Chainlit Help 분석 및 고도화된 RAG 챗봇 구현 스터디 [오프라인, 구로/가산]

스터디 소개

Chainlit의 chainlit-help 오픈소스 프로젝트를 분석하여 RAG 기법을 익히고, 최신 llms.txt 표준과 고도화된 기법들을 적용한 나만의 전문 분야 챗봇을 구현하는 스터디입니다.

기존 chainlit-help는 Chainlit 문서화를 기반으로 하지만, 우리는 이를 분석 후 더 나은 RAG 기법들과 최신 기술들을 적용해 각자의 전문 분야나 관심사에 특화된 챗봇을 만들어 보는 것이 목표입니다.

참고 프로젝트:https://github.com/Chainlit/chainlit-help
데모 프로젝트:https://help.chainlit.io/

이전 스터디 경험: Open Deep Research 스터디를 성공적으로 진행한 경험을 바탕이 있습니다
https://inf.run/RAvgq

모집 안내

• 모집 인원: 총 4명 (주최자 포함)

• 장소: 서울 구로디지털단지, 가산디지털단지 인근 (오프라인, 장소는 인원 확정 후 조율)

• 시간 (고정): 매주 화요일 18:30 - 20:30 또는 토요일 오후 13:00-15:00

• 기간: 5주 (모집 인원 확정 즉시 시작)

주차별 학습 계획 (변경 가능)

1-2주차: Chainlit-help 프로젝트 완전 분석

• 목표: 기존 구조와 RAG 구현 방식 이해

• 내용:

  • Chainlit-help 소스코드 분석 (app.py, context 구조, prompts)

  • gitingest를 활용한 컨텍스트 생성 방식 이해

  • Literal AI를 통한 프롬프트 관리 및 트래킹 분석 -> 커스텀 레이어로도 가능

  • 멀티 LLM 활용 구조 파악

3-4주차: llms.txt 표준 및 최신 RAG 기법 연구

• 목표: 2025년 최신 RAG 기법과 llms.txt 활용법 습득

• 내용:

  • llms.txt 표준 심화 학습 및 구현

  • Advanced RAG 기법 연구 (Adaptive RAG, Self-RAG, Corrective RAG 등)

  • Vector DB 최적화 (Chroma, Pinecone, Weaviate 비교)

  • 청킹 전략 및 임베딩 최적화

5주차: 개인 프로젝트 구현 및 최적화

• 목표: 각자의 전문 분야 챗봇 구현

• 내용:

  • 개인별 도메인 특화 RAG 챗봇 개발

  • llms.txt 기반 컨텍스트 최적화

  • 성능 테스트 및 평가 메트릭 적용

  • UI/UX 개선 및 사용자 경험 최적화

기술 스택

핵심 기술

• Framework: LangChain, LangGraph

• Frontend: Chainlit

• Vector DB: Chroma, Pinecone (선택)

• LLM: OpenAI, Anthropic Claude, Gemini

• Embedding: OpenAI, Gemini, Cohere

참여 조건

필수 조건

• Python 프로그래밍 초중급 이상 (필수)

• LangChain 기본 이해 (모르는 부분은 함께 학습)

• RAG 개념 기본 이해

• 적극적인 참여 의지와 끝까지 완주할 의지

스터디 혜택

• API 비용 지원: 주요 API 키 공유 (OpenAI, Anthropic 등)

• 소규모 밀착 학습: 최대 4명으로 개인별 맞춤 피드백

• 실무 적용 가능: 바로 사용할 수 있는 고품질 RAG 시스템 구축

• 포트폴리오: 각자의 전문 분야 챗봇으로 포트폴리오 강화

• 네트워킹: AI 개발자들과의 지속적인 협업 관계

신청 방법

신청 마감: 모집 인원(3명) 채워지는 즉시 마감

신청 방법:

1. [카카오톡 오픈채팅] (https://open.kakao.com/o/sqQ2g1Bh)

2. 제출 정보:

   • 간단한 자기소개

   • Python/LangChain 경험 수준

   • 구현하고 싶은 도메인 분야

   • 스터디 참여 동기

   • 가능한 시간대

일정 조율: 인원 확정 후 첫 모임에서 세부 일정 및 장소 확정

스터디장 소개

현업에서 LangChain/LangGraph로 AI 시스템을 개발하고 있으며, 이전에 Open Deep Research 스터디를 성공적으로 운영한 경험이 있습니다. Chainlit-help 프로젝트는 저도 처음이라, 함께 배우면서 서로 성장할 수 있는 스터디를 만들고자 합니다.

단순히 코드를 따라하는 것이 아니라, 왜 이런 구조로 설계했는지, 어떻게 더 개선할 수 있는지를 함께 고민하며, 각자의 프로젝트에 바로 적용할 수 있는 실질적인 결과물을 만들어보겠습니다!

열정 있는 분들의 많은 참여 기다립니다! 마감되면 바로 글을 내릴 예정이니, 관심 있으신 분은 빠르게 연락 주세요! 🔥