크레마클럽

추천사 ix베타리더 후기 x머리말 xiiCHAPTER 1 라마인덱스 및 RAG 이해하기 11.1 라마인덱스 소개 1__1.1.1 대형 언어 모델 1 / 1.1.2 LLM의 학습 방법과 한계점 2 / 1.1.3 라마인덱스 소개 4 / 1.1.4 라마인덱스와 랭체인 비교 5 / 1.1.5 라마인덱스 환경 소개 71.2 프롬프트 8__1.2.1 프롬프트와 콘텍스트 8 / 1.2.2 토큰 10 / 1.2.3 프롬프트: 시스템, 사용자, 어시스턴트 121.3 RAG 13__1.3.1 RAG의 작동 원리 14 / 1.3.2 RAG의 구성 요소 161.4 라마인덱스 RAG 파이프라인 19__1.4.1 데이터 로더 19 / 1.4.2 문서 분할과 노드 20 / 1.4.3 임베딩과 인덱스 21 / 1.4.4 쿼리 엔진: Query the LLM 221.5 라마인덱스 사용 준비하기 23__1.5.1 VS Code 설치하기 23 / 1.5.2 파이썬 설치하기 28 / 1.5.3 ChatGPT API 준비하기 30CHAPTER 2 라마인덱스 RAG 기본 파이프라인 구현하기 372.1 실습 환경 세팅 37__2.1.1 가상 환경을 사용하는 이유 37 / 2.1.2 실습 코드 다운로드 39 / 2.1.3 가상 환경 세팅 412.2 라마인덱스 기초 파이프라인 구현 44__2.2.1 실습 코드 오픈 및 가상 환경 선택 44 / 2.2.2 파이프라인 코드 설명 462.3 데이터 로드 49__2.3.1 Document 50 / 2.3.2 노드 54 / 2.3.3 여러 가지 데이터 로더 소개 57 / 2.3.4 여러 가지 노드파서 소개 622.4 임베딩과 인덱스 69__2.4.1 임베딩을 통한 문장 간 유사도 평가 70 / 2.4.2 VectorStoreIndex 72 / 2.4.3 로컬에 인덱스 저장 742.5 벡터 스토어 77__2.5.1 FAISS 78 / 2.5.2 크로마 DB 81 / 2.5.3 기존 벡터 DB 활용 852.6 검색 및 쿼리 86__2.6.1 쿼리 엔진이란? 87 / 2.6.2 쿼리 엔진 간단 사용법 89 / 2.6.3 RetrieverQueryEngine 91 / 2.6.4 Chat Engine 962.7 스트림릿을 활용한 RAG 애플리케이션 구축 97__2.7.1 스트림릿 소개 97 / 2.7.2 스트림릿 설치 99 / 2.7.3 스트림릿 기본 사용법 101 / 2.7.4 스트림릿 RAG 애플리케이션 105 / 2.7.5 스트림릿 앱 배포 109CHAPTER 3 고급 검색 알고리즘을 활용한 Advanced RAG 구현 1193.1 희소 검색과 밀집 검색 119__3.1.1 희소 검색 119 / 3.1.2 밀집 검색 1203.2 라마인덱스를 활용한 BM25 RAG 구현 122__3.2.1 TF-IDF 122 / 3.2.2 BM25 125 / 3.2.3 BM25 검색기를 통한 RAG 구현 1323.3 리랭킹 기법 139__3.3.1 리랭킹의 개념 139 / 3.3.2 혼합 검색 구현하기 141 / 3.3.3 크로스 인코더 기반의 리랭킹 라마인덱스 RAG 구현 146 / 3.3.4 LLM 기반의 리랭킹 라마인덱스 RAG 구현 1593.4 다중 쿼리 생성 167__3.4.1 다중 쿼리 생성 기능 구현 167 / 3.4.2 다중 쿼리 생성을 적용한 RAG 구현 1713.5 가상 문서 임베딩 176__3.5.1 가상 문서 임베딩 기능 구현 177 / 3.5.2 가상 문서 임베딩을 적용한 RAG 구현 179CHAPTER 4 RAG 시스템 구현을 위한 여러 가지 모델 소개 1834.1 LLM 선택 시 고려할 점 183__4.1.1 API vs 로컬 183 / 4.1.2 LLM 모델 벤치마크 185 / 4.1.3 임베딩 모델 벤치마크 1894.2 LLM 모델 소개 및 사용법 191__4.2.1 OpenAI 192 / 4.2.2 구글 195 / 4.2.3 앤트로픽 199 / 4.2.4 딥시크 2044.3 임베딩 모델 소개 및 사용법 210__4.3.1 OpenAI 210 / 4.3.2 구글 제미나이 211 / 4.3.3 코히어 213 / 4.3.4 허깅 페이스 217 / 4.3.5 업스테이지 2214.4 상용 vs 오픈소스 모델 실전 비교 223__4.4.1 상용 조합(클로드 + 코히어) 224 / 4.4.2 오픈소스 조합(DeepSeek-R1 + 허깅 페이스) 227CHAPTER 5 이미지와 표도 인식하는 멀티모달 RAG 구현 2315.1 라마인덱스 멀티모달 RAG 소개 231__5.1.1 멀티모달 RAG 개념 231 / 5.1.2 라마인덱스 멀티모달 RAG 파이프라인 2335.2 라마인덱스 라마파스 활용하기 236__5.2.1 라마파스 소개 236 / 5.2.2 라마파스 사용 준비하기: API 키 발급 237 / 5.2.3 라마파스를 활용한 RAG 구현하기 2405.3 텍스트, 이미지를 활용한 라마인덱스 RAG 247__5.3.1 이미지 파일을 활용한 멀티모달 구현하기 247 / 5.3.2 라마인덱스 멀티모달 RAG 파이프라인 구현하기 251 / 5.3.3 이미지를 입력으로 하는 RAG 구현하기 2575.4 복잡한 PDF 문서를 활용한 RAG 시스템 구현 264__5.4.1 이미지 파일로 추출하기: unstructured 사용하기 265 / 5.4.2 PDF 문서 텍스트, 표 문서로 저장하기 272 / 5.4.3 이미지 캡셔닝 273 / 5.4.4 인덱스 생성 및 RAG 구현 278CHAPTER 6 생각하고 판단하는 ReAct 에이전트 2856.1 생각의 사슬 2886.2 환경 설정 및 데이터 로드 2896.3 쿼리 엔진 만들기 2936.4 도구 만들기 2956.5 프롬프트 작성하기 2976.6 에이전트 객체 선언 3006.7 에이전트 RAG 3006.8 멀티턴: 이전 대화 고려하기 3036.9 그라디오를 이용한 웹 애플리케이션 310__6.9.1 그라디오와 스트림릿 비교 310 / 6.9.2 RAG 애플리케이션 312 / 6.9.3 애플리케이션 데모 315CHAPTER 7 즉시 함수를 호출하는 Function Calling 에이전트 3197.1 Function Calling 이해하기 3197.2 ReAct 에이전트와의 비교 3207.3 환경 설정 및 필요 라이브러리 설치 3217.4 쇼핑몰 데이터 구조 설계 3237.5 고객 지원 함수 구현 3277.6 에이전트 객체 선언 3357.7 멀티턴: 이전 대화 고려하기 3377.8 그라디오를 이용한 웹 애플리케이션 346찾아보기 353

펼쳐보기접어보기

상세 이미지

저자 소개 (3명)

저 : 정용범

관심작가 알림신청

현재 반도체 현업에서 선임 연구원으로 근무하며 엔지니어들에게 필요한 자동화 도구를 개발하고 있다. 최근에는 AI 에이전트를 실무에 이식해 비개발자도 직접 업무 효율화를 이끌어낼 수 있도록 돕는 교육과 연구를 병행 중이다. 기술 장벽을 낮춰 누구나 업무 본질에 집중할 수 있는 환경을 만드는 데 목표를 두고 있다. 저서로는 《한 번에 끝내는 라마인덱스×RAG×AI 에이전트》(제이펍, 2025), 《사장님 몰래하는 파이썬 업무 자동화》(비제이퍼블릭, 2024)가 있다. 현재 반도체 현업에서 선임 연구원으로 근무하며 엔지니어들에게 필요한 자동화 도구를 개발하고 있다. 최근에는 AI 에이전트를 실무에 이식해 비개발자도 직접 업무 효율화를 이끌어낼 수 있도록 돕는 교육과 연구를 병행 중이다. 기술 장벽을 낮춰 누구나 업무 본질에 집중할 수 있는 환경을 만드는 데 목표를 두고 있다. 저서로는 《한 번에 끝내는 라마인덱스×RAG×AI 에이전트》(제이펍, 2025), 《사장님 몰래하는 파이썬 업무 자동화》(비제이퍼블릭, 2024)가 있다.

저 : 손상우

관심작가 알림신청

현재 제조 대기업에서 선임 연구원으로 근무하며 R&D 업무에 AI 에이전트를 접목하는 AX(AI Transformation) 프로젝트를 수행하고 있다. 도메인 전문가들이 AI를 현업에 효과적으로 도입해 생산성을 높일 수 있도록 돕는 데 관심이 많다. 저서로는 《한 번에 끝내는 라마인덱스×RAG×AI 에이전트》(제이펍, 2025), 《사장님 몰래하는 파이썬 업무 자동화》(비제이퍼블릭, 2024)가 있다. 현재 제조 대기업에서 선임 연구원으로 근무하며 R&D 업무에 AI 에이전트를 접목하는 AX(AI Transformation) 프로젝트를 수행하고 있다. 도메인 전문가들이 AI를 현업에 효과적으로 도입해 생산성을 높일 수 있도록 돕는 데 관심이 많다. 저서로는 《한 번에 끝내는 라마인덱스×RAG×AI 에이전트》(제이펍, 2025), 《사장님 몰래하는 파이썬 업무 자동화》(비제이퍼블릭, 2024)가 있다.

저 : 에디 유

관심작가 알림신청

IT 대기업 현업에서 RAG와 에이전트 관련 업무를 주로 수행하고 있습니다. LLM 기반 서비스 개발에 관심이 많은데, 특히 요즘은 에이전트의 추론 능력 고도화를 위한 파인튜닝에 집중하고 있습니다. 저역서 - 《LLM과 RAG로 구현하는 AI 애플리케이션》(위키북스, 2025) - 《이론부터 실전까지 AI 에이전트 완벽 마스터》(프리렉, 2025) - 《한 번에 끝내는 라마인덱스 × RAG × AI 에이전트》(제이펍, 2025) IT 대기업 현업에서 RAG와 에이전트 관련 업무를 주로 수행하고 있습니다. LLM 기반 서비스 개발에 관심이 많은데, 특히 요즘은 에이전트의 추론 능력 고도화를 위한 파인튜닝에 집중하고 있습니다.

저역서
- 《LLM과 RAG로 구현하는 AI 애플리케이션》(위키북스, 2025)
- 《이론부터 실전까지 AI 에이전트 완벽 마스터》(프리렉, 2025)
- 《한 번에 끝내는 라마인덱스 × RAG × AI 에이전트》(제이펍, 2025)

크레마클럽에서 볼 수 있는 작가의 다른 책

내서재에 추가 삭제

n8n 업무 자동화 일잘러 되기

출판사 리뷰

LLM의 환각을 잡고 실무형 AI 서비스를 완성하는 가장 친절한 로드맵 이 책은 단순히 LLM(대형 언어 모델)을 호출하는 것을 넘어, 원하는 지식을 정확하고 신뢰성 있게 답변하는 AI 서비스를 구축하고 싶은 독자를 위한 라마인덱스(LlamaIndex) 실전 가이드다. 생성형 AI의 최대 약점인 환각 현상을 해결하는 핵심 기술인 RAG(검색 증강 생성)부터, 스스로 판단하고 행동하는 AI 에이전트 구축까지, 실무에서 바로 적용할 수 있는 개발 노하우를 한 권에 담았다. 특히 이 책의 가장 큰 강점은 한국어 중심의 실습 데이터와 매우 친절하고 상세한 실습 안내다. 한국어 문서를 기반으로 실습을 진행하며, 한국어 형태소 분석, 불용어 처리 등 국내 실정에 맞는 구체적인 검색 최적화 전략을 자연스럽게 익힐 수 있다. 또한, 라마인덱스를 처음 접하는 초심자도 막히지 않도록 개발 환경 설정부터 API 발급까지 단계별로 안내하여, 누구나 처음부터 끝까지 편하게 실습을 따라갈 수 있도록 구성했다. 책 내용은 단순한 기능 나열에 그치지 않고, 기술의 진화 흐름에 맞춰 체계적으로 학습할 수 있도록 전개된다. ‘RAG 파이프라인 구현 → 고급 검색 알고리즘 → 멀티모달과 문서 처리 → AI 에이전트와 UI 구현’까지 이어지는 학습 구조는 실무에서 가이드로 삼을 만큼 완성도가 높다. AI 기술을 업무에 도입하려는 개발자뿐만 아니라, LLM의 작동 원리를 이해하고 설계하려는 기획자와 연구자에게도 훌륭한 길잡이가 되어줄 것이다. 이 책은 여러분을 ‘AI를 이해하고 설계하는 사람’으로 이끄는 가장 쉽고 빠른 길이 될 것이다. 복잡한 AI 기술을 내 손으로 직접 구현하고 확인해보자.주요 내용- RAG 시스템의 목적·구조·선택 기준 정리- 라마인덱스 기반 인덱싱·임베딩·검색 구현- 멀티모달 문서를 처리하는 라마파스 실전 활용법- ReAct·Function Calling 기반 AI 에이전트 고급 설계- 스트림릿·그라디오 기반 프로토타입 UI 제작- 벡터 DB(FAISS/Chroma) 활용 및 최적화

펼쳐보기접어보기