py-zerox로 문서를 md파일로 바꿀 때 인코딩 관련 에러가 납니다..  다른 분께서 올려주신 글 보고 print(result) 부분을 아래와 같이 바꿔보기도 했었는데, 에러는 동일하게 나네요... with open("./docs/income_tax.md", "w", encoding="utf-8") as f: f.write(str(result))   result = asyncio.run(main()) 무엇보다 md파일 자체가 생성되지 않고, 이 부분에서 에러가 나는데, 해결 방법이 없을지 궁금합니다 

안녕하세요 ! 너무 유익한 강의라 현재 2회차 수강 중 입니다 ㅜㅠ (좋은 강의 감사해요)강의와 관련된 부분은 아니지만 궁금한 부분이 있어 질문드립니다 !영상 분석을 목적으로 영상 타임스탬프 구간별 메타데이터를 생성하려고 하는데요(누가 등장했는지, 누가 뭐라고 말했는지, 어떤 사물이 등장하는지 등등), 1. Whisper 모델을 사용해봤을 때 도메인 특화 용어에 대해서는 단어의 인식이 아쉬운 부분이 있었습니다. LLM을 사용하여 후보정하는 방법에 대해 간단한 가이드를 들을 수 있을까요? 2. 사용해보신 STT 모델 중에 가장 성능이 좋다고 느끼셨던 모델이 있을까요 ? 3. 누가/어떤 사물이 등장하는지에 대해서는 YOLO같은 딥러닝 모델을 사용해야하는지, 아니면 Gemini/GPT 모델 등으로도 가능할지, 다른 유용한 방법이 있는지 궁금합니다..!

docker 설치후 Starting n8n 코드를 어디에다가 붙여넣기를 하는지 모르겠습니다 ㅠ 왕초보에요 ㅠ

from langchain_core.messages import HumanMessage query = '집이 15억일때 종합부동산세를 계산해주세요' for chunk in graph.stream({"messages": [HumanMessage(query)]}, stream_mode='values'): chunk['messages'][-1].pretty_print() from langchain_core.tools import create_retriever_tool from pinecone import Pinecone from langchain_openai import OpenAIEmbeddings import dotenv from langchain_pinecone import PineconeVectorStore dotenv.load_dotenv() index_name = "real-estate-tax" embeddings = OpenAIEmbeddings(model='text-embedding-3-large') vectorstore = PineconeVectorStore(index_name=index_name, embedding=embeddings) retriever = vectorstore.as_retriever(search_kwargs={'k':5}) retriever_tool = create_retriever_tool(retriever= retriever, name="real_estate_tax_retriever", description="Contains information about real estate tax. if you have any questions about real estate tax, use this tool.")   ================================ Human Message ================================= 집이 15억일때 종합부동산세를 계산해주세요 ================================== Ai Message ================================== Tool Calls: real_estate_tax_retriever (call_LiPlj4OGqlAzP2PsssaZTVsc) Call ID: call_LiPlj4OGqlAzP2PsssaZTVsc Args: query: 15억 종합부동산세 ================================= Tool Message ================================= Name: real_estate_tax_retriever 납세의무자가 3주택 이상을 소유한 경우 | 과세표준 | 세율 | | ------------------- | -------------------------------------------------------------------- | | 3억원 이하 | 1천분의 5 | | 3억원 초과 6억원 이하 | 150만원+(3억 원을 초과하는 금액의 1천분의 7) | | 6억원 초과 12억원 이하 | 360만원+(6억원을 초과하는 금액의 1천분의 10) | | 12억원 초과 25억원 이하 | 960만원+(12억원을 초과하는 금액의 20) | | 25억원 초과 50억원 이하 | 3천 560만원+(25억원을 초과하는 금액의 30) | | 50억원 초과 94억원 이하 | 1억 1천60만원+(50억원을 초과하는 금액의 40) | | 94억원 초과 | 2억 8천 660만원+(94억원을 초과하는 금액의 1천분의 50) | ``` --- [Section: Page 4-6] ---... - 9,600,000 + 600,000 = 10,200,000 따라서, 15억 원의 집에 대한 종합부동산세는 1,020만 원입니다.    안녕하세요, 선생님강의 마지막 쯤 create_retriever_tool 부분에서 강의 대로 쭉 그대로 진행했는데 이 tool 이 pdf 에서 병렬로 자료를 검색해서 가져오지 못하고 ( 과세표준, 공정시장가액비율, 1세대 1주택 여부 등) 오직 종합부동산세 표 '한개만' 가져옵니다. 왜 여러 정보를 검색을 못할까요...?ㅠ -------------gemini 검색결과입니다-------병렬 리트리빙 부재:create_retriever_tool은 기본적으로 "질문 1개 -> 검색 1번" 구조입니다. AI가 스스로 "세율도 모르고, 공정시장가액비율도 모르네? 추가로 검색해야지!"라고 생각하게 만드는 추론(Reasoning) 루프가 약한 상태입니다 AI의 오판: 리트리버가 준 결과물(제8항 세대 정의, 제9항 공시가격 정의 등)은 실제 계산에 필요한 세율표나 공정시장가액비율이 아닌, 용어 정리 수준의 파편화된 정보였습니다. 그런데 AI는 이 정보를 보고 "아, 더 이상 찾을 게 없나 보다" 혹은 "내가 아는 지식으로 대충 계산해야지"라고 판단하고 1560만원이라는 (부정확할 확률이 높은) 결론을 내버린 것입니다.

이메일 답장 드래프트 작성 봇 생성에서 이메일 히스토리:{{ $json.messages.filter(item => item.snippet) }} 의 message가 에러가 나면서 다음 워크 플로우로 넘어가지 않는데 해결방법을 모르겠습니다.여러번 돌렸는데, gmail get : thread까지는 잘 돌아가는데, 이메일 답장 작성에서 위와 같이 에러가 생기면서 뒤의 워크플로우가 다 막히는것 같습니다. 이메일A에서 B로 업무 협업 관련해서 메일을 두 번 보냈고, 혹시 히스토리를 생성하게 하려면 이메일 A와 B 사이에 reply와 같이 회신 내역이 있어야 message 안에 snippet이 여러개 존재하는 건가요? 그리고 혹시 여기에서 에러 나면 streamlit이랑 챗봇은 사용 불가하겠죠?

강의 재생이 안됩니다.

발생: uv sync 시 패키지 호환문제 발생 ➜ inflearn-langgraph-agent git:(main) uv syncResolved 233 packages in 3mserror: Distribution onnxruntime==1.20.1 @ registry+https://pypi.org/simple can't be installed because it doesn't have a source distribution or wheel for the current platformhint: You're using CPython 3.14 cp314), but onnxruntime (v1.20.1) only has wheels with the following Python ABI tags: cp313, cp313t requires-python = "==3.13" 으로 3.13 버전 고정했더니 문제없이 설치되었습니다.

안녕하세요 강사님, 강의 잘 듣고있습니다.현재 Adaptive RAG 강의를 듣고있는데, 강의에서는 공식 문서에서 Adaptive RAG와 관련된 내용이 있어 그걸 예시로 들어주셨는데 확인해보니 해당 내용이 지금은 공식 문서에 없는 것 같습니다. Adaptive RAG 뿐만 아니라 강사님이 강의했던 내용중 지금은 공식 문서에 없는 내용들이 꽤 많은 것 같은데(Plan-and-Execute는 TodoListMiddleware로 연결되고 ReWOO, Reflection, Reflextion, STORM 등과 같은 내용은 공식 문서에 아예 없습니다..), 이런 내용들은 현재 시점에서는 잘 사용되지 않는 기술들이여서 그런걸까요? 그리고 예제에서 시스템 프롬프트를 항상 영어로 작성하시고 아래 한글로 번역된 내용을 주석으로 써주셨는데, 애초에 프롬프트를 한글로 작성하면 답변 품질에 차이가 많이날까요?

안녕하세요. 강의 수강 중입니다.n8n 세팅부터 쉽지 않네요.gmail Oauth값 세팅 후 Sign in with Google 넘어가면 위와 같은 에러가 나면서 진행이 되지 않습니다. 인증서 문제인 것 같긴 한데.. 어떻게 해결하면 될까요?

안녕하세요 강사님, 강의 잘 듣고있습니다. https://docs.langchain.com/oss/python/integrations/tools 를 확인해보면 LangChain에서 제공해주는 미리 구현된 툴 구현체를 확인할 수 있는데, 이것들과 langchain-mcp-adapters를 사용하여 외부 서비스의 MCP를 LLM과 직접 연동하는 것이 어떤 차이가 있는지 궁금합니다. 강의를 촬영할 당시에는 MCP가 나오기 전이라 강의 내용처럼 tool로만 연동이 가능했었던 것일까요?

안녕하세요,저에게는 조금 어려운 강의였긴 했지만 아무쪼록 마지막까지 강의 잘 듣고 있습니다. 질문1) MCP를 활용해서 간단한 에이전트를 만들어보세요의 과제와 관련해서 아이디어가 전혀 생각이 나지 않는데 간단한 에이전트 관련해서 샘플이 있을까요? MCP 서버와 클라이언트 개발까지 해서 제출 해야하는지 아니면 이미 만들어져있는 MCP나 이런 있는 것들을 활용해서 LLM 모델과 연결하면 되는건지 감이 안 잡히네요; 과제 사례를 확인할 수 있는 곳이 있을까요?

안녕하세요 본 강의를 통해 다른 PDF로도 해보고 있는데 혹시 이미지 형식으로 되어있는 PDF의 경우 이상하게 파일을 읽는 거 같은데 이런 경우 어떤 방법으로 파일을 읽는 것이 좋을까요?

현재 10분이 넘어가도 tool_list가 지연이 되고 있는데 그 사유는 무엇일까요..? 깃허브토큰도 .env넣고 코드 그대로 가지고 와서 돌려보고 있는 중입니다.

강의를 들으면서 문득 든 궁금증인데, ai메세지가 도구를 잘못 선택했을 때(3번케이스)를 구현할 때, 왜 tool message를 수정하셨나요? tool 노드 호출전에 interrupt 해서 ai_message의 tool_calls에서 툴네임을 변경해도 되지 않을까해서요case2번 : 도구는 잘 선택했을 때 쿼리가 잘못된 경우에서는 ai_message의 쿼리를 변경했듯이 3번의 케이스에선 ai_message의 툴네임을 변경해도 되지 않을까 의문이 들었습니다.

안녕하세요!Notion 강의자료 링크 클릭 시 이렇게 보이는데 저만 이렇게 보이는건지 잘 모르겠어서 문의드립니다 🙂

agent(state:AgentState) ->AgentState: messages =state['messages'] summary = state.get('summary',None) if summary: messages =[SystemMessage(content='Here is the summary of the earil er conversation : {summary}')]+messages response = llm_with_tools.invoke(messages) return {'messages':[response]}안녕하세요 강사님, 강의 재밌게 듣고 있습니다.수강중 궁금한 사항이 있어 질문 남깁니다.위와 같이 코드를 알려주셨는데요,이런 흐름이라면, messages 에 동일한 내용의 SystemMessage가 여러번 들어가게되는 걸까요?예를 들어 사용자 질의 한개를 처리하는데,agent <-> tool 간의 반복 작업이 3번 있었다면agent 가 3번 호출될 때마다 messages 리스트 앞에 동일한 SystemMessage 객체가 중복되어 붙을거 같아서요.  

안녕하세요~ 강의 정말 재밌게 잘 듣고 있습니다!!2.7 병렬 처리를 통한 효율 개선강의의tax_rate_calculation_prompt = ChatPromptTemplate.from_messages([ ('system', '''당신은 종합부동산세 계산 전문가입니다. 아래 문서를 참고해서 사용자의 질문에 대한 종합부동산세를 계산해주세요 종합부동산세 세율:{context}'''), ('human', '''과세표준과 사용자가 소지한 주택의 수가 아래와 같을 때 종합부동산세를 계산해주세요 과세표준: {tax_base} 주택 수:{query}''') ]) def calculate_tax_rate(state: AgentState): """ 주어진 state에서 세율을 계산합니다. Args: state (AgentState): 현재 에이전트의 state를 나타내는 객체입니다. Returns: dict: 'answer' 키를 포함하는 새로운 state를 반환합니다. """ # state에서 필요한 정보를 추출합니다. query = state['query'] tax_base = state['tax_base'] # retriever를 사용하여 쿼리를 실행하고 컨텍스트를 얻습니다. context = retriever.invoke(query) # tax_rate_chain을 구성하여 세율을 계산합니다. tax_rate_chain = ( tax_rate_calculation_prompt | llm | StrOutputParser() ) # tax_rate_chain을 사용하여 세율을 계산합니다. tax_rate = tax_rate_chain.invoke({ 'context': context, 'tax_base': tax_base, 'query': query }) # state에서 'answer' 키에 대한 값을 반환합니다. return {'answer': tax_rate}이 부분에서 들은 궁금증인데요,context 는 과세표준별 세율 구간에 관한 정보를 가져오는 변수인데 왜 query에는 과세표준이 아닌 사용자의 주택 정보를 넣어서 invoke하는 형태인가요?

강의 모두 코드 똑같이 돌리고 db만 pinecone 을 사용하였습니다 ! 결과에 강의처럼 answer이 나오지 않는데 원인을 잘 모르겠습니다 ㅜgpt 에 검색해보면전체 코드를 꼼꼼히 검토해본 결과, 질문하신 "결과(answer)가 나오지 않는 이유"는 크게 두 가지입니다. 하나는 데이터가 유실되는 방식의 반환(return) 때문이고, 다른 하나는 무한 루프(Infinite Loop) 가능성 때문입니다.1. 가장 큰 원인: State 데이터 유실LangGraph의 각 노드 함수(retrieve, generate, rewrite 등)는 AgentState를 반환할 때, 기존의 데이터를 포함해서 돌려주어야 합니다.현재 작성하신 코드를 보면:retrieve 함수: return {'context': docs} (이때 query가 사라짐)generate 함수: return {'answer': response.content} (이때 query, context가 모두 사라짐)이렇게 나오는데 제가 봤을땐 이게 원인은 아닌것같습니다...!

from langchain_core.prompts import PromptTemplate from langchain_core.output_parsers import StrOutputParser dictionary = ['사람과 관련된 표현 -> 거주자'] rewrite_propmt = PromptTemplate.from_template(f"""사용자의 질문을 보고, 우리의 사전을 참고해서 사용자의 질문을 변경해주세요 사전:{dictionary} 질문: {{query}}""") def rewrite(state: AgentState)->AgentState: query = state['query'] rewrite_chain = rewrite_propmt | llm | StrOutputParser() response = rewrite_chain.invoke({'query': query}) return {'query' : response} # Create a LangSmith API in Settings > API Keys # Make sure API key env var is set: # import os; os.environ["LANGSMITH_API_KEY"] = "<your-api-key>" from langsmith import Client from typing import Literal client = Client() relevance_prompt = client.pull_prompt("langchain-ai/rag-document-relevance") def check_doc_relevance(state: AgentState)-> Literal['generateAnswer','rewrite']: query= state['query'] context= state['context'] relevance_chain = relevance_prompt | llm response = relevance_chain.invoke({'question':query, 'documents': context}) if response['Score'] ==1: return 'generateAnswer' return 'rewrite'graph_builer.add_node('retrieveDoc', retrieveDoc) graph_builer.add_node('generateAnswer', generateAnswer) graph_builer.add_node('rewrite', rewrite) from langgraph.graph import START, END graph_builer.add_edge(START,'retrieveDoc') graph_builer.add_conditional_edges('retrieveDoc', check_doc_relevance) graph_builer.add_edge('rewrite','retrieveDoc') graph_builer.add_edge('generateAnswer', END) graph =graph_builer.compile()from IPython.display import Image, display display(Image(graph.get_graph().draw_mermaid_png()))initial_State = {'query' : '연봉 5천만원 세금'} graph.invoke(initial_State)강사님! 강의랑 똑같이 코드를 작성했는데도 'query: 연봉 5천만원 세금 ' 질문에 대한 답 score가 계속 1이 나와서 rewrite 노드로 이동하지 않습니다. 쿼리자체에 거주자나 사람을 나타내는 표현이 없는데도 문서에서 관련성을 키워드로 찾다보니 키워드가 있기만 해도 결과가 1이 나오네요ㅜㅜㅜ강사님은 결과가 0이 나와 rewrite를 하고 제가 해볼때는 1이 나오는 이유가 무엇인지 모르겠습니다.{'query': '연봉 5천만원 세금', 'context': [Document(id='15f6746f-4e63-4775-a47e-c72298375620', metadata={'source': './tax_combined_final.txt'}, page_content='소득세법'), Document(id='a6c9015f-092f-4aa3-819b-e23588bb0a0f', metadata={'source': './tax_combined_final.txt'}, page_content='소득세법\n하는 자(제119조제9호에 따른 국내원천 부동산등양도소득을 지급하는 거주자 및 비거주자는 제외한다)는 제127조\n에도 불구하고 그 소득을 지급할 때에 다음 각 호의 금액을 그 비거주자의 국내원천소득에 대한 소득세로서 원천징\n수하여 그 원천징수한 날이 속하는 달의 다음 달 10일까지 대통령령으로 정하는 바에 따라 원천징수 관할 세무서,\n한국은행 또는 체신관서에 납부하여야 한다. <개정 2013. 1. 1., 2016. 12. 20., 2018. 12. 31., 2019. 12. 31., 2020. 12.\n29.>\n1. 제119조제1호에 따른 국내원천 이자소득: 다음 각 목의 구분에 따른 금액\n가. 국가·지방자치단체 및 내국법인이 발행하는 채권에서 발생하는 이자소득: 지급금액의 100분의 14\n나. 가목 외의 이자소득: 지급금액의 100분의 20\n2. 제119조제2호에 따른 국내원천 배당소득: 지급금액의 100분의 20\n3. 제119조제4호에 따른 국내원천 선박등임대소득 및 같은 조 제5호(조세조약에 따라 국내원천 사업소득으로 과세\n할 수 있는 소득은 제외한다)에 따른 국내원천 사업소득: 지급금액의 100분의 2\n4. 제119조제6호에 따른 국내원천 인적용역소득: 지급금액의 100분의 20. 다만, 국외에서 제공하는 인적용역 중대\n통령령으로 정하는 용역을 제공함으로써 발생하는 소득이 조세조약에 따라 국내에서 발생하는 것으로 보는 소득\n에 대해서는 그 지급금액의 100분의 3으로 한다.\n5. 제119조제9호에 따른 국내원천 부동산등양도소득: 지급금액의 100분의 10. 다만, 양도한 자산의 취득가액 및 양\n도비용이 확인되는 경우에는 그 지급금액의 100분의 10에 해당하는 금액과 그 자산의 양도차익의 100분의 20에\n해당하는 금액 중 적은 금액으로 한다.\n6. 제119조제10호에 따른 국내원천 사용료소득: 지급금액의 100분의 20\n7. 제119조제11호에 따른 국내원천 유가증권양도소득: 지급금액(제126조제6항에 해당하는 경우에는 같은 항의 정\n상가격을 말한다. 이하 이 호에서 같다)의 100분의 10. 다만, 제126조제1항제1호에 따라 해당 유가증권의 취득가\n액 및 양도비용이 확인되는 경우에는 그 지급금액의 100분의 10에 해당하는 금액과 같은 호에 따라 계산한 금액\n의 100분의 20에 해당하는 금액 중 적은 금액으로 한다.\n8. 제119조제12호에 따른 국내원천 기타소득: 다음 각 목의 구분에 따른 금액\n가. 제119조제12호카목의 소득: 지급금액의 100분의 15\n나. 제119조제12호타목의 소득: 다음의 구분에 따른 금액. 다만, 가상자산을 교환하거나 인출하는 경우에는 다음\n의 구분에 상당하는 금액으로서 가상자산 단위로 표시한 대통령령으로 정하는 금액으로 한다.\n1) 제126조제1항제3호에 따라 가상자산의 필요경비가 확인되는 경우: 지급금액의 100분의 10에 해당하는 금\n액과 같은 호에 따라 계산한 금액의 100분의 20에 해당하는 금액 중 적은 금액'), Document(id='5a211886-c6db-4fd5-9e77-a4375dd2ee6d', metadata={'source': './tax_combined_final.txt'}, page_content='5. 공적연금소득에 대해서는 기본세율\n5의2.제20조의3제1항제2호나목 및 다목에 따른 연금계좌 납입액이나 운용실적에 따라 증가된 금액을 연금수령한\n연금소득에 대해서는 다음 각 목의 구분에 따른 세율. 이 경우 각 목의 요건을 동시에 충족하는 때에는 낮은 세율\n을 적용한다.\n가. 연금소득자의 나이에 따른 다음의 세율\n|나이(연금수령일 현재)| 세율 |\n| ----------- | ----------- |\n| 70세 미만 | 100분의 5 |\n| 70세 이상 80세 미만 | 100분의 4 |\n| 80세 이상 | 100분의 3 |\n나. 삭제 <2014. 12. 23.>')], 'answer': AIMessage(content='연봉 5천만원에 대한 세금은 다양한 소득세 항목에 따라 달라질 수 있습니다. 일반적으로 소득세율은 소득금액에 따라 차등 적용되며, 기본 세율은 5%에서 시작합니다. 정확한 세금액을 계산하기 위해서는 총소득, 공제 항목 등을 고려해야 합니다.', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 78, 'prompt_tokens': 1352, 'total_tokens': 1430, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_provider': 'openai', 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_3683ee3deb', 'id': 'chatcmpl-D2psPuRb1GQcktIDJfUhfjTjYL2CO', 'service_tier': 'default', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--019c027f-916f-7c82-9b4a-00ba35551ea7-0', tool_calls=[], invalid_tool_calls=[], usage_metadata={'input_tokens': 1352, 'output_tokens': 78, 'total_tokens': 1430, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}})}도와주시면 감사하겠습니다.

안녕하세요, 강사님! 강의 잘 듣고 있습니다. RAG 및 LangChain을 공부하는 도중에 기존 리트리버 방식인(dense based)에 더 자세히 공부하기 위해 Hybrid Retriever(e.g. RRF, CC)등을 더 찾아보고 있는데 이부분은 강의에서 따로 안다뤄주는 부분일까요?? 또한 현업에서는 어떤 Retriving 방식을 선호하는지 또한 궁금합니다!