반응형 AI3 LangGraph란 1. LangGraph 에이전트의 핵심 구성 요소LangGraph 에이전트는 기본적으로 **상태(State), 노드(Nodes), 엣지(Edges)**의 세 가지 핵심 요소로 구성됩니다. 이를 통해 에이전트의 행동 흐름을 명확한 그래프 형태로 정의하고 제어합니다.State (상태): 정의: 에이전트가 현재까지 수행한 작업의 결과나 대화의 맥락 등, 에이전트의 현재 상황을 나타내는 모든 정보입니다. 이 상태는 그래프의 모든 노드에서 공유되며, 각 노드가 작업을 수행한 후 업데이트할 수 있습니다. 중요성: LangGraph 에이전트의 핵심입니다. 일반적인 LangChain Agent Executor는 각 스텝마다 LLM이 다음 스텝을 예측하지만, LangGraph는 명시적으로 정의된 State를 통해 에.. 2026. 3. 12. AI 간단 용어 정리 패딩 토큰패딩 토큰(padding token)은 길이가 제각각인 문장을 한 번에 묶어서(배치로) 모델에 넣기 위해 “빈칸을 채우는 용”으로 쓰는 특별한 토큰이다.LLM(Transformer) 같은 모델은 한 번에 들어오는 시퀀스의 길이가 같아야 연산이 효율적이다. 그런데 실제 텍스트는 길이가 제각각이다."안녕""오늘 날씨 어때?""내일 점심 뭐 먹지?"이걸 한 배치(batch)로 만들려면 길이가 긴 문장에 맞춰 짧은 문장을 빈칸으로 채워 길이를 같게 해야 한다. 이 때 쓰는 빈칸 토큰이 패딩 토큰이다.BERT vs GPT-2BERT 같은 모델은 [PAD]라는 토큰이 원래 정의돼 있어서 그냥 padding=”max_length”하면 자동으로 패딩해준다. GPT-2는 “빈칸”이라는 개념이 없어서 [PAD] .. 2026. 3. 12. 딥러닝 간단 정리 1. 머신러닝머신 러닝머신 러닝(기계 학습)은 데이터에 가장 잘 맞는 함수(규칙)를 찾는 과정.쉽게 말해, 흩어져 있는 점들을 가장 잘 설명할 수 있는 선을 긋는 것과 같다.목표 : 데이터가 주어지면 이 데이터의 패턴을 가장 잘 설명하는 하나의 함수(규칙), 즉 $y= f(x)$를 찾는 것이 목표이다.(흩어진 데이터 점(x,y)를 보고 이 점들의 관계를 가장 잘 설명하는 함수를 찾는 것)이 함수에는 모양을 결정하는 여러 조절 값, 즉 가중치(weight) w가 있다.(직선의 기울기, y절편 등)즉 최적의 가중치 w를 찾는 문제가 목표방법 : 이 함수는 처음부터 완벽하지가 않다. 기계 학습은 이 함수가 데이터와 만든 오차(실제 값과 예측 값의 차이)를 계속 줄여나가는 방식으로 최적의 선을 찾아간다.가장 잘.. 2026. 3. 12. 이전 1 다음 반응형
