📘 1부: 프롬프트는 질문, 엔지니어링은 설계입니다
부제: 더 좋은 응답을 쉽게 얻는 법 LLM을 쓰다 보면 누구나 한 번쯤 이런 경험을 합니다. “어제는 잘하더니 오늘은 왜 이렇게 엉뚱하게 답하지?” “GPT가 작업 중간에 뭔가 잃어버린 것 같은데?” “이렇게 스펙을 정리했는데 왜 다른 걸 이해하지…?” 이 차이를 만드는 핵심 원인은 프롬프트를 어떻게 입력 혹은 설계했느냐입니다. 같은 모델에게 요청해도 결과가 다르게 나오는 이유죠….
🚗 현대차 LLM 챗봇 데모 (Hybrid: Rule + RAG)
추석 연휴 간, 개인 프로젝트로 진행한 하이브리드 챗봇 데모를 공개합니다. Rule의 안정성과 LLM의 확장성을 결합하여,연휴 기간 동안 바이브코딩 방식으로 직접 구축하고 다듬어 보았습니다. (※ 현대자동차 공식 챗봇과 무관합니다.) 📢 Update (2026.03): 기존 데모의 안정성과 RAG 응답 품질을 개선한 패치 업데이트를 진행했습니다. Cursor-first 방식을 통한 엔티티 정규화 및 QA 과정이 궁금하시다면 [여기에서 확인]하실 수 있습니다. 🎬…
AI 챗봇, RAG 파이프라인 속 기획자의 역할
1. 서문 앞선 글에서는 Safety 정책과 폴백·쿠션멘트 설계를 다뤘습니다. 이번에는 이 요소들이 RAG 파이프라인 속에서 어떻게 연결되는지를 이야기하려 합니다. 먼저 간단히 복습하자면: LLM (Large Language Model): 대규모 언어 모델. 질문을 이해하고 답변을 생성하는 엔진 RAG (Retrieval-Augmented Generation): LLM이 답변을 생성하기 전, 검색으로 근거 자료를 찾아 활용하는 최신화 프레임워크 → 즉, “검색 기반 + 생성형”을 결합해…
