인프런 - 라이프타임 커리어 플랫폼

랭그래프(LangGraph)로 구현하는 검색증강생성(RAG) 지능형 AI 에이전트! 이론부터 실전까지, 초보자도 쉽게 따라할 수 있는 핸즈온 튜토리얼입니다.

이 강의는 LangChain을 활용한 RAG(Retrieval-Augmented Generation) 시스템의 기본 개념과 구현 방법을 다룹니다. 참가자들은 RAG의 핵심 원리를 이해하고, LangChain을 통해 실제로 시스템을 구축하며 성능을 평가하는 방법을 배우게 됩니다.

파이썬 기본 문법과 라이브러리를 활용해서 나만의 AI 챗봇을 직접 만들어 보세요. PDF 문서 기반의 RAG 등 5개의 프로젝트를 단계별로 수행하고, 웹 서비스로 배포하는 과정을 학습합니다.

최신 AI 기술의 총집합체인 AI 에이전트! 다양한 AI 에이전트들을 구현해보면서 LangGraph를 이용한 나만의 AI 에이전트 구현법을 학습해봅니다.

지식공유자 강병진님과 함께 한 LLM애플리케이션 경험 공유회 라이브 영상 편집본입니다 :)

Langchain과 RAG를 통해 AI 챗봇 시스템을 구축하는 완벽한 가이드! 생성형 인공지능 개발 기술을 위한 체계적인 학습 과정을 제공합니다.

LLM 기초이론, LangChain과 RAG의 핵심적인 기술을 마스터하는 강의입니다. LLM기초부터 실무에 쓰이는 최신 AI 기술을 쉽게 배울 수 있습니다!

AI 고객센터 챗봇(AICC)을 만들면서 실용적인 RAG(Retrieval-Augmented Generation) 시스템을 만드는 방법을 학습하는 강의입니다.

실리콘밸리 GenAI 해커톤 우승자에게 배우는 RAG. 현업 노하우를 가득 담았습니다

[소스코드 제공] 코딩 몰라도 OK. 구글 최신 툴(IDX)로 설치 없이 브라우저에서 뚝딱 완성! 코딩 문법 공부는 이제 그만! AI와 대화하며(Vibe Coding) 구글 IDX 환경에서 사내 문서를 완벽히 이해하는 RAG 챗봇을 구축하고 웹으로 실시간 배포하는 초고속 실전 과정입니다.

MAU 20만 이상의 LLM Application과 이를 뒷받침하는 LLMOps 환경을 구축하면서 배우고 익힌 경험/노하우 공유회 영상입니다.

코드 복붙은 이제 그만! 🙅‍♂️ 에이전트의 작동 원리부터 아키텍처, 설계 철학까지 제대로 파고드는 '찐' 개념 강의예요. 단순히 만드는 법을 넘어, 시스템 전체를 설계하는 눈을 틔워드릴게요. 2026년 기술 트렌드 속에서 흔들리지 않는 탄탄한 기본기, 여기서 완성하세요! 🧠✨

[2026년 중 2판 완성 예정] 인지 부하(Cognitive Load) 이론을 기반으로 RAG 성능을 개선하는 방안을 제시합니다. 기존 RAG 성능 향상 기법의 한계를 뛰어 넘기 위해 인지 부하라는 사고 틀을 적용해 다양한 기법을 종합합니다.

LLM을 활용해 능동적으로 일하는 에이전트 시스템을 구축하는 실전 가이드,『AI 에이전트 엔지니어링』을 함께 읽는 완독 챌린지를 진행합니다. 이 책은 도구 선택부터 오케스트레이션(계획·실행 흐름 설계), 메모리(기억) 관리까지 에이전트의 핵심 구성요소를 단계적으로 다룹니다. 또한 여러 에이전트가 역할을 나눠 협업하는 멀티 에이전트 아키텍처로 확장하는 방법도 살펴봅니다. ⠀ 더 나아가 운영 환경에서 중요한 신뢰성, 보안, 거버넌스까지 포함해 ‘만드는 법’에서 ‘운영하는 법’으로 시야를 넓혀 줍니다. 자동화를 넘어, 인간의 의도대로 안전하고 투명하게 작동하는 에이전트 시스템을 설계하고 싶으신가요? 책과 챌린지를 통해 아이디어를 프로덕션 수준의 시스템으로 연결하는 구체적인 로드맵을 함께 확인해 보세요!

AI 엔지니어 입문자를 위한 강의는 데이터 처리부터 모델 개발, 클라우드와 MLOps, 그리고 윤리적 고려까지 전 과정을 짧게 체험할 수 있도록 구성되었습니다. 단순히 모델을 만드는 데서 그치지 않고, 실제 서비스로 연결하는 과정을 이해해 실무 감각을 익히는 데 중점을 둡니다. AI를 처음 배우는 분들도 쉽게 따라올 수 있도록 실습과 예제를 곁들여 진행합니다.

Neo4J로 구현하는 지식 그래프 기반 RAG 시스템: 단순 벡터 검색을 넘어 데이터 관계까지 활용하는 차세대 검색 기술 그래프 데이터베이스의 힘으로 RAG 성능 극대화하기!

코딩 없이 나만의 AI 서비스를 만들고 싶다면, 이 강의가 완벽한 해결책입니다. Dify 노코드 플랫폼을 활용해 아이디어만으로도 완성도 높은 AI 앱을 만들 수 있습니다. 복잡한 이론 대신 실전 프로젝트 중심으로 구성되어, AI 입문자와 직장인 누구나 실무 역량을 키울 수 있습니다.

요즘도 직접 코딩하시나요? 이젠 바이브 코딩도 귀찮은 시대! 코딩 없이 n8n으로 AI 자동화 전문가가 되어보세요. 실무에 바로 적용 가능한 자동화 워크플로우 설계 가이드 업무 효율을 극대화하는 실전 중심의 자동화 전략. n8n으로 직관적인 워크플로우를 구축하며, 업무 혁신을 경험해보세요

이 강의는 LLM(대규모 언어 모델)의 기본 원리부터 RAG(Retrieval-Augmented Generation), 그리고 최신 기술인 AI Agent와 MCP(Modular Command Protocol)까지, 생성형 AI를 실무에서 활용하기 위해 반드시 알아야 할 전 과정을 한 번에 정리하는 과정입니다. 생성형 AI가 어떻게 정보를 이해하고, 검색하고, 판단하며, 행동하는 AI Agent로 확장되는지를 기술 흐름에 따라 자연스럽게 배우도록 구성되어 있습니다.

[AI Foundation Model과 작동 원리에 대한 이해 : 공학적 통제와 시스템 아키텍처, 인공지능의 불확실성 해소 및 공학적 자산화를 위한 실전 방법론] 1. 서론: 지능의 공학적 제어 필요성 (Engineering Control vs. Systemic Chaos) 산업 현장에서의 장기적인 실무적 통찰에 기반하여 도출된 핵심적 결론은, 적절히 통제되지 않는 동력은 자산이 아닌 잠재적 부채로 작용한다는 점입니다. 고성능 엔진이라 할지라도 정교한 연소 로직과 마이크로초 단위의 제어 시스템이 결여된다면, 이는 동력원이 아닌 불안정한 물리적 질량에 불과합니다. 현재 생성형 AI 도입 과정에서 나타나는 조직적 혼란은 이러한 제어 원리에 대한 이해 부족과 기술적 블랙박스에 대한 맹신에서 기인하는 것으로 판단됩니다. 본 마스터클래스는 인공지능을 신비로운 확률적 현상이 아닌 모델 기반 엔지니어링(Model-Based Engineering, MBE)의 관점에서 재정의합니다. 지능이라는 불확실한 영역을 예측 가능하고 신뢰할 수 있는 공학적 체계로 전환함으로써, 조직이 기술적 흐름에 종속되지 않고 시스템 전반에 걸친 강력한 주도권을 확보할 수 있는 전략적 방법론을 제시하고자 합니다. 2. 핵심 난제 해결을 위한 4대 공학적 프레임워크 (The 4 Pillars) ① 인식론적 패러다임의 전이: 블랙박스의 가시화 및 기술 부채의 자산화 많은 기업이 내부 구조를 명확히 파악하지 못한 채 AI 모델을 도입함으로써 보안 취약점 노출과 유지관리 비용의 기하급수적 증가라는 '기술적 부채'에 직면하고 있습니다. 본 과정에서는 다음과 같은 접근을 통해 이를 자산화합니다. 메커니즘의 분해: 트랜스포머(Transformer) 아키텍처의 핵심인 셀프 어텐션(Self-Attention) 메커니즘을 수치적 가중치 분석 관점에서 공학적으로 해체합니다. 정보의 우선순위가 결정되는 수치적 기제를 이해함으로써 모델의 판단 근거를 가시화합니다. ID 형성 과정의 분석: '사전학습(Pre-training) - 미세조정(SFT) - 인간 피드백 기반 강화학습(RLHF)'으로 이어지는 일련의 파이프라인이 모델의 기술적 정체성과 윤리적 가이드라인을 형성하는 과정을 투명하게 추적합니다. 이를 통해 보이지 않는 위협을 통제 가능한 시스템 파라미터로 전환합니다. ② 확정적 신뢰성 확보: 확률적 한계 극복을 위한 환각 제어 전략 거대 언어 모델(LLM)은 진실을 추론하는 것이 아니라 확률적으로 가장 적절한 다음 토큰을 생성하는 시스템입니다. 이러한 본질적 특성에서 기인하는 환각(Hallucination) 현상은 신뢰성이 생명인 엔지니어링 현장에서 치명적인 결함이 됩니다. 검색 증강 생성(RAG)의 구속 조건: 모델 내부의 고정된 기억(Internal Weight)에만 의존하는 폐쇄형 구조에서 탈피합니다. 신뢰할 수 있는 외부 지식 베이스를 실시간으로 참조하게 함으로써, 생성 결과에 대한 명확한 근거(Grounding)를 부여하는 '오픈북 전략'을 수립합니다. 하이브리드 모델 아키텍처: 전사적 지식이 필요한 영역에는 대형 모델을, 보안과 실시간 응답이 필수적인 특정 도메인에는 최적화된 소형 모델(SLM)을 배치하여 정확도와 운영 효율을 동시에 달성하는 이중화 전략을 설계합니다. ③ 컴퓨팅 아키텍처 최적화: 물리적 병목 현상(Memory Wall)의 극복 지능은 소프트웨어에서 구현되지만, 그 성능과 경제적 지속 가능성은 하드웨어의 물리적 한계에 의해 규정됩니다. 물리적 제약 분석: 연산 장치의 처리 속도를 데이터 전송 속도가 따라가지 못하는 '메모리 장벽' 문제와 고집적 연산에 따른 열 발생 문제를 공학적 관점에서 진단합니다. 인프라 설계 역량: 고대역폭 메모리(HBM)의 적층 구조와 2.5D/3D 첨단 패키징 기술이 추론 효율에 미치는 물리적 영향력을 정밀하게 분석합니다. 하드웨어의 한계를 소프트웨어 아키텍처로 보완하는 풀스택(Full-Stack) 통합 인사이트를 통해 총 소유 비용(TCO)을 최적화하는 설계 능력을 함양합니다. ④ 기능적 확장의 가속화: 수동적 도구에서 자율 에이전트 체계로의 전이 현재의 AI는 단순 질의응답 수준에 머물러 있어 실질적인 업무 자동화의 부가가치를 창출하지 못하고 있습니다. 본 과정은 AI를 스스로 판단하고 실행하는 능동적 주체로 진화시킵니다. 과업 분해(Decomposition): 복합적인 목표를 수신했을 때 이를 달성 가능한 하위 과업으로 스스로 분해하고 실행 순서를 논리적으로 구성하는 기법을 학습합니다. 디지털 노동력(Digital Workforce) 배치: 기업 내부 ERP, 브라우저, 외부 API 등을 자율적으로 호출하여 실질적인 비즈니스 로직을 완수하고 결과에 대해 피드백을 수용하는 '능동적 에이전트' 체계를 현장에 적용하는 프로세스를 정의합니다. 3. 핵심 아키텍처: 폐쇄 루프 제어 시스템 (Closed-loop Control) AI 에이전트가 지능을 발현하고 복잡한 과업을 수행하는 방식은 자동차의 핵심 두뇌인 ECU(Electronic Control Unit)가 수행하는 폐쇄 루프(Closed-loop) 제어 시스템과 그 논리적 구조가 이론적으로 완전히 일치합니다. 본 과정에서는 이를 ReAct(Reasoning and Acting) 프레임워크 관점에서 상세히 분석합니다. 첫째, 시스템의 시작은 사용자의 모호하고 복합적인 요청을 수신하는 입력 단계(Input)에서 비롯됩니다. 이는 제어 공학에서 센서가 외부 환경의 물리적 데이터를 수집하여 시스템으로 전달하는 과정과 동일한 역할을 수행하며, 에이전트가 당면한 과업의 초기 상태를 정의하는 기준이 됩니다. 둘째, 수신된 데이터를 바탕으로 LLM 아키텍처 내에서 논리적 추론을 거쳐 계획을 수립하는 추론 단계(Thought)가 진행됩니다. 이는 ECU 내의 제어 알고리즘이 입력된 센서 데이터를 연산하여 최적의 제어 값을 산출하는 과정과 맥을 같이 합니다. 에이전트는 이 단계에서 목표 달성을 위한 최적의 경로를 설정하며 시스템의 논리적 엄밀성을 확보합니다. 셋째, 수립된 계획에 따라 외부 도구나 API를 호출하여 작업을 완수하는 실행 단계(Action)가 이어집니다. 이는 제어 시스템의 연산 결과가 액추에이터(Actuator)를 통해 물리적 동력으로 변환되어 명령을 집행하는 메커니즘과 논리적으로 일치합니다. 이를 통해 지능은 추상을 넘어 실질적인 물리적·디지털적 영향력을 행사하게 됩니다. 마지막으로, 실행 결과를 분석하여 초기 목표와의 오차를 수정하는 관찰 및 보정 단계(Observation)가 수행됩니다. 이는 피드백 루프를 통해 시스템의 편차를 줄여나가는 제어 공학의 핵심 원리와 동일합니다. 에이전트는 실행 결과가 목표에 부합하는지 스스로 검증하고, 발생한 오류를 차기 행동 계획에 반영함으로써 지속적으로 성능을 고도화합니다. 이러한 폐쇄 루프 구조를 갖춘 인공지능은 더 이상 확률에 의존하는 불완전한 시스템이 아닙니다. 실행 결과를 스스로 검증하고 오류를 수정하는 공학적 엄밀함을 확보함으로써, 비즈니스 크리티컬한 업무를 수행할 수 있는 신뢰 기반의 파트너로 기능하게 됩니다. 4. 실전 적용 및 확장: 소프트웨어 중심 시스템(SDV)과 Physical AI AI 아키텍처의 최종 지향점은 물리적 제약을 소프트웨어적 지능으로 극복하고 진화시키는 소프트웨어 중심 자동차(SDV) 및 Physical AI의 전 산업 확산에 있습니다. 이는 제조 및 서비스업 전반에 걸친 미래 시스템 통합(SI)의 표준 모델입니다. 엣지 지능 및 데이터 주권 확보: 차량이나 설비 내부(On-device)에 탑재된 소형 모델(SLM)이 현장의 실시간 데이터를 즉각적으로 학습합니다. 이는 클라우드 의존도를 최소화하여 기업의 핵심 자산인 데이터 주권을 완벽히 보호하며, 초저지연성을 바탕으로 한 정밀 서비스를 가능케 합니다. 하드웨어 최적화 및 경량화 엔지니어링: 한정된 전력량과 연산 자원 내에서 최상의 지능을 구현하기 위해 양자화(Quantization), 가지치기(Pruning), 지식 증류(Distillation)와 같은 모델 경량화 기술을 적극 도입합니다. 하드웨어의 대역폭을 고려한 모델 배치는 시스템의 응답 속도와 사용자 경험을 결정짓는 핵심 역량이 됩니다. 하이브리드 오케스트레이션: 광범위한 일반 지식을 보유한 '클라우드 LLM'과 특정 물리 제어 및 보안에 특화된 '엣지 SLM'을 유기적으로 연결하는 통합 아키텍처를 설계합니다. 실리콘 칩셋부터 소프트웨어 스택까지 관통하는 풀스택 관점에서의 통합은 시스템 전체를 소프트웨어 업데이트만으로 진화시키는 강력한 경쟁 우위를 제공합니다. 5. 결론: AI 아키텍트의 역할과 비전 본 마스터클래스의 궁극적인 목표는 수강생을 기술에 수동적으로 의존하며 요행을 바라는 사용자(User)의 위치에서, 시스템의 물리적 한계부터 소프트웨어 아키텍처의 심부까지 완벽히 장악하고 조율하는 전문 AI 아키텍트(Architect)로 격상시키는 데 있습니다. 지능이라는 현상은 소프트웨어적 논리에서 발현되나, 그 지능의 물리적 한계를 규정하는 것은 실리콘(하드웨어)이며, 그 한계를 극복하여 실질적인 비즈니스 가치를 완성하는 것은 오직 정교한 엔지니어링뿐입니다. "지능은 확률의 영역에 머물 수 있으나, 그 지능을 가두고 목적에 맞게 작동시키는 그릇은 오직 엄밀하고 정교한 공학의 영역이어야 합니다."