코드 최종 결과 질문드립니다.

네네 맞습니다 context에 답변에 필요한 문서가 포함되어있지 않아서인데요, 현재 강의의 구성에서는 chunk_size, chunk_overlap, separators 를 변경해보면서 retriever.invoke()에서 원하는 chunk가 잘 반환되는지 확인해보셔야 합니다

AgentState의 messages 확인해주세요.

안녕하세요, 공식문서를 다시 보니 Annotated[list[AnyMessage], add_messages] 가 맞네요. 소스코드를 수정하고 강의 설명에 업데이트 해두었습니다. 감사합니다https://reference.langchain.com/python/langgraph/graph/message/MessagesState

multi_tool_agent.py 에서 arxiv tool 에러

공유해주셔서 감사합니다! 소스코드에는 2.4.1로 했을 때 문제가 없었는데 라이브러리에 이슈가 있는 것 같네요. 감사합니다!

agent 평가 관련 문의 드립니다.

안녕하세요! 좋은 질문 감사합니다. 답변을 드려보자면별도의 함수를 선언하지 않는다면 lambda를 쓰는게 가장 파이썬스러운게 아닌가 생각합니다. 다만 코드가 오히려 지저분해지지 않을까 싶네요. 공식문서에도 함수를 쓰는 걸로 업데이트가 된 걸 보면, 별도의 함수를 선언하는 것이 가장 적합한 것 같습니다 https://docs.langchain.com/langsmith/evaluate-llm-application#reference-code저라면 답변의 정확도를 기본적으로 평가하고대신 평가 데이터셋을 사람의 답변에 따라 여러가지로 구현해서 다양한 시나리오를 평가하는 식으로 구현할 것 같습니다(만약 사람의 답변이 중요하다면)그리고human-in-the-loop를 제대로 실행 하는지 (trajectory)를 추가로 평가할 것 같아요제가 강의 슬라이드를 공유하지 않았군요, 덕분에 강의자료를 수정했습니다 감사합니다.아마존 링크: https://docs.aws.amazon.com/machine-learning/latest/dg/evaluating_models.html세일즈포스 논문링크: https://arxiv.org/abs/1806.08730좋은 피드백 감사합니다!

2.3 Agentic RAG 관련 질문이 있습니다.

안녕하세요 좋은 질문 감사합니다. node로 별도로 선언하지는 않았지만 그래프 온톨로지에는 포함된다고 보시는게 맞습니다.코드를 다시 보시면 retireve node를 generate와 rewritenode들과 edge로 연결시키지 않는 것을 보실 수 있습니다. (사진)하지만 그래프를 보면 점선으로 연결되어 있는 것을 확인할 수 있습니다.(사진)여기서check_doc_relevance 가 node이면서 다음 node 들을 정의하는 edge의 역할을 하기 때문인데요(위에서 온톨로지에 포함된다고 보시는게 맞다고 설명한 이유입니다). 그림으로 표현하자면 아래와 같은 느낌입니다. (사진)그래프에 명시적으로 보이게 하려면 check_doc_relevance를 node로 작성하고, check_doc_relevance에서 add_conditional_edges() 를 선언해도 됩니다. 저는 불필요하게 코드양을 늘리는 것 같아서 강의에서 보시는 것과 같이 진행했는데, 에이전트의 흐름을 파악하는데 있어서는 오히려 가독성이 떨어질 수도 있겠다는 생각이 드네요. 그리고 State를 반환하지 않아도 node에 추가시킬 수 있습니다. 공식문서에서는 안된다고 되어있지만 {} 를 리턴시키면 node로 추가할 수 있습니다. 또 설명이 부족한 부분이 있다면 언제든지 질문으로 올려주세요! 최대한 빠르게 답변 드리겠습니다

깃허브 레포지토리 확인 요청

안녕하세요! 파일 오류인가 싶어서 다양한 방법들을 시도해봤는데, 깃허브 차원의 에러인 것 같습니다. 해결되기 전까지는 clone후에 로컬에서 확인 부탁드립니다 https://github.com/orgs/community/discussions/197350

Langchain 공식문서 학습 질문

안녕하세요, 강의에서 활용한 문서들은 강의 자료로 제공해드리는 깃북에서 정상적으로 동작합니다! 한번 확인 부탁드립니다: https://jason-kang.gitbook.io/rag-llm-application-feat.-langchain.추가로 설치 명령어 또한 uv 를 활용하시는 경우 소스코드를 클론하시고 uv sync 를 실행하시거나, pip 을 활용하시는 경우 pip install -r requirements.txt 로 의존성들을 설치하실 수 있습니다. 누락된 부분을 말씀해주시면 점검 후 업데이트 하도록 하겠습니다.감사합니다

LLM 지침시 헤더 관련해서 궁금한게 있습니다

안녕하세요! 좋은 질문 감사합니다.강의 촬영 시점에는 마크다운을 활용해서 프롬프트를 구조화 하거나, 별도의 형식 없이 텍스트를 작성하는게 잘 동작한다고 했었는데, 요즘은 예시로 주신 것처럼 xml을 활용하는 것이 더 효율적이라는 것이 중론입니다. Anthropic도 Opus 4.1까지는 Claude의 시스템 프롬프트를 일반 줄글로 작성했는데, Sonnet 4.5부터는 xml을 활용해서 구조화 하는 것을 확인할 수 있습니다.https://platform.claude.com/docs/en/release-notes/system-prompts#claude-sonnet-4-5xml이 마크다운보다 토큰을 많이 쓰다보니, 마크다운을 최대한 활용했었는데, 요즘 context window가 커져서 xml구조화가 조금 더 효과를 보는 것 같습니다.https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices

강의자료 위치

안녕하세요 제가 소개자료에만 걸어두고 강의 내용에서는 빠트렸군요 ㅠ. https://www.kangsium.com/ai-agent-evaluationhttps://github.com/jasonkang14/inflearn-ai-agent-evaluation강의 1회차에도 업로드 해두겠습니다. 감사합니다

온톨로지 활용

안녕하세요, 이번 강의에서는 단일 문서 기반 RAG라 온톨로지까지는 오버엔지니어링이라고 판단해서 다루지 않았습니다. 온톨로지는 보통 의료, 법률, 사내 지식베이스와 같이. 여러 문서/도메인에 걸쳐 의미 추론이 필요할 때 효과를 볼 수 있습니다.