AI
에이전트, 모델 비교, 로컬 LLM, 챗봇, RAG 같은 AI 주제를 모아본 카테고리입니다.
검색 결과가 없습니다.
-
AIAI Agent 가이드: 챗봇과 무엇이 다르고 왜 실행 시스템으로 보는가
AI agent가 무엇인지, chatbot과 어떤 점이 다른지, planning-memory-tools-feedback loop로 어떻게 움직이는지, 언제 agent가 필요하고 언제는 과한지까지 정리한 실전 입문 가이드입니다.
-
AIAI Agent Skills 가이드
AI agent가 검색, 코드 실행, 파일 접근, function calling 같은 도구를 어떻게 쓰는지와 실제 시스템에서 흔한 설계 실수를 설명하는 실전 가이드입니다.
-
AILLM 벤치마크 가이드
LLM을 코딩 능력, 추론, 비용, 컨텍스트 길이, 지연시간, 워크플로우 적합성 기준으로 어떻게 비교해야 하는지 정리한 실전 가이드입니다.
-
AIOllama 로컬 LLM 가이드: 내 컴퓨터에서 모델을 돌릴 때 알아야 할 것들
Ollama로 로컬 LLM을 설치하고 실행하는 기본 흐름, Modelfile, 로컬 API, 에디터 연동, 그리고 언제 API형 서비스보다 유리한지까지 정리한 실전 가이드입니다.
-
AISupabase RAG 챗봇 가이드: OpenAI, pgvector, 그리고 사내 데이터 검색
Supabase와 OpenAI로 RAG 챗봇을 만드는 실전 가이드입니다. pgvector가 ingestion, retrieval, 프롬프트 설계에서 어떤 역할을 하는지와, 내부 문서 챗봇이 부정확해지는 흔한 실수를 정리합니다.
-
AISlack AI 챗봇 만들기: OpenAI API와 Node.js로 시작하는 실전 튜토리얼
OpenAI API와 Node.js로 Slack AI 챗봇을 만드는 방법을 정리합니다. 기본 구조, Slack 앱 설정, 프롬프트 처리, 커스텀 봇이 브라우저형 AI보다 더 유용한 순간까지 실전 기준으로 설명합니다.
-
AIVector Database 가이드: 의미 기반 검색이 왜 SQL만으로는 부족한가
vector database가 embeddings와 어떻게 연결되는지, 왜 RAG 시스템에서 자주 쓰이는지, 일반 데이터베이스보다 언제 더 유리한지, 그리고 언제는 과한지 설명하는 실전 가이드입니다.
-
AITool Calling 가이드: LLM이 API와 함수를 안전하게 사용하는 법
tool calling이 무엇인지, 일반 채팅이나 단순 API 호출과 무엇이 다른지, 그리고 더 안전하고 신뢰할 수 있는 AI 시스템을 만들려면 무엇을 신경 써야 하는지 설명하는 실전 가이드입니다.
-
AITemperature vs Top-p: LLM 출력 다양성을 감으로 조절하지 않는 법
temperature와 top-p가 각각 무엇을 바꾸는지, 어떻게 다른지, 그리고 structured task, factual task, creative task에서 어떤 식으로 판단하면 좋은지 설명하는 실전 가이드입니다.
-
AI프롬프트 엔지니어링 가이드: AI에게 더 좋은 답을 받는 입력 설계법
프롬프트 엔지니어링이 왜 중요한지, role, context, constraints, examples를 어떻게 조합해야 하는지, 그리고 언제 RAG나 tool calling이 필요한지까지 정리한 실전 가이드입니다.
-
AIRAG 가이드: LLM이 외부 지식을 더 잘 쓰게 만드는 가장 실전적인 방법
RAG가 무엇인지, 언제 필요한지, chunking, embeddings, retrieval quality, prompt grounding, citation, evaluation을 어떻게 연결해야 하는지 정리한 실전 가이드입니다.
-
AILLM은 다음 토큰을 어떻게 예측할까? AI 입문자가 먼저 이해할 개념
LLM이 다음 토큰을 어떻게 예측하는지, 왜 확률 기반 생성이 중요한지, 그리고 temperature와 top-p 같은 설정이 왜 필요한지 설명하는 입문 가이드입니다.
-
AIMCP 가이드: AI가 외부 도구와 데이터를 연결하는 표준 이해하기
MCP가 무엇인지, host-client-server 구조와 tools, resources, prompts가 각각 어떤 역할을 하는지, 그리고 agent, RAG, API 호출과는 무엇이 다른지 정리한 실전 입문 가이드입니다.
-
AILLM 평가 가이드: AI 모델 품질을 어떻게 측정하고 개선할까
LLM 평가가 왜 중요한지, 무엇을 측정해야 하는지, 그리고 정성 평가와 정량 평가를 어떻게 함께 운영해야 하는지 정리한 실무형 입문 가이드입니다.
-
AIFine-Tuning vs RAG: 행동을 다듬을지 지식을 붙일지 고르는 법
fine-tuning과 RAG가 각각 무엇을 바꾸는지, 어떤 문제에 더 잘 맞는지, 그리고 실제 AI 제품에서 무엇부터 시도해야 하는지 설명하는 실전 의사결정 가이드입니다.
-
AIInference vs Training: 모델을 배우게 하는 일과 써먹는 일이 왜 다른가
inference와 training이 각각 무엇인지, fine-tuning은 어디에 들어가는지, 그리고 왜 제품 팀은 보통 training보다 inference 시스템을 더 많이 고민하게 되는지 설명하는 실전 가이드입니다.
-
AI임베딩 가이드: 텍스트를 벡터로 바꾸는 이유와 실제 쓰임새
임베딩이 무엇인지, 왜 텍스트를 벡터로 바꾸는지, semantic search, recommendation, clustering, classification, RAG에서 어떤 역할을 하는지 정리한 실전 가이드입니다.
-
AIContext Window 가이드: LLM이 한 번에 볼 수 있는 범위와 한계
context window가 무엇인지, 토큰 제한이 왜 중요한지, 긴 대화와 긴 문서에서 어떤 문제가 생기는지, 그리고 실무에서 어떻게 대응하는지 정리한 입문 가이드입니다.
-
AIAI Workflow Orchestration 가이드: 모델 하나보다 흐름 설계가 중요한 이유
AI workflow orchestration을 프롬프트, retrieval, tool calling, validation, fallback, evaluation 관점에서 정리하고, 왜 모델 성능만으로는 좋은 AI 제품이 되지 않는지 설명하는 실전 가이드입니다.
-
AIAI Latency Optimization 가이드: 응답 속도를 줄이는 가장 실전적인 순서
AI latency를 prompt 길이, retrieval, model routing, tool calling, caching, streaming, validation 관점에서 나눠 보고, 실제 서비스에서 응답 시간을 어떤 순서로 줄여야 하는지 정리한 실전 가이드입니다.
-
AIAI hallucination 줄이기 가이드: 그럴듯하지만 틀린 답을 구조적으로 줄이는 법
AI hallucination이 왜 생기는지, 프롬프트만으로는 왜 부족한지, RAG, tool calling, structured output, 검증, 평가로 어떻게 거짓 답변을 줄일 수 있는지 정리한 실전 가이드입니다.
-
AIClaude Cowork 가이드: 휴대폰에서 Claude에게 작업 맡기기
Claude Cowork와 Assign tasks from anywhere 기능이 어떻게 동작하는지, 어떤 준비가 필요한지, 어떤 작업에 유용한지, 실제 한계는 무엇인지 정리한 실전 가이드입니다.