imprun engineering

작성일: 2026년 2월 6일카테고리: AI, LLM, Claude, Release키워드: Claude Opus 4.6, Anthropic, 100만 토큰, Agent Teams, 적응형 사고, 벤치마크요약2026년 2월 5일, Anthropic이 Claude Opus 4.6을 출시했다. Opus 계열 최초로 100만 토큰 컨텍스트 윈도우(베타)를 지원하며, 에이전트 코딩 벤치마크에서 업계 최고 점수를 기록했다. Claude Code에는 여러 에이전트가 협업하는 Agent Teams 기능이 추가되었다. 이 글에서는 Opus 4.6의 주요 변경사항과 개발자에게 미치는 영향을 정리한다.왜 Opus 4.6인가Opus 4.5의 한계Opus 4.5는 강력한 모델이었지만, 실무에서 두 가지 병목이 있었다.첫째, 컨..

작성일: 2026년 01월 19일카테고리: AI, LLM, RAG키워드: RAG, Retrieval-Augmented Generation, GraphRAG, Agentic RAG, Knowledge Graph, LLM요약LLM은 모르는 것을 그럴듯하게 지어낸다(환각). 이 문제를 해결하기 위해 2020년 RAG가 등장했고, 기본 RAG의 한계를 극복하기 위해 두 가지 방향으로 발전했다: Agentic RAG(반복 검색, 도구 선택)와 GraphRAG(관계 기반 검색). 이 글에서는 RAG 기술의 발전 흐름을 정리하고, "LLM API는 한 번 호출하면 끝인데, 누가 RAG 루프를 돌리는가?"라는 질문에 답한다.시작점: LLM의 환각 문제ChatGPT에게 "우리 회사 매출이 얼마야?"라고 물으면 두 가지 ..

작성일: 2026년 01월 19일카테고리: AI, Knowledge Graph, LLM키워드: Knowledge Graph Construction, Entity Extraction, Relation Extraction, LLM, Neo4j요약지식 그래프 기반 RAG는 그래프가 존재해야 작동한다. 수동으로 그래프를 구축하는 것은 비용이 크고 확장이 어렵다. 이 글에서는 LLM을 활용하여 비정형 텍스트에서 자동으로 엔티티와 관계를 추출하고 지식 그래프를 구축하는 방법을 다룬다.수동 그래프 구축의 한계전통적인 방식1. 도메인 전문가가 온톨로지 설계2. 데이터 분석가가 문서 분석3. 수작업으로 엔티티/관계 추출4. 검증 및 품질 관리문제점:시간 소요: 문서 1개당 수 시간확장성 부재: 문서가 늘어날수록 비용 증..

작성일: 2026년 01월 19일카테고리: AI, LLM, RAG키워드: LLM, Hallucination, Knowledge Cutoff, RAG, Fine-tuning요약대규모 언어 모델(LLM)은 확률적 단어 예측 모델이지, 사실을 저장하고 인출하는 데이터베이스가 아니다. 이 글에서는 LLM이 그럴듯한 거짓말(환각)을 하는 구조적 원인을 분석하고, 이를 극복하기 위한 전략적 접근법으로서 RAG(Retrieval-Augmented Generation)의 필요성을 다룬다.LLM은 데이터베이스가 아니다2023년 미국에서 변호사들이 법정에 제출한 서류에 ChatGPT가 생성한 가짜 판례가 포함되어 있었다. 해당 판례는 존재하지 않았고, 변호사들은 징계와 벌금형을 받았다. 이 사건은 LLM의 환각(Hallu..

작성일: 2026년 1월 9일카테고리: GraphRAG, Knowledge Graph, LLM키워드: GraphRAG, NL2SPARQL, 하이브리드 검색, Graph-aware Prompting시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (16부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약15부에서 SHACL로 세무 분석 규칙을 정의했다. 이제 Knowledge Graph의 구조화된 지식을 LLM의 자연어 처리 능력과 결합한다. 이 조합을 GraphRAG라 부른다. 사용자는 "A노무법인의 부채비율이 업계 평균보다 높나요?"라고 자연어로 질문하고, 시스템은 SPARQL로 정확한 데이터를 조회한 후 LLM이 해석을 덧붙인다.핵심 질문구조화된 지식을 LLM 컨텍스트로 어..

작성일: 2026년 1월 9일카테고리: AI, LangChain, LLM, Architecture키워드: LangChain, LCEL, 체인 아키텍처, LLM 오케스트레이션, 프롬프트 설계시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (10부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약Part C에서는 Part B의 지식그래프를 AI 에이전트와 연결한다. 이 글에서는 LangChain의 핵심 아키텍처 개념인 체인(Chain)을 다룬다. 체인은 LLM 호출을 위한 프롬프트, 모델, 파서를 하나의 파이프라인으로 조합하는 추상화다. 왜 직접 API 호출 대신 체인 패턴을 사용하는지, 그리고 세무 분석 시스템에서 어떤 구조가 적합한지 설계 관점에서 분석한다.핵심 질문: 체인의..

작성일: 2026년 1월 9일카테고리: AI, Agent, LLM키워드: AI 에이전트, LLM, 도구 사용, ReAct, 자율성시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (3부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자핵심 질문"에이전트가 '도구'를 사용한다는 것의 의미는?"LLM 기반 챗봇은 텍스트를 입력받아 텍스트를 출력한다. 그 안에서 모든 "생각"이 일어난다. 하지만 실제 업무를 수행하려면 외부 세계와 상호작용해야 한다. 데이터베이스를 조회하고, API를 호출하고, 파일을 생성해야 한다. 에이전트는 LLM에게 도구(Tool)라는 인터페이스를 통해 이 능력을 부여한다. 이 글에서는 에이전트의 아키텍처적 의미와 도구 사용 패턴을 설명한다.요약AI 에이전트는 단순..

작성일: 2026년 1월 6일카테고리: AI, LLM, Developer Productivity키워드: Context Window, AI Coding, Claude, MCP, Sub-agents, Token Efficiency요약AI 코딩 프레임워크를 사용해도 기대한 성능이 나오지 않는 경우가 많다. 근본 원인은 컨텍스트 창(Context Window) 관리에 있다. 이 글에서는 LLM의 컨텍스트 창 원리를 이해하고, 점진적 공개(Progressive Disclosure), 하위 에이전트 활용, 토큰 효율적인 파일 형식 선택 등 실전에서 검증된 최적화 전략을 다룬다.AI 코딩 프레임워크의 진짜 문제BMAD, SpecKit 같은 AI 코딩 프레임워크가 넘쳐난다. 수백 명의 개발자들이 자신만의 워크플로우를 ..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, LazyGraphRAG, Prompt Tuning, Optimization, Production요약GraphRAG를 프로덕션 환경에서 효과적으로 운영하려면 비용과 품질 사이의 균형이 필요하다. 이 글에서는 비용 효율적인 LazyGraphRAG, 도메인에 맞춘 프롬프트 튜닝, 대규모 데이터셋 처리 전략, 그리고 프로덕션 배포 시 고려사항을 다룬다.LazyGraphRAG: 비용 효율적인 대안LazyGraphRAG는 기존 GraphRAG의 비용 문제를 해결하기 위해 개발된 경량 버전이다. 전체 인덱싱 없이도 유사한 품질의 결과를 얻을 수 있다.기존 GraphRAG vs LazyGraphRAGf..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Installation, Configuration, Azure OpenAI, Cost Management요약GraphRAG를 실제 프로젝트에 적용하려면 환경 설정, 인덱싱 실행, 쿼리 테스트까지의 전 과정을 이해해야 한다. 이 글에서는 Python 환경에서 GraphRAG를 설치하고, 설정 파일을 작성하며, 인덱싱을 실행하고 쿼리하는 전체 과정을 단계별로 안내한다. 특히 비용 관리에 대한 실전 팁도 포함한다.사전 요구사항시스템 요구사항항목최소 요구사항권장Python3.10 이상3.11RAM8GB16GB 이상디스크10GBSSD 50GB 이상OSWindows/macOS/LinuxLinuxLL..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Indexing Pipeline, Knowledge Graph, Leiden Algorithm, Community Detection요약GraphRAG의 핵심은 인덱싱 단계에서 구축되는 지식 그래프와 계층적 커뮤니티 구조이다. 이 글에서는 TextUnit 분할부터 엔티티/관계 추출, Leiden 알고리즘을 활용한 커뮤니티 탐지, 그리고 계층적 요약 생성까지 전체 인덱싱 파이프라인을 상세히 분석한다.인덱싱 파이프라인 개요GraphRAG의 인덱싱은 원본 문서를 쿼리 가능한 지식 구조로 변환하는 과정이다. 이 과정은 일반 RAG보다 복잡하고 비용이 많이 들지만, 쿼리 시점의 성능을 크게 향상시킨..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, RAG, Knowledge Graph, Microsoft Research, LLM요약RAG(Retrieval Augmented Generation)는 LLM이 학습하지 않은 데이터에 대해 답변할 수 있게 해주는 핵심 기술이다. 그러나 기존 RAG는 "데이터셋의 주요 테마는 무엇인가?"와 같은 전역적 질문에 실패한다. Microsoft Research가 개발한 GraphRAG는 지식 그래프와 계층적 클러스터링을 활용하여 이 문제를 해결한다. 이 시리즈에서는 GraphRAG의 동작 원리부터 실전 활용까지 다룬다.기존 RAG의 동작 방식RAG는 도서관의 사서와 같다. 질문을 받으면 관련 책(문..