Notice
Recent Posts
Recent Comments
Link
반응형
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | ||||
4 | 5 | 6 | 7 | 8 | 9 | 10 |
11 | 12 | 13 | 14 | 15 | 16 | 17 |
18 | 19 | 20 | 21 | 22 | 23 | 24 |
25 | 26 | 27 | 28 | 29 | 30 | 31 |
Tags
- 추천시스템
- Docker
- tool_calls
- 강화학습의 수학적 기초와 알고리듬의 이해
- adaptive_rag
- rl
- Ai
- REACT
- rag
- summarize_chat_history
- 강화학습의 수학적 기초와 알고리듬 이해
- LangChain
- 강화학습
- pinecone
- removemessage
- agenticrag
- Python
- 밑바닥부터 시작하는 딥러닝
- RecSys
- update_state
- add_subgraph
- langgrpah
- subgraph
- conditional_edges
- chat_history
- 밑바닥부터시작하는딥러닝 #딥러닝 #머신러닝 #신경망
- tool_call_chunks
- fastapi
- toolnode
- langgraph
Archives
- Today
- Total
반응형
목록GENERATION (1)
반응형
타임트리

사용자 요구 사항 기반으로 메타 프롬프트 생성하기이번에는 프롬프트를 생성하도록 돕는 챗봇을 만들어보자. 챗봇은 먼저 사용자로부터 요구사항을 수집한 뒤, 이를 바탕으로 프롬프트를 생성하고 사용자 입력에 따라 이를 수정한다. 이 과정은 두 개의 별도 State로 나뉘며, LLM이 State 전환 시점을 결정한다.핵심은 반복적으로 사용자에게 질문을 하여 사전에 정의한 요구사항을 모두 수집한다는 점! 이 개념은 사용자로부터 수집해야 하는 정보가 필요한 서비스의 경우로 확장 가능하다. 예를 들어, LLM 기반 검색 시스템을 구축할 때 필요한 요구사항 수집 등에서 유용하게 사용될 것 같다. 만약 다양한 회의록을 검색하는 챗봇을 구축한다고 가정해보자. 이때 정확한 회의록을 찾기 위해서는 회의가 진행된 연도, 부서, ..
LLM/LangGraph
2025. 1. 29. 03:39