LLM Master:기초부터 심화까지 RAG 쿡북 with PythonLLM 구축을 위한 RAG 기초부터 심화까지 21개의 방법론 실전 가이드
고우주이 책이 포함된 LLM Master 시리즈는 생성형 AI 시대를 살아가는 실무자와 개발자를 위해 기획되었다. ChatGPT를 비롯한 다양한 AI 도구들이 우리 일상과 업무에 빠르게 스며들고 있지만, 단순한 활용을 넘어 AI를 ‘내 일’과 ‘내 프로젝트’에 제대로 접목시키는 사람은 아직 많지 않다. LLM Master 시리즈는 이러한 격차를 줄이기 위해, 기초 이론부터 실무 프로젝트에 이르기까지 LLM을 완전히 내재화할 수 있는 커리큘럼을 제공한다. 특히 Python을 기반으로 한 코딩 중심 구성으로, 독자 스스로 AI 기능을 직접 구현하고 테스트하며 체화할 수 있도록 돕는다.
LLM(Large Language Model)을 구현하기 위한 프레임워크는 목적과 활용 환경에 따라 매우 다양하다.
우선, OpenAI, Claude(Anthropic), Grok(X), DeepSeek 등에서 제공하는 상용 LLM API를 단순히 호출하여 사용하는 경우에는, Python의 openai 라이브러리나 해당 서비스에서 제공하는 공식 SDK만으로도 충분히 구현할 수 있다. 이 방식은 상대적으로 설정이 간단하며, 모델을 별도로 구축하지 않아도 강력한 LLM 기능을 빠르게 활용할 수 있다는 장점이 있다.
단순한 LLM 호출을 넘어, 문서 기반 검색 및 생성(RAG, Retrieval-Augmented Generation)과 같은 고급 기능을 구현하려면 다양한 컴포넌트를 함께 조합해야 한다. 이럴 때는 다음과 같은 LLM 개발 전용 프레임워크를 활용하는 것이 효율적이다.
이 책은 RAG 기반 파이프라인을 직접 구현하기 위한 실습형 가이드북이다. 초보자도 따라할 수 있도록 단계별로 구성되어 있으며, 단순한 API 호출부터 검색 기능의 통합, 체인과 도구 구성, 메모리 확장까지 점진적으로 구현할 수 있도록 설계되어 있어 실무 활용에 유용하다.
LLM(Large Language Model)을 구현하기 위한 프레임워크는 목적과 활용 환경에 따라 매우 다양하다.
우선, OpenAI, Claude(Anthropic), Grok(X), DeepSeek 등에서 제공하는 상용 LLM API를 단순히 호출하여 사용하는 경우에는, Python의 openai 라이브러리나 해당 서비스에서 제공하는 공식 SDK만으로도 충분히 구현할 수 있다. 이 방식은 상대적으로 설정이 간단하며, 모델을 별도로 구축하지 않아도 강력한 LLM 기능을 빠르게 활용할 수 있다는 장점이 있다.
단순한 LLM 호출을 넘어, 문서 기반 검색 및 생성(RAG, Retrieval-Augmented Generation)과 같은 고급 기능을 구현하려면 다양한 컴포넌트를 함께 조합해야 한다. 이럴 때는 다음과 같은 LLM 개발 전용 프레임워크를 활용하는 것이 효율적이다.
이 책은 RAG 기반 파이프라인을 직접 구현하기 위한 실습형 가이드북이다. 초보자도 따라할 수 있도록 단계별로 구성되어 있으며, 단순한 API 호출부터 검색 기능의 통합, 체인과 도구 구성, 메모리 확장까지 점진적으로 구현할 수 있도록 설계되어 있어 실무 활용에 유용하다.
