한빛미디어

    "한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 

제목만 보면 랭체인·랭그래프 실습서처럼 보이지만, 실제로는 절반 이상이 자연어 처리와 딥러닝의 기초 이론에 할애되어 있습니다. 저자도 서문에서 "모델을 단순히 사용하는 방법보다 모델이 어떤 구조로 구성되었는지를 자세히 살펴본다"고 분명히 밝히고 있습니다. 즉 LLM을 블랙박스로 쓰는 데서 그치지 않고, 새로운 도구가 등장해도 그 내부에서 무엇이 달라졌는지 스스로 판단할 수 있는 기준을 만들어 주는 것이 이 책의 목표입니다.

전체 구성은 크게 세 덩어리로 나뉜니다다.

1부 — 기초 체력 (2~4장) 자연어 처리 기초(토큰화, 임베딩, word2vec, 청킹, 풀링)와 강화학습 기초(몬테카를로, 시간차 학습, Q-learning), 그리고 시퀀스 모델(RNN, LSTM, seq2seq, 빔 서치).

2부 — 핵심 구조 (5~7장) 어텐션(셀프/멀티 헤드/크로스 어텐션, Query·Key·Value), 트랜스포머(포지셔널 인코딩, 인코더·디코더, Add & Norm, Feed Forward), 그리고 LLM의 발전(PPO, InstructGPT, few/one/zero-shot, GPT·LLaMA·BERT).

3부 — 실전 활용 (8~12장) Ollama·허깅페이스 트랜스포머·Llama.cpp·랭체인·랭그래프 같은 개발 도구, 파인튜닝(Full fine-tuning, PEFT, Adapter, LoRA, QLoRA), RAG(벡터 DB, ChromaDB, Iterative/Adaptive RAG), 멀티 에이전트(A2A, MCP), 마지막으로 Streamlit으로 나만의 에이전트를 만드는 데까지 이어집니다.

원리부터 차근차근 쌓고 싶으면 1장부터, 랭체인·랭그래프 실습 위주로 빠르게 가고 싶으면 8장부터 읽어나가면 될 것 같습니다.

책의 난이도가 만만치 않다...

좋았던 점

1. "트랜스포머가 혁신이었는지"를 몸으로 느끼게 한다

대부분의 LLM 책이 트랜스포머부터 시작하는 것과 달리, 이 책은 RNN의 한계 → LSTM의 보완 → seq2seq의 고정 길이 컨텍스트 벡터 문제 → 어텐션의 등장이라는 흐름 전체를 따라가게 합니다. "앞에서부터 순서대로 읽는 대신 모든 페이지를 펼쳐놓고 보는 것"이라는 트랜스포머 비유(그림 2-1)나, seq2seq의 고정 길이 병목을 직접 보여준 뒤 어텐션으로 넘어가는 구성이 인상적이었습니다.

2. 이론과 실습

3장의 Q-learning을 곧바로 "다음에 올 단어를 예측"하는 자연어 처리 강화학습 실습으로 연결하거나, 8장에서 허깅페이스 토크나이저의 input_ids·attention_mask 출력을 실제로 찍어보게 합니다.

아쉬웠던 점

수학 공식이 정말, 정말 복잡했다

솔직히 이 부분이 책을 읽으며 가장 힘들던 부분입니다. 4장 물론 그림으로 최대한 풀어주려고 노력한 흔적은 분명하나... 하지만 그렇다고 수식 자체가 쉬워지는 건 아니었던 것 같습니다.

한 줄 요약

순환 신경망(RNN)부터 트랜스포머, LLM, 그리고 RAG·멀티 에이전트까지를 "사용법"이 아니라 "구조" 로 기술한 책. 도구 사용서가 아니라 원서에 가깝다. 수학을 잘 알아야 할듯.