blog.ruahverce Vol · 2026 · Issue 013 — A field log of LLMs, RAG, and ML systems

글 지도

144 · field notes
글 지도 — 시리즈별 학습 경로 그래프 각 행은 시리즈, 원은 글입니다. 실선은 학습 순서, 점선은 관련 주제 연결입니다. LLM · RAG Agent 기초부터 만들기 01 02 03 04 05 06 07 08 09 10 RAG 검색 계층 제대로 만들기 01 02 03 04 05 06 07 08 09 10 Reranker 엔지니어링 01 02 03 04 05 06 07 08 09 10 11 12 13 14 Embedding 연구와 엔지니어링 01 02 03 04 05 06 07 08 09 10 11 12 13 14 RAG Agent · Harness 제대로 만들기 01 02 03 04 05 06 07 08 09 10 Advanced RAG 실전 설계 01 02 03 04 05 06 07 08 09 10 LLM 학습·구조·서빙 기초 01 02 03 04 05 06 07 08 09 10 LLM 추론·신뢰성·Agent 학습 01 02 03 04 05 06 07 08 09 10 하네스 엔지니어링 01 02 03 04 05 06 07 08 AI 에이전트 운영: Hermes·OpenClaw에서 자율 조직까지 01 02 03 04 05 06 07 개인 도메인 블로그 운영기 01 02 03 [책리뷰]-개발함정을 탈출하라 01 02 LLM 추론 시스템 엔지니어링 01 02 03 04 05 06 07 08 09 10 Enterprise RAG 지식 파이프라인 01 02 03 04 05 06 07 08 09 10 Python으로 만드는 Production RAG Agent 01 02 03 04 05 06 07 08 09 10 단독 글 O 0 0 L C H

노드에 올리면 글 정보가, 클릭하면 글이 열립니다. 좁은 화면에서는 옆으로 넘겨보세요.

Fallback index

목록으로 보기

LLM · RAG Agent 기초부터 만들기 · 10편
  1. RAG Agent 공부 순서: 토큰부터 Harness까지 한 장으로 보기 (1/10)
  2. LLM 토큰화 입문: BPE부터 Context Window 계산까지 (2/10)
  3. 벡터와 임베딩 입문: Cosine Similarity가 RAG 검색이 되는 원리 (3/10)
  4. 신경망 학습 입문: Logit·Softmax·Loss·Gradient 한 번에 연결하기 (4/10)
  5. 언어모델 입문: 다음 토큰 예측이 문장 생성이 되는 이유 (5/10)
  6. Self-Attention 입문: Q·K·V와 Scaled Dot-Product 손으로 계산하기 (6/10)
  7. Transformer 구조 입문: Attention·Residual·LayerNorm·FFN 조립하기 (7/10)
  8. BERT와 GPT 차이: Encoder·Decoder를 RAG 부품으로 이해하기 (8/10)
  9. LLM 추론 입문: Prefill·Decode·KV Cache·Temperature 이해하기 (9/10)
  10. 첫 RAG 만들기: Chunking·Embedding·검색·생성·평가 전체 연결 (10/10)
RAG 검색 계층 제대로 만들기 · 10편
  1. RAG 문서 수집: PDF·HTML을 검색 가능한 데이터로 바꾸기 (1/10)
  2. RAG Chunking: 크기·Overlap·Semantic·Late Chunking 선택법 (2/10)
  3. Sparse Retrieval 기초: 역색인·TF-IDF·BM25 직접 계산하기 (3/10)
  4. Dense Retrieval 기초: Bi-Encoder·Contrastive Learning·DPR (4/10)
  5. ANN Vector Index: Flat·HNSW·IVF·PQ 선택법 (5/10)
  6. Hybrid Search: BM25와 Vector 검색을 RRF로 합치기 (6/10)
  7. Reranking: Cross-Encoder·monoT5·ColBERT의 역할 (7/10)
  8. Query Transformation: Rewrite·Expansion·HyDE·Decomposition (8/10)
  9. Context Selection: MMR·Dedup·Parent-Child·순서 최적화 (9/10)
  10. Retrieval Evaluation: Recall@k·MRR·nDCG와 실패 분석 (10/10)
Reranker 엔지니어링 · 14편
  1. Reranker란 무엇인가: 두 단계 검색과 전체 지도 (1/14)
  2. Learning to Rank: Pointwise·Pairwise·Listwise와 LambdaMART (2/14)
  3. Cross-Encoder Reranker: Joint Attention부터 실전 추론까지 (3/14)
  4. monoT5·duoT5·RankT5·ListT5: 생성형 Reranker의 계보 (4/14)
  5. ColBERT Late Interaction: Multi-Vector 검색과 Reranking (5/14)
  6. LLM Reranker: Pointwise·Pairwise·Setwise·Listwise 설계 (6/14)
  7. Reranker 학습 데이터: Positive·Hard Negative·False Negative (7/14)
  8. Reranker 학습 심화: Ranking Loss·Distillation·Calibration (8/14)
  9. Reranker 평가: Candidate Ceiling·nDCG·MRR·Latency·RAG 품질 (9/14)
  10. Reranker 모델 선택: 한국어·도메인·Open Model·API 비교법 (10/14)
  11. Reranker Serving: Batching·Quantization·Adaptive Cascade (11/14)
  12. RAG에서의 Reranker: Utility·다양성·보안·멀티모달 (12/14)
  13. Reranker 최근 연구 동향: 2024–2026 논문 지도 (13/14)
  14. 실전: 재현 가능한 Production Reranking Pipeline 만들기 (14/14)
Embedding 연구와 엔지니어링 · 14편
  1. Embedding이란 무엇인가: 연구와 실전의 전체 지도 (1/14)
  2. Embedding Geometry: 유사도·정규화·Pooling·Hubness (2/14)
  3. Embedding 학습의 핵심: Contrastive Learning과 InfoNCE (3/14)
  4. Embedding 학습 데이터: Positive·Hard Negative·False Negative (4/14)
  5. Dense Retrieval 학습 계보: DPR에서 E5까지 (5/14)
  6. Instruction·Multitask·LLM Embedding은 무엇이 다른가 (6/14)
  7. Synthetic Data·Distillation로 Embedding을 도메인 적응하기 (7/14)
  8. 다국어·한국어 Embedding 학습과 평가 (8/14)
  9. 긴 문서 Embedding: Chunking·Contextual·Multi-vector (9/14)
  10. Embedding 평가 방법: Metric·Protocol·통계 (10/14)
  11. Embedding Benchmark 읽는 법: MTEB부터 오염까지 (11/14)
  12. Embedding 압축과 ANN 서빙: Dimension부터 Re-index까지 (12/14)
  13. Embedding 최근 연구 동향: 2024–2026 논문 지도 (13/14)
  14. 실전: 재현 가능한 Embedding 연구 Pipeline 만들기 (14/14)
RAG Agent · Harness 제대로 만들기 · 10편
  1. RAG Agent는 무엇인가: Workflow에서 상태 기반 제어 루프로 (1/10)
  2. Tool Calling 설계: JSON Schema와 안전한 실행 계약 (2/10)
  3. Query Router와 Adaptive RAG: 질문마다 다른 검색 경로 (3/10)
  4. Agent Planning 패턴: ReAct·Plan/Execute·ReWOO·Tree Search (4/10)
  5. 근거 충분성 판정: Self-RAG·CRAG·FLARE로 재검색하기 (5/10)
  6. Agent Memory 설계: Working·Episodic·Semantic·Procedural (6/10)
  7. Durable Agent Execution: Checkpoint·Retry·Idempotency (7/10)
  8. Agent Observability: Trace·Span·Event로 실패 재현하기 (8/10)
  9. RAG Agent 보안: Prompt Injection·Capability·실행 직전 승인 (9/10)
  10. Production RAG Agent Harness: Trajectory 평가와 Release Gate (10/10)
Advanced RAG 실전 설계 · 10편
  1. Knowledge Graph RAG 기초: Entity·Relation·Path (1/10)
  2. Microsoft GraphRAG 해부: Local·Global·DRIFT Search (2/10)
  3. Multi-hop RAG: Retrieve↔Reason Loop와 Evidence Chain (3/10)
  4. Hierarchical RAG: Parent-Child·RAPTOR·HippoRAG (4/10)
  5. Multimodal Document RAG: ColPali·VisRAG (5/10)
  6. Long Context vs RAG: 언제 무엇을 쓸까? (6/10)
  7. Dense Retriever 학습: Hard Negative·Synthetic Query (7/10)
  8. Reranker·Generator 학습: RankT5·RA-DIT (8/10)
  9. Learned Retrieval Policy: Self-RAG·FLARE·RouteRAG (9/10)
  10. Advanced RAG 평가: RAGAS·ARES·RAGChecker (10/10)
LLM 학습·구조·서빙 기초 · 10편
  1. LLM 사전학습 데이터 파이프라인: 수집·정제·중복 제거·혼합 (1/10)
  2. LLM 사전학습 목표와 Scaling Law: Token·Parameter·Compute 예산 (2/10)
  3. 현대 Decoder LLM 구조: RMSNorm·RoPE·GQA·SwiGLU·MoE (3/10)
  4. Instruction Tuning과 SFT: Chat Template·Loss Mask·데이터 품질 (4/10)
  5. Preference Optimization: RLHF·DPO·KTO·GRPO 제대로 구분하기 (5/10)
  6. LoRA·QLoRA·DoRA와 PEFT: Rank·Target Module·Merge 설계 (6/10)
  7. LLM Quantization: GPTQ·AWQ·SmoothQuant·FP8·KV Cache (7/10)
  8. 분산 LLM 학습: DDP·ZeRO·FSDP·TP·PP·CP (8/10)
  9. 효율적인 LLM 추론 서빙: Prefill·Decode·KV Cache (9/10)
  10. RAG Agent 모델 선택과 배포: 평가·Canary·Rollback (10/10)
LLM 추론·신뢰성·Agent 학습 · 10편
  1. Chain-of-Thought 입문: LLM 추론문과 실제 근거 구분하기 (1/10)
  2. Test-time Compute: Self-Consistency·Best-of-N·Search 설계 (2/10)
  3. Verifier와 Process Supervision: ORM·PRM·Value Model (3/10)
  4. LLM 불확실성과 Calibration: 모르면 멈추게 만들기 (4/10)
  5. LLM Hallucination과 Factuality: Claim·Evidence·Citation 평가 (5/10)
  6. Structured Generation: JSON Schema·FSM·CFG로 출력 강제하기 (6/10)
  7. Synthetic Data와 Distillation: Rejection Sampling·Model Collapse (7/10)
  8. Tool-Use Learning: Function Calling SFT·Execution Reward 설계 (8/10)
  9. Agent Trajectory Learning: Long-Horizon Credit Assignment (9/10)
  10. Model Routing과 Cascades: Compound AI System 설계 (10/10)
하네스 엔지니어링 · 8편
  1. 하네스 엔지니어링이란? AI 에이전트 환경 설계 7축 로드맵 (1/8)
  2. AI 에이전트 과업 분해 가이드 — 큰 작업을 4단계로 쪼개는 Plan 에이전트 패턴 (2/8)
  3. CLAUDE.md 작성 가이드 — AI 에이전트가 읽을 지식 3계층 (전역·프로젝트·로컬) (3/8)
  4. AI 에이전트 도구 설계 가이드 — Tool · Skill · Plugin · MCP 차이와 SKILL.md 작성법 (4/8)
  5. Claude Code 권한 설정 가이드 — allow / ask / deny와 permission mode 매트릭스 (5/8)
  6. AI 에이전트 메모리 패턴 — PROGRESS.md로 세션 핸드오프 만들기 (6/8)
  7. Claude Code Subagent 만들기 — code-reviewer · researcher 역할 분리 패턴 (7/8)
  8. AI 에이전트 검증 루프 설계 — 실패 로그 패턴과 Hooks 자동화 (8/8)
AI 에이전트 운영: Hermes·OpenClaw에서 자율 조직까지 · 7편
  1. Hermes Agent 사용법: 설치보다 먼저 첫 작업 계약을 만든다 (1/7)
  2. VPS에 Hermes Agent 구축하기: Gateway·격리·복구까지 (2/7)
  3. Hermes Agent 구축 후 최적화: Tool·Memory·Skill을 줄이는 순서 (3/7)
  4. OpenClaw 사용법: Gateway·Workspace·Channel을 이해하는 첫날 (4/7)
  5. OpenClaw 구축: Docker Gateway와 Slack을 안전하게 연결하기 (5/7)
  6. OpenClaw 구축 후 최적화: 20봇을 1 workflow로 줄인 기록 (6/7)
  7. AI 사용률 90%인데 출시는 빨라지지 않았다: Block의 Stage 5와 그 대가 (7/7)
개인 도메인 블로그 운영기 · 3편
  1. 티스토리·네이버 블로그 자동화 실패 후 git push 배포로 전환한 이유 (1/3)
  2. Astro · Railway · Cloudflare 개인 도메인 블로그 배포 가이드 — 30초 git push 파이프라인 (2/3)
  3. 개인 도메인 블로그 구글·네이버 검색 등록 가이드 — Search Console + 서치어드바이저 체크리스트 (3/3)
[책리뷰]-개발함정을 탈출하라 · 2편
  1. [책 리뷰] 개발 함정을 탈출하라 — 나는 웨이터형 PM이었다
  2. [책 리뷰] 개발 함정을 탈출하라 — 좋은 PM은 기능이 아니라 문제를 본다
LLM 추론 시스템 엔지니어링 · 10편
  1. GPU Roofline으로 LLM 추론 병목 읽기: FLOPS·Bandwidth·Arithmetic Intensity (1/10)
  2. LLM 추론 메모리 계산: Weight·Activation·KV Cache·Workspace (2/10)
  3. Transformer 추론 커널: GEMM·Attention·FlashAttention·Fusion (3/10)
  4. Continuous Batching·Chunked Prefill: LLM Scheduler 설계 (4/10)
  5. Paged KV Cache·Prefix Caching: Block·Eviction·Reuse (5/10)
  6. Speculative Decoding: Draft·Verify·Acceptance와 Serving 설계 (6/10)
  7. 분산 LLM 추론: TP·PP·EP·Context Parallel·P/D 분리 (7/10)
  8. 저정밀 LLM 추론: FP8·INT8·INT4·FP4 Kernel과 Calibration (8/10)
  9. LLM Serving SLO 운영: Admission Control·Fairness·Autoscaling (9/10)
  10. LLM Serving 벤치마킹과 Capacity Planning: Trace·Goodput·비용 (10/10)
Enterprise RAG 지식 파이프라인 · 10편
  1. Enterprise RAG 지식 수명주기: 수집·변환·검증·배포를 한 파이프라인으로 (1/10)
  2. RAG 문서 구조 추출: PDF Layout·OCR·표·읽기 순서를 보존하는 법 (2/10)
  3. RAG 문서 ID·Versioning·Dedup: Rename·재처리·중복·삭제를 구분하는 법 (3/10)
  4. RAG Metadata Schema·Ontology·Entity Resolution: 검색 필터를 지식 계약으로 (4/10)
  5. RAG ACL·Multi-tenancy·Security Filtering: 검색 전에 권한을 지키는 법 (5/10)
  6. RAG Freshness·Temporal Retrieval·CDC: 최신 문서를 정확히 검색하는 법 (6/10)
  7. RAG Embedding·Index Migration: Dual Write·Shadow Read·무중단 전환 (7/10)
  8. RAG Data Quality·Drift·Observability: 조용한 검색 품질 저하를 찾는 법 (8/10)
  9. RAG Deletion·Retention·Privacy Governance: Embedding까지 삭제를 증명하는 법 (9/10)
  10. Production RAG Knowledge Base Release Runbook: Build·Canary·Rollback (10/10)
Python으로 만드는 Production RAG Agent · 10편
  1. Production RAG Agent 프로젝트 구조: Vertical Slice·Port·Adapter로 시작하기 (1/10)
  2. LLM API Client 설계: Message·Streaming Event·Structured Error (2/10)
  3. LLM Client 복원력: Timeout·Retry·Rate Limit·Circuit Breaker (3/10)
  4. Retrieval Service Adapter: ACL Filter·Deadline·Empty Result 구분 (4/10)
  5. RAG Prompt·Context Builder: Evidence Budget과 Citation 검증 (5/10)
  6. Typed Agent Runtime: Tool Registry와 반드시 끝나는 Bounded Loop (6/10)
  7. RAG Session 영속화: PostgreSQL·Redis·Idempotency 설계 (7/10)
  8. FastAPI SSE 스트리밍: Backpressure·취소·재연결 설계 (8/10)
  9. RAG Agent 테스트: Fake·Contract·Record/Replay 설계 (9/10)
  10. Production RAG Agent 배포: CI·관찰성·Canary·Rollback (10/10)
단독 글 · 6편
  1. OpenAI SDK vs Temporal vs LangGraph — LLM 에이전트 백엔드 비교 2026
  2. RAPTOR — 재귀 요약 트리로 긴 문맥을 검색하는 RAG 기법
  3. Retrieval 성능의 한계에 부딪쳤을 때 1: SPLADE보다 먼저 봐야 할 것
  4. LLM Serving은 vLLM만 뜻할까: Qwen3-TTS-Triton으로 보는 서빙의 층위
  5. ColBERT Late Interaction은 일반 dense retrieval과 뭐가 다를까?
  6. [RAG] Harness-1 확장 설계: ColBERT·Cross-Encoder·PPR은 어디에 붙일까?