지식 문서

순차 처리의 한계를 극복하고 문장 전체의 단어 간 연관성을 한 번에 파악하는 트랜스포머(Transformer)와 셀프 어텐션(Self-Attention)의 핵심 원리를 살펴봅니다.

사내 문서와 최신 지식을 AI 시스템에 연결할 때 RAG(오픈북 시험)와 파인튜닝(암기 시험)의 구조적 차이, 비용, 선택 기준을 비교합니다.

글자 수와 토큰의 차이, 대화가 길어질 때 앞 내용을 잊어버리는 컨텍스트 창의 구조적 원리와 슬라이딩 윈도우 관리법을 알아봅니다.

장황한 규칙 설명 대신 1~2개의 입출력 예시를 제공하여 일관된 출력과 형식을 유도하는 Few-Shot 프롬프트 원리와 작성법을 살펴봅니다.

AI가 다음 단어를 선택하는 확률 분포와 Temperature, Top-P(핵 샘플링) 파라미터로 환각을 줄이고 창의성을 조절하는 방법을 다룹니다.

TypeSafe Jev 규격과 호환되는 421M 로컬 의사결정 모델 Laya를 Ollama에 연결하고 하네스 정책과 결합하는 방법을 살펴봅니다.

한 번의 요청을 구성하는 프롬프트·모델·검색·도구 실행을 트레이스로 연결해 실패 지점을 찾습니다.

한 번 답하는 LLM 호출이 상태·도구·반복을 갖춘 AI 에이전트로 확장되는 구조를 살펴봅니다.

Ollama의 CLI·로컬 API·모델 저장소가 연결되는 흐름을 확인하고 가장 작은 채팅 요청을 실행합니다.

요청과 응답 메시지를 읽고 브라우저가 웹 자원을 가져오는 흐름을 확인합니다.