Module 1 – LLM의 기본 개념과 작동 원리

• LLM(거대 언어 모델)의 기본 구조 및 학습 원리 이해 (토큰화, 임베딩, 파라미터 등)

• 생성형 AI와 프롬프트 엔지니어링 개요

• 다양한 LLM 비교

Module 2 – OpenAI API를 이용한 개발

• OpenAI API 구성 및 인증 (환경 변수, 모델 선택)

• 단일턴(Single-turn) 질의응답 구현

• 멀티턴(Multi-turn) 대화 관리 (대화 히스토리 및 컨텍스트 유지)

• 멀티모달(Multimodal) API 활용 (텍스트 + 이미지 입력 응용)

• 응답 제어(temperature, max_tokens 등) 및 스트리밍 출력 실습

Module 3 – Streamlit을 이용한 사용자 UI 개발

• Streamlit 프레임워크 소개 및 설치

• Streamlit 기본 컴포넌트 (Button, Text Input, Chat Message, Session State 등)

• OpenAI API와 Streamlit 연동 실습 (간단한 챗봇 구현)

• 사용자 입력 관리 및 대화 기록 시각화

• Streamlit Cloud 또는 로컬 배포

Module 4 – LangChain 핵심 개념

• LangChain 프레임워크 소개 및 필요성

• LangChain 핵심 추상화 구조: Models (LLMs, ChatModels), Prompts (PromptTemplates, ChatPromptTemplate), Chains (LCEL 기반 구성), Output Parsers (출력 형식 지정)

• LangChain Expression Language(LCEL)를 이용한 체인(Chain) 구성

• LangChain Expression Language(LCEL)을 이용한 기본 챗봇 리팩토링

Module 5 – RAG 개념과 LangChain 구성요소

• RAG (Retrieval-Augmented Generation) 개념과 필요성

• RAG 구현에 필요한 기능 (문서 로드, 분할, 저장, 검색)

• LangChain의 RAG 지원 기능: Document Loaders (PDF, TXT, Web)

• LangChain의 RAG 지원 기능: Text Splitters (문서 분할 전략)

• LangChain의 RAG 지원 기능: Embeddings 및 Vector Stores (FAISS, ChromaDB)

Module 6 – LangChain을 이용한 RAG 애플리케이션 구현

• 문서 로드 및 임베딩 생성

• 벡터 스토어 구축 및 유사도 기반 검색

• RAG 파이프라인 구축

• 대화형 RAG 구현

• Streamlit UI와 LangChain RAG 연동

• “내 문서와 대화하기(Chat with your Docs)” 구축