【10月還付講座】Agentic AI開発実践：LLM + RAG + Tools + Workflow

업무 자동화 agent

- cell-9: summarize_content, extract_decisions, extract_action_items 3개 LLM 노드 구현 - cell-13: StateGraph(MeetingState)에 5개 노드 등록 → START → 참석자추출 → 요약 → 결정사항 → 액션아이템 → 보고서생성 → END 순차 edge 연결 후 compile() 사내 보안 이슈로인해 코드 첨부합니다 # Module 4 미션. 회의록 분석 워크플로우 > 소요 시간: 약 20분 회의록 텍스트를 다단계 파이프라인으로 분석하여 구조화된 보고서를 생성하세요. ## 파이프라인 ``` START → extract_participants → summarize_content → extract_decisions

이치우 · 미션 4: 업무 자동화 Agent 만들기

拍手 0 · コメント 0

스마트 비서 agent

- cell-6 (환경 보완): TAVILY_API_KEY가 없어 TavilySearch() 생성 자체가 즉시 실패해서, 키가 없으면 무료 DuckDuckGoSearchRun으로 대체하는 fallback 추가 (uv add ddgs) - cell-2: LLM을 로컬 ollama:gemma4:e2b로 전환 사내 보안이슈로 인해 코드 첨부합니다 # Module 3 미션. 스마트 비서 Agent > 소요 시간: 약 20분 다양한 도구(RAG / 이메일 / 일정 / 메모 / 웹검색)를 활용하는 스마트 AI 비서를 완성하세요. ## 학습 목표 - create_agent로 ReAct Agent를 만

이치우 · 미션 3: 스마트 비서 Agent 만들기

拍手 0 · コメント 0

회사 문서 검색 RAG 구축

시스템 아키텍처 및 파이프라인 개요 - 문서 로드 및 전처리: 회사 규정집 및 가이드라인 PDF 파일을 PyPDFLoader를 통해 로드하고, RecursiveCharacterTextSplitter를 사용하여 적절한 청크(Chunk) 크기로 분할했습니다. - 임베딩 및 벡터 데이터베이스: [사용한 임베딩 모델, 예: OpenAI Embeddings / HuggingFace 임베딩]을 활용하여 텍스트를 벡터화한 후, [사용한 Vector DB] 인덱스에 저장했습니다. - Retriever & LLM 연동: 사용자의 질문이 입력되면 Vector DB에서 관련성이 높은 상위 청크를 검색(Retrieve)하고, 이를 [사용한 LLM, 예: gpt-4o / 클로드] 모델의 컨텍스트로 전달하여 할루시네이션(환각 현상) 없는 정확한 답변을 생성하도록 체인을 구성했습니다. 2. 시스템의 주요 강점 - 내부 문서 보안 및 정보 신뢰성: 외부 일반 지식이 아닌 첨부된 사내 문서에 기반해서만 답

임태원 · 미션 2: 회사 문서 검색 시스템 구축

拍手 0 · コメント 0