패스트캠퍼스 환급챌린지 37일차 : 조대협의 항로 2 : 실전 LLM 애플리케이션 개발 로드맵 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

#패스트캠퍼스 #환급챌린지 #패스트캠퍼스후기 #습관형성 #직장인자기계발 #오공완

https://fastcampus.info/4n8ztzq

1. 학습 인증샷 5장
① 오늘자 날짜, 공부 시작 시각 포함 사진 1장
② 오늘자 날짜, 공부 종료 시각 포함 사진 1장
③ 1개 클립 수강 인증 사진 (강의장 목록 캡쳐, 강의 내용이 담긴 수강화면이 보이지 않도록) 1장
④ 학습 인증샷 1장 이상 (ex. 필기 촬영, 작업물, 등)
⑤ 마이페이지 - 학습통계 - 챌린지 대상 강의 완강률 캡쳐 사진 1장

오늘 들은 강의

랭체인 프레임워크 이해하기 

 

오늘 느낀 점

랭체인을 공부하면서 가장 인상 깊었던 점은, LLM 기반 애플리케이션 개발이 단순히 프롬프트 하나로 끝나는 일이 아니라는 것이다. 

지금까지는 프롬프트를 잘 짜서 모델에게 원하는 답을 얻는 것이 LLM의 핵심이라 생각했지만, LangChain은 여러 컴포넌트와 개발 패턴을 제공한다. 

랭체인을 통해 LLM을 실제 제품 수준의 서비스로 통합하려면 어떤 요소들이 필요한지, 그리고 그 요소들을 어떻게 모듈화하고 추상화해야 하는지를 알려 주었다. 

중요했던 것들은 대충 Chain, Retriever, Agent 세 가지다. 
Retriever는 RAG의 핵심으로, 이론으로만 접했던 환각(Hallucination) 방지나 외부 지식 연계 같은 기능이 실제로 어떻게 구현되는지 구체적으로 보여준다. 

특히 벡터DB와의 연계, 사용자 질의에 맞는 문서 조각을 뽑아서 LLM에 넣어주는 방식은, 단순히 모델의 성능에만 의존하지 않고 시스템 전반의 정확도를 높이는 구조라는 점에서 실무적인 가치가 높다고 느꼈다.
LLM이 툴을 선택하고, 필요한 인자를 전달하고, 그 실행 결과를 바탕으로 다음 작업을 이어간다는 점이 신기했다 

또한 LangGraph는 기존 체인 기반 구조의 한계를 그래프 기반으로 극복하며, 상태 유지나 반복 작업, 그리고 인간이 중간에 끼어 들어갈 수 있는 것 까지 된다고 한다. 

결국 LangChain은 단순히 LLM을 쓰기 쉽게 만들어주는 프레임워크가 아니라, LLM을 프로덕션 환경에 통합하기 위한 시스템적인 접근 방식을 제공한다. 
개발자 입장에서 이걸 배우면 단순 모델 호출 이상의 사고가 가능해진다. 데이터 폼이나 이런걸 정상적으로 받을 수 있게 한다. 
개인적으로는 LangChain을 배우면서 LLM 기반 시스템 아키텍처에 대한 시야가 크게 넓어졌고, 단순히 하나의 기술이 아닌, LLM을 기반으로 한 애플리케이션 설계 철학 자체를 접한 느낌이다.