RAG 다음은 시멘틱 레이어라는데, 고객한테 뭘 만들어 줘야 하나
RAG가 못 하는 "판단"을 시멘틱 레이어가 어떻게 하는지 예시 데이터로 따라가 보고, CSP별 제품과 고객에게 직접 구현해 줄 때의 순서를 정리한 학습 노트.


버그는 99+. 내일 고침. 오늘 배운 건 오늘 기록.
LLM, RAG, 에이전트, 바이브 코딩. 개념 정리부터 실무에서 부딪힌 이야기까지.
배경지식 → LangChain → LangGraph → LLM 평가 순서로 이어지는 학습 연재.
직접 만들고 운영 중인 서비스 "나닮"의 개발 기록. 프론트엔드, 백엔드, 앱 심사까지.
로봇, IoT, JEPA. 화면 밖으로 나가는 AI 이야기.
DevOps, 모바일, 백엔드 잡기술. 한 번 겪고 나면 다음엔 빨리 끝내고 싶은 것들.
사내 AX(AI Transformation) 교육 과정을 챕터별로 정리한 노트.
이 블로그 자체에 대한 이야기.
RAG가 못 하는 "판단"을 시멘틱 레이어가 어떻게 하는지 예시 데이터로 따라가 보고, CSP별 제품과 고객에게 직접 구현해 줄 때의 순서를 정리한 학습 노트.
웹 화면을 그대로 싣는 안드로이드 앱에서, APK를 다시 설치하지 않고 화면 파일만 갈아 끼우는 OTA를 만든 기록. 서명된 목록, 파일 해시, 네이티브 지문, 버전 비교, 안 뜨면 되돌리기까지. 아직 실기기 확인 전이다.
파이어베이스 클라우드 메시징(FCM)이 뭔지, 토큰 등록부터 알림이 폰에 뜨기까지의 흐름을 처음부터 따라가고, 맥릴레이에서 데이터 메시지·암호화된 봉투·알림 채널·알림 단추로 한 단계 더 써 본 기록.
StrOutputParser, JsonOutputParser, PydanticOutputParser가 각각 무엇을 하는지, 그리고 with_structured_output이 생긴 지금 파서를 언제 여전히 쓰는지 정리한 글.
이 시리즈의 세 번째 글이다. 토크나이저, 파인튜닝에 이어, 입력과 적응 다음 단계인 정렬(alignment)을 다룬다. 논문 중심의 깊은 내용은 이미 AI 연재 보강 5에 썼다. 거기서 InstructGPT,…
앞 글(토크나이저)에 이어서 쓴다. 이번에도 직접 파인튜닝을 돌려 본 후기가 아니라 논문과 자료를 읽고 정리한 글이다. 이 점은 미리 밝혀 둔다. "우리 도메인에 맞게 파인튜닝하자"는 말은 자주 나오는데, 내…