🚀 RAG 연구 및 프롬프트 엔지니어링 프로젝트 개요

프로젝트 배경

Teddy Note님의 Langchain 패스트 캠퍼스 강의를 들으며 Langchain으로 구현하던 프로젝트를 어느정도 마무리하고, Langraph와 Langsmith에 대해서 조금 익숙해지고자 RAG 실습을 진행해보고자 합니다. 강수진님의 프롬프트 엔지니어링 패스트 캠퍼스 강의도 같이 들었었는데,  들으며 고민해봤던 해보고자 했던 프롬프트 엔지니어링 프로세스도 구조화를 해볼까 합니다.

프로젝트 목표

이 프로젝트는 다음과 같은 목표를 가지고 진행됩니다:

1. 다양한 RAG 기법 탐구 및 구현
   • Naive RAG부터 최신 고급 RAG 기법까지 단계적 구현
   • 각 RAG 기법의 장단점 분석 및 성능 비교
2. GPT 기반이 아니라 오픈 소스 및 무료 기술 활용
   • Gemini API(무료버전)를 통한 모델 탐색
   • Ollama 로컬 모델 활용
   • LangGraph 워크플로우 구현
   • LangSmith와 Dify를 활용한 프롬프트 엔지니어링(모델 교체로 인한 프롬프트 엔지니어링)

계획된 RAG 기법 연구 로드맵

✅ Naive RAG ⬜ RAPTOR RAG ⬜ Self RAG ⬜ Corrective RAG ⬜ Adaptive RAG ⬜ T-RAG ....

기술적 접근 방식

• 기존 Langchain 프로젝트의 경험을 바탕으로 새로운 RAG 기술 탐구
• 이론적 배경과 실제 코드 구현을 통한 심층 학습
• 각 RAG 기법의 성능 및 특성 비교 분석

기술 스택 및 도구

• Language Models: Gemini, Ollama Local Models
• RAG Framework: LangGraph
• Prompt Engineering: LangSmith, Dify
• 개발 환경: Python, Jupyter Notebook

프로젝트 특징

• 💡 오픈 소스 중심의 접근
• 🔍 실무 중심의 프롬프트 엔지니어링 프로세스 구축
• 📝 상세한 기술 학습 과정 공유

진행 방식

• 테스트 데이터 생성(RAGAS)
• 각 RAG 기법에 대한 이론적 배경 연구
• 실제 코드 구현을 통한 실습
• 성능 비교 및 기술적 인사이트 도출
• 블로그를 통한 상세한 학습 과정 공유

Github 링크

https://github.com/bm1120/RAG_practice

주의사항

본 프로젝트는 개인 학습 및 기술 탐구를 목적으로 진행됩니다. 각 단계별 상세 내용은 추후 블로그 포스트로 지속적으로 공유할 예정입니다.

 

- 위 내용은 Cluade Haiku 3.5로 정리한 글의 내용입니다.