우버·AppFolio·링크드인·일래스틱서치·Klarna 다섯 기업이 LangGraph로 무엇을 만들었는지 정리합니다. 결정론적 단계와 확률론적 단계를 섞은 우버의 테스트 생성기, 정확도를 40%에서 80%로 올린 AppFolio의 동적 퓨샷, 해결 시간을 80% 단축한 Klarna의 사례에서 공통으로 드러나는 패턴을 짚습니다.

벡터와 임베딩의 개념, 메타데이터를 함께 저장해야 하는 이유, 청킹이 필요한 까닭, OpenAI와 업스테이지 임베딩의 한국어 성능 차이, 그리고 키워드 검색·벡터 검색·하이브리드 검색의 장단점과 선택 기준을 정리합니다.

상용 API의 보안·비용 제약을 오픈소스 LLM으로 푸는 방법입니다. Ollama로 로컬 모델을 돌리고 ChatOllama로 연결하는 법, 작은 모델의 엉뚱한 답변을 프롬프트로 보정하는 법, 허깅 페이스 토큰 종류와 ChatHuggingFace 연동, 그리고 4비트 양자화가 왜 필수인지를 정리합니다.

문서 속 표가 이미지로 들어 있으면 로더가 읽지 못합니다. 멀티모달 LLM으로 표를 마크다운으로 바꾸는 방법, 마크다운이 HTML보다 토큰을 1.5배 아끼는 이유, py-zerox로 대량 문서를 처리하는 선택지, 그리고 전처리 후에도 답이 여전히 틀리는 까닭을 정리합니다.

LangGraph 도구를 MCP 서버로 옮깁니다. LangGraph가 MCP 클라이언트 역할을 직접 하기 어려운 이유와 langchain-mcp-adapters, stdio와 Streamable HTTP의 장단점과 보안 조치, MCP 인스펙터 활용법, 비동기 스트리밍 처리, 그리고 MCP를 도입할 때와 내장 도구로 충분할 때의 판단 기준을 정리합니다.

LLM Judge를 직접 구현합니다. 골든 데이터셋을 코드로 만들고, gpt-4o를 판단자로 세워 정확성을 채점하고, LangChain 허브의 프롬프트로 환각을 검증합니다. aevaluate로 여러 평가자를 병렬 실행하고 experiment_prefix로 실험을 구분하는 법, 그리고 80점이 나온 이유가 검색 실패였다는 진단까지 정리합니다.

환경변수 몇 개로 에이전트의 모든 실행을 추적합니다. 트레이스 뷰에서 Input·Output·TOTAL TOKENS·LATENCY 네 항목을 읽는 법, 에이전트가 도구별로 질문을 바꿔 넣는 과정을 확인하는 법, 토큰 계산을 대신 해주는 값어치, 그리고 LLM Judge 기반 평가 기능을 정리합니다.

상태 머신으로 에이전트를 다루는 LangGraph의 세 요소(상태·노드·에지)를 짚고, LangChain과의 차이를 워크플로 구성·상태 관리·사용 시나리오 세 축으로 비교합니다. 선형과 비선형, 암묵적 메모리와 명시적 상태의 차이가 무엇을 바꾸는지 정리합니다.

벡터 저장소를 Chroma에서 Pinecone으로, LLM을 OpenAI에서 Claude로 바꿔 봅니다. 바뀌는 건 각각 한 줄뿐입니다. 코사인 유사도·유클리드 거리·점곱의 차이와 고밀도/희소 벡터의 구분, 그리고 2부를 닫으며 LangGraph로 넘어가는 이유를 정리합니다.

같은 RAG를 python-docx, tiktoken, chromadb, OpenAI SDK만으로 직접 구현해 봅니다. 문서 로딩·청크 분할·id 생성·임베딩 설정·프롬프트 조립을 전부 수동으로 처리하면서, LangChain의 추상화가 실제로 무엇을 대신해 주고 있었는지 확인합니다.