🤖
RAG를 활용한 LLM Application 개발 (feat. LangChain)
인프런 강의 바로가기 ↗️
  • RAG를 활용한 LLM Application 개발 (feat. LangChain)
  • 1. 강의의 목적과 대상
    • 1.1 우리가 만들어낼 결과물로 보는 강의의 목적
    • 1.2 강의자료
  • 2. 본격적인 개발 전 필요한 배경지식
    • 2.1 Retrieval Augmented Generation(RAG)란?
    • 2.2 Vector Database와 Embedding Model 성능 비교
  • 3. LangChain을 활용한 Retrieval Augmented Generation(RAG) 구성
    • 3.1 환경 설정과 LangChain의 ChatOpenAI를 활용한 검증
    • 3.2 LangChain과 Chroma를 활용한 RAG 구성
    • 3.3 LangChain 없이 구성하는 RAG의 불편함
    • 3.4 LangChain을 활용한 Vector Database 변경 (Chroma ➡️ Pinecone)
    • 3.5 Retrieval 효율 개선을 위한 데이터 전처리
    • 3.6 Retrieval 효율 개선을 위한 키워드 사전 활용
  • 4. Streamlit을 활용한 ChatBot 구현
    • 4.1 Streamlit 설치와 user message 작성
    • 4.2 LangChain으로 작성한 코드를 활용한 LLM 답변 생성
    • 4.3 Chat History추가와 streaming 구현
    • 4.4 Few Shot을 활용한 답변 정확도 향상과 포맷 수정
    • 4.5 Streamlit Cloud를 활용한 서비스 배포
  • 5. 서비스 배포했다고 끝이 아니다
    • 5.1 LangSmith를 활용한 LLM Evaluation
    • 5.2 이제는 AI Agent의 시대
Powered by GitBook
On this page
  1. 4. Streamlit을 활용한 ChatBot 구현

4.1 Streamlit 설치와 user message 작성

Previous4. Streamlit을 활용한 ChatBot 구현Next4.2 LangChain으로 작성한 코드를 활용한 LLM 답변 생성

Last updated 11 months ago

  • 3. LangChain을 활용한 Retrieval Augmented Generation(RAG) 구성 에서 작성한 코드를 활용해 Large Language Model (LLM) 응답을 처리하기 전 기본 챗봇 구현

  • 로컬에서 사용자가 내용을 입력하면 임의의 데이터를 LLM 답변처럼 보여줌

  • Streamlit은 사용자가 채팅을 입력하면 전체 파일을 다시 구동함

    • ↗️ 를 활용해야 일관성 있는 UI를 구현할 수 있음

Session State