.GPT, RAG, Agent 등을 활용한 프로젝트를 만들다 보면 다.. 2025. 4. 2. 이전 1 다음 728x90 반응형
