1장 사전 준비하기
1.1 Python 버전 확인 _14
1.2 LLM 체험하기 _14
1.3 계정 준비와 라이브러리 설치 _17
1.4 사용할 모델 이해 _20
1.5 Streamlit 준비 _29
1.6 LangChain 준비 _31

2장 AI 채팅 애플리케이션 만들기
2.1 2장 개요 _42
2.2 화면에 요소 배치하기 _46
2.3 완성 _58

3장 AI 채팅 애플리케이션 고도화하기
3.1 3장 개요 _62
3.2 다양한 옵션 활용법 익히기 _68
3.3 스트리밍 출력 구현하기 _72
3.4 LLM 모델 변경 기능 추가하기 _82
3.5 API 호출 비용 파악하기 _84
3.6 완성 _87

4장 AI 채팅 애플리케이션 배포하기
4.1 4장 개요 _90
4.2 Streamlit Cloud란 _91
4.3 Streamlit Cloud로 애플리케이션을 배포하는 전체 흐름 _92
4.4 정리 _103
4.5 부록 ①: 자주 하는 실수 _104
4.6 부록 ②: 설정 파일 _104

5장 실용적인 AI 애플리케이션 개발하기
5.1 5장 개요 _110
5.2 Part 1: 웹 사이트 요약 애플리케이션 _111
5.3 Part 2: 유튜브 영상 요약 애플리케이션 _118
5.4 정리 _137

6장 이미지 인식 AI 애플리케이션 만들기
6.1 6장 개요 _142
6.2 ChatGPT 이미지 인식 기능 _145
6.3 이미지 인식 기능의 특징 _147
6.4 이미지 인식 애플리케이션 구현하기 _149
6.5 GPT Image를 사용한 이미지 생성 _154
6.6 음성 인식 및 음성 생성 모델 _163
6.7 정리 _164

7장 PDF 기반 질의응답 애플리케이션 만들기
7.1 7장 개요 _166
7.2 PDF 내용에 대해 질문하는 구조 _174
7.3 RAG 처리 흐름 이해하기 _175
7.4 PDF 업로드 기능 구현하기 _179
7.5 질의응답 기능 구현하기 _193
7.6 완성 _200
7.7 추가 개선 _201
7.8 정리 _203

8장 AI 에이전트 구현을 위한 배경 지식
8.1 8장 개요 _206
8.2 AI 에이전트란? _207
8.3 Function Calling - LLM이 외부 함수를 호출하는 기능 _208
8.4 LangSmith - 에이전트 동작 시각화 도구 _223

9장 인터넷 검색 에이전트 만들기
9.1 9장 개요 _236
9.2 에이전트 구현 흐름 _239
9.3 툴(Tool) 구현 _240
9.4 프롬프트 작성하기 _245
9.5 LLM 선택하기 _246
9.6 에이전트 생성하기 _247
9.7 CompiledStateGraph 이해하기 _249
9.8 에이전트에 메모리 추가하기 _251
9.9 에이전트 실행하기 _258
9.10 LangSmith를 활용한 상세 디버깅 _261
9.11 부록: 사용한 라이브러리 설명 _262
9.12 정리 _264
9.13 완성 코드 _264

10장 고객 지원 에이전트 만들기
10.1 10장 개요 _276
10.2 Step1: 간단한 고객 지원 에이전트 만들기 _279
10.3 Step2: LLM 응답 캐시 구현하기 _294
10.4 Step3: 피드백 수집 기능 추가하기 _302
10.5 정리 _305
10.6 완성 코드 _307

11장 데이터 분석 에이전트 만들기
11.1 11장 개요 _322
11.2 데이터 분석 에이전트란? _323
11.3 배경 지식: OpenAI Responses API _324
11.4 Part 1. CSV 파일을 업로드하고 에이전트에게 분석 의뢰하기 _337
11.5 Part 2. 에이전트에게 BigQuery 데이터 분석 맡기기 _350
11.6 정리 _371