본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4n8ztzq
(~6/20) 50일의 기적 AI 환급반💫 | 패스트캠퍼스
초간단 미션! 하루 20분 공부하고 수강료 전액 환급에 AI 스킬 장착까지!
fastcampus.co.kr
오늘 수강한 내용은 RAG(Retrieval-Augmented Generation) 시스템과 LangChain Expression Language(LCEL)에 대한 심화 학습으로 구성되어 있었습니다. 기존에 단순히 LLM이 모든 답변을 생성하는 방식과 달리, RAG는 외부 지식 기반(문서, 벡터DB 등)을 결합하여 더 정확하고 최신성 있는 답변을 제공하도록 설계된 기술입니다. 이번 강의에서 특히 강조된 부분은 이러한 RAG 파이프라인을 LCEL을 활용해 더욱 명확하고 선언적으로 구성하는 방식이었습니다.
LCEL은 LangChain의 새로운 기능으로, 복잡한 체인을 만들 때 더욱 직관적이고 깔끔하게 코드를 작성할 수 있도록 돕는 "표현 언어"입니다. 기존의 imperative 스타일에서는 각 단계(예: retriever, reranker, prompt 생성 등)를 별도로 선언하고 연결했어야 했습니다. 하지만 LCEL을 사용하면 하나의 선언적인 파이프라인 안에서 전체 흐름을 한눈에 볼 수 있어 유지보수성과 가독성이 크게 향상됩니다. 예를 들어, Retriever → Reranker → LLM Answer라는 단계를 마치 SQL 쿼리를 작성하듯 선언적으로 표현할 수 있어, 복잡한 논리를 단순하게 묶을 수 있습니다.
이번 강의를 통해 느낀 점은, LCEL을 사용하면 실험과 조합이 훨씬 쉬워지고, prompt 엔지니어링과 retrieval 단계 간의 결합 구조를 자유롭게 설계할 수 있다는 점이었습니다. 특히나 LLM이 점점 커지고 RAG 설계가 점점 복잡해짐에 따라, 이런 구조적 접근법은 선택이 아닌 필수가 되어가고 있습니다. 또한, LCEL은 개발자뿐만 아니라 연구자 입장에서도 실험적인 아이디어를 빠르게 구현하고, 다양한 조합을 비교 분석할 때 큰 장점이 있습니다.
이번 실습에서는 실제로 LCEL로 RAG 파이프라인을 구현해보며, retriever가 가져온 문서들을 rerank한 후, 최종적으로 LLM이 자연스러운 답변을 생성하는 과정을 경험했습니다. 이러한 과정을 거치며 LCEL의 유연성과 강력함을 체감할 수 있었고, 앞으로의 프로젝트에 큰 도움이 될 것이라는 확신이 들었습니다. 단순히 새로운 툴을 배우는 차원을 넘어서, AI 응용 서비스 전체의 설계 패러다임을 바꿀 수 있는 중요한 개념을 익혔다고 생각합니다.
