응답이 느려집니다
검색, 재랭킹, 요약, 검증 단계를 무작정 붙이면 정확도는 오를 수 있지만 서비스 지연 시간이 급격히 증가합니다.

Classic RAG, Graph RAG, Agentic RAG의 핵심 원리와 실전 구현을 학습합니다. 토큰 효율과 지연 시간을 최적화하는 동적 라우팅 시스템을 설계하고, GraphRAG의 관계망 추론과 Agentic RAG의 자기 평가 루프를 결합한 장기 기억 시스템을 구축합니다. 실무에서 바로 활용 가능한 고급 RAG 아키텍처 설계 역량을 완성하는 과정입니다.
수강생 31명
난이도 중급이상
수강기한 무제한





webzen
임직원들도 이 강의를 듣고 있어요!





webzen
임직원들도 이 강의를 듣고 있어요!
먼저 경험한 수강생들의 후기
5.0
tata
RAG의 패러다임 변화와 하이브리드 시스템 개념을 이해하고, RAG을 최적화하는 방법들도 배워갈 수 있어서 좋습니다.
5.0
유진
RAG의 새로운 트렌드와 전체 아키텍처를 잘 이해할 수 있는 훌륭한 강의입니다. 처음엔 아아~ 그렇구나하며 머리속으로 이해가 다 되어도, 각 섹션이 끝나면 어? 어떻게 해야하지 공허함이 있었는데, 전달드린 피드백 및 개선 요청 사항을 바로 바로 반영해 주시는 모습을보고 다시 한번 좋은 강사님과 강의라는 것을 느꼈습니다. 각 섹션마다 실습 코드 및 내용도 별도로 추가 주시고 있어서 더욱 기대되는 강의입니다. 내용이 너무 좋고 설명도 잘해주시고, 피드백도 바로바로 반영주시는 중이라 수강하는 것을 강력 추천드립니다!
Classic, Graph, Agentic RAG의 아키텍처 차이와 최적 활용 시나리오 판단
토큰 비용과 지연 시간을 고려한 동적 라우팅 시스템 구현
GraphRAG와 xMemory를 결합한 장기 기억 시스템 배포
Classic RAG, Graph RAG, Agentic RAG의 차이를 명확히 이해하고, 쿼리 특성에 따라 최적의 파이프라인을 선택하는 동적 라우팅 시스템과 GraphRAG+xMemory 기반 장기 기억 아키텍처까지 구현하는 실전형 강의입니다.
RAG 시스템은 단순히 벡터 DB에 문서를 넣고 검색하는 것으로 끝나지 않습니다. 실제 서비스에서는 질문의 성격, 문서 구조, 비용, 응답 속도, 추론 깊이에 따라 완전히 다른 설계가 필요합니다.
검색, 재랭킹, 요약, 검증 단계를 무작정 붙이면 정확도는 오를 수 있지만 서비스 지연 시간이 급격히 증가합니다.
모든 질문에 많은 문맥을 넣는 방식은 간단하지만, 운영 비용과 컨텍스트 낭비를 피하기 어렵습니다.
단순 유사도 검색만으로는 여러 문서 사이의 관계, 원인과 결과, 장기적인 맥락을 충분히 다루기 어렵습니다.
질문의 성격을 판단하고, 가장 적합한 검색·추론·검증 전략을 선택하는 시스템입니다. 이 강의는 그 판단 기준과 구현 구조를 함께 다룹니다.
단순 구현 예제를 따라 치는 것을 넘어, 어떤 상황에서 어떤 RAG 구조를 선택해야 하는지 스스로 판단할 수 있는 설계 감각을 만드는 데 초점을 둡니다.
Classic, Graph, Agentic RAG의 장단점과 적합한 활용 시나리오를 명확하게 구분할 수 있습니다.
질문 유형에 따라 빠른 검색, 깊은 추론, 자기 평가 루프를 선택하는 하이브리드 라우팅 구조를 설계합니다.
GraphRAG와 xMemory를 결합해 관계망 추론과 지속적인 기억 구조를 갖춘 고급 RAG 시스템을 학습합니다.
벡터 검색과 컨텍스트 주입을 기반으로 빠르게 답변을 생성하는 기본 구조입니다. 단순 질문, FAQ, 문서 기반 응답에 강합니다.
텍스트에서 엔티티와 관계를 추출해 지식 그래프를 만들고, 문서 간 연결 관계를 활용해 더 깊은 추론을 수행합니다.
AI가 검색 결과를 평가하고, 부족하면 다시 검색하며, 답변 품질을 스스로 점검하는 자율적 검색 루프입니다.
모든 질문을 같은 방식으로 처리하지 않습니다. 빠르게 답할 질문, 관계 추론이 필요한 질문, 자기 평가가 필요한 질문을 구분해 비용과 품질의 균형을 맞추는 구조를 설계합니다.
질문의 복잡도, 필요한 문맥, 추론 깊이를 판단합니다.
Classic, Graph, Agentic 중 적합한 경로를 동적으로 선택합니다.
문서 검색, 관계망 탐색, 자기 평가 루프를 상황에 맞게 실행합니다.
토큰 사용량과 지연 시간을 줄이면서 답변 품질을 유지합니다.
기존 RAG 시스템의 정확도, 토큰 비용, 지연 시간 문제를 해결하고 더 나은 검색·추론 구조를 설계하고 싶은 분께 적합합니다.
복잡한 지식 관리 시스템, 문서 검색 시스템, LLM 기반 서비스의 아키텍처 설계 역량을 키우고 싶은 분께 좋습니다.
RAG 기술의 차이를 이해하고, 프로덕션 레벨 LLM 제품에서 어떤 구조가 필요한지 판단하고 싶은 분께 추천합니다.
RAG 트릴레마, Classic/Graph/Agentic RAG의 구조 차이, 하이브리드 라우터의 필요성을 정리합니다.
Advanced Classic RAG, 토큰 다이어트, GraphRAG 도입 기준을 통해 기본 RAG를 실무형으로 확장합니다.
텍스트에서 지식 그래프를 추출하고, 관계망을 활용한 Hybrid Searcher 구조를 학습합니다.
검색 결과를 스스로 평가하고 부족한 정보를 다시 찾는 Agentic RAG의 핵심 루프를 다룹니다.
GraphRAG와 xMemory를 결합해 장기 기억과 관계 추론이 가능한 고급 RAG 구조를 구축합니다.
실무 환경에서 어떤 지식을 어떻게 조직하고, 어떤 경로로 검색·추론할지 설계하는 관점을 확장합니다.
Classic RAG로 빠르게 검색하고, Graph RAG로 관계를 이해하고, Agentic RAG로 스스로 평가하며, xMemory로 장기 기억을 설계하세요. 이 강의는 RAG 시스템을 실무형 아키텍처로 바라보는 눈을 만들어줍니다.
학습 대상은
누구일까요?
RAG 시스템의 성능 최적화가 필요한 AI 엔지니어
복잡한 지식 관리 시스템을 설계하는 백엔드 개발자
프로덕션 레벨의 LLM 애플리케이션을 구축하려는 AI 프로덕트 매니저
선수 지식,
필요할까요?
프롬프트 엔지니어링과 RAG 기본 개념 이해
Python 기반 LLM API 연동 경험
벡터 데이터베이스(Pinecone, Weaviate 등) 기본 사용법
커리어인증
1,163
명
수강생
106
개
수강평
30
개
답변
4.8
점
강의 평점
14
개
강의
기존 경력과 경험을 토대로 세상 트렌드를 따라가며 노하우와 꿀팁들을 공유합니다. 잘 부탁드립니다!
프로필 웹사이트 : https://codebridge-ai.pages.dev
🤖👾 미국 AI 석사 과정
🏗 IT 대기업 7년차 개발자
📱 안드로이드 앱 14개와 iOS 앱 7개 및 잡다한 웹사이트 개발 및 운영 중
[Eng]
Based on my existing experience and experience, I'm sharing know-how and tips I want to share while following world trends. Thank you for your cooperation!
Profile : https://codebridge-ai.pages.dev
Contact: codebridge747@gmail.com
Developer at a major IT corporation in South Korea (6y +)
Bachelor's degree in Computer Engineering
전체
30개 ∙ (2시간 54분)
해당 강의에서 제공:
전체
3개
4.7
3개의 수강평
수강평 9
∙
평균 평점 5.0
수강평 10
∙
평균 평점 5.0
수정됨
5
RAG의 새로운 트렌드와 전체 아키텍처를 잘 이해할 수 있는 훌륭한 강의입니다. 처음엔 아아~ 그렇구나하며 머리속으로 이해가 다 되어도, 각 섹션이 끝나면 어? 어떻게 해야하지 공허함이 있었는데, 전달드린 피드백 및 개선 요청 사항을 바로 바로 반영해 주시는 모습을보고 다시 한번 좋은 강사님과 강의라는 것을 느꼈습니다. 각 섹션마다 실습 코드 및 내용도 별도로 추가 주시고 있어서 더욱 기대되는 강의입니다. 내용이 너무 좋고 설명도 잘해주시고, 피드백도 바로바로 반영주시는 중이라 수강하는 것을 강력 추천드립니다!
좋은 말씀 정말 감사드립니다! 열심히 강의 제작한 보람이 드네요! 😂 아직 부족함이 많지만 앞으로 더 좋은 강의와 자료로 찾아 뵙겠습니다. 감사합니다!
수강평 3
∙
평균 평점 4.7
4
전체적으로 좋은 강의였던거같습니다. 특히 BM25+Vector 로 리트리버하여 답변을 받는 RAG서비스를 개발했는데 강의를 토대로 좀 더 개선할 수 있을꺼같고, 다만 아쉬운건 임베딩 기술이 좀 더 있었으면 하는 바램입니다. 저는 텍스트문서 또는 마크다운 문서를 청크하여 qdrant 벡터디비에 쌓아 관리하고있는데, 청크 및 벡터데이터를 저장할때 어떻게하면 효율적으로하는지, 어떻게하면 데이터를 효율적으로 불러오는지 꿀팁 및 노하우가 있었으면 하는 바램이 있었습니다. 그래도 그래프RAG, 에이전틱RAG 등 좋은 기술을 배울 수 있어 좋았습니다~
감사합니다! 도움이 되셨다니 다행입니다. 청크 및 벡터 데이터 저장에 관해서는 자료 준비가 되면 이 강의에 업데이트해두겠습니다. :)
지식공유자님의 다른 강의를 만나보세요!
같은 분야의 다른 강의를 만나보세요!
신규가입 25% 할인
월 ₩16,500
5개월 할부 시
25%
₩110,000
₩82,500