Embedding이란 무엇인가: RAG와 추천 시스템에서 문장을 숫자로 바꾸는 이유
Embedding이 무엇인지, 왜 문장을 벡터로 바꾸는지, RAG와 추천 시스템에서 similarity search가 어떤 역할을 하는지 정리합니다.
-
-
AI 에이전트 실전 설계 시리즈 (3) – MCP는 에이전트 구조에서 어떤 역할을 할까
MCP가 AI 에이전트 구조에서 어떤 역할을 하는지 tools, resources, prompts를 행동, 맥락, 작업 템플릿 계층으로 나누어 설명합니다.
-
ChatGPT API 비용 계산은 왜 예상보다 어려울까: token, context, 입출력 구조로 보는 법
ChatGPT API 비용이 token, context window, input/output token, prompt caching, Batch API에 따라 어떻게 달라지는지 공식 문서 기준으로 쉽게 정리합니다.
-
AI 에이전트 실전 설계 시리즈 (2) – Tool calling은 어디까지 맡겨야 안전할까
AI 에이전트 Tool calling을 붙일 때 읽기 도구, 쓰기 도구, 비용 발생 도구, 위험 도구를 어떻게 나누고 승인 흐름을 설계해야 하는지 정리합니다.
-
LLM judge는 믿어도 될까: AI 평가를 자동화할 때 생기는 편향과 한계
LLM judge를 AI eval에 사용할 때의 장점과 한계를 설명합니다. 평가 자동화, 편향, 기준표 설계, 사람 평가와 함께 쓰는 방법, 회귀 테스트에서 조심할 점까지 실무 기준과 예시로 차분히 정리합니다. 핵심만 봅니다.
-
RAG reranking은 왜 필요할까: 검색 결과를 그대로 넣으면 생기는 문제
RAG reranking이 왜 필요한지 설명합니다. vector search 결과를 그대로 context에 넣을 때 생기는 문제와 reranker, hybrid search, top-k 조정의 차이를 실무 기준으로 정리합니다.
