목차

지은이 소개
머리말
실습 코드 안내

제1부 토대 - LLM과 프롬프트
제1장 거대언어모델의 이해
LLM이 바꾼 소프트웨어
다음 단어 예측
트랜스포머의 직관적 이해
토큰·컨텍스트 윈도·파라미터
사전학습과 사후학습
LLM 생태계
능력과 한계
학습 로드맵
제2장 프롬프트 엔지니어링
같은 질문 다른 답
프롬프트의 네 요소
Zero-shot과 Few-shot
사고 연쇄
출력 형식 제어
환각 대응
평가와 개선
프롬프트 자산화
프롬프트의 한계
제3장 LLM API 프로그래밍
실습 환경
첫 API 호출
시스템 프롬프트와 이력
생성 파라미터
구조화 출력
함수 호출
토큰 과금
키 보안
미니 챗봇

제2부 RAG - 검색으로 지식을 더하다
제4장 임베딩과 벡터 검색
의미를 숫자로
임베딩 공간
코사인 유사도
벡터 데이터베이스
키워드와 의미 검색
정밀도와 재현율
임베딩 모델 선택
제5장 RAG: 검색 증강 생성
LLM은 모른다
RAG 동작 원리
적재와 분할
임베딩과 색인
검색과 생성
LangChain 구축
인용과 출처
제6장 RAG 심화와 평가
품질을 정하는 것
청킹 전략
메타데이터 필터링
하이브리드 검색
리랭킹
쿼리 변형
RAG 평가
개선 사이클
벡터 RAG의 한계
제7장 GraphRAG: 관계를 묻다
벡터 RAG가 놓치는 질문
트리플과 지식그래프
트리플 추출
GraphRAG 동작 원리
자연어 그래프 질의
GraphRAG 구축
RAG와 GraphRAG
선택 기준

제3부 에이전트 - 스스로 일하는 LLM
제8장 AI 에이전트의 원리
챗봇에서 에이전트로
에이전트 루프
도구 호출
ReAct 패턴
단기 기억
장기 기억
에이전트의 실패
제9장 에이전트 워크플로: LangGraph
왜 그래프인가
LangGraph 핵심
상태 설계
조건 분기와 반복
컨텍스트 엔지니어링
스트리밍과 관찰
워크플로 디버깅
제10장 멀티 에이전트와 도구 연결
왜 나누는가
역할과 컨텍스트 격리
협업 패턴
팀의 기억
MCP
A2A
휴먼 인 더 루프
비용과 함정

제4부 심화·운영·종합
제11장 모델 맞춤: 파인튜닝 맛보기
파인튜닝이 필요한 순간
파인튜닝의 종류
경량화
노코드 실습
선택 기준
제12장 운영과 지식 자산화
AgentOps
모니터링 지표
책임 있는 AI
LLM Wiki
지속 운영과 확장
제13장 종합 프로젝트: 지식을 가진 에이전트
프로젝트 개요
도메인과 데이터
지식 구축
검색 계층
에이전트 결합
평가
배포와 다음 단계

부록 A 개발 환경 준비: 코랩과 Gemini API
부록 B 프롬프트 패턴 빠른 참조
부록 C 자주 만나는 문제와 해결
부록 D 더 나아가기: 학습 로드맵
용어집
참고문헌