01

JS/TS 기반 AI 엔지니어링

파이썬을 새로 배우느라 시간을 낭비하지 마세요. 익숙한 자바스크립트/타입스크립트 환경에서 엔터프라이즈급 LLM 애플리케이션을 구축합니다.

02

RAG 아키텍처 완전 정복

단순 연동을 넘어 텍스트 임베딩, 벡터 저장소(Vector Store), 검색 알고리즘 등 RAG의 핵심 원리를 밑바닥부터 이해하고 설계합니다.

03

자율 행동 AI 에이전트

질문의 의도를 파악해 검색, 계산, API 호출 등 필요한 도구를 스스로 선택하고 실행하는 'Agentic Workflow'를 구현합니다.

04

Next.js 풀스택 배포

로컬 개발에서 멈추지 않습니다. create-llama와 Next.js로 실제 사용자가 접속 가능한 웹 서비스를 만들고 Vercel에 배포하여 포트폴리오를 완성합니다.

Final Project

나만의 지식 기반 AI 챗봇 서비스
(Full-Stack RAG)

업로드한 PDF 문서를 벡터화하여 분석하고, 문맥에 맞는 정확한 답변을 제공하는 RAG 챗봇입니다. Next.js App Router와 Vercel AI SDK를 활용해 실제 상용화 가능한 수준의 풀스택 애플리케이션을 완성합니다.

JS 개발자를 위한 AI 환경 설정

RAG와 라마인덱스의 아키텍처를 이해하고, Node.js/타입스크립트 환경에서 오픈AI API 및 필수 라이브러리를 세팅합니다.

라마인덱스 핵심: 인덱싱과 쿼리

데이터 로드(Loading)부터 벡터 스토어 저장(Indexing), 질의(Querying)까지 RAG 시스템의 기본 파이프라인을 구축합니다.

심화: 커스텀 파이프라인 구축

추상화된 기능을 넘어 직접 Ingestion Pipeline을 설계하고, PDF/JSON 등 다양한 포맷의 데이터를 정교하게 처리합니다.

AI 에이전트(Agents) & 라우팅

단순 검색을 넘어 Router Engine으로 최적의 경로 판단과, Function Calling을 통해 도구를 사용하는 에이전트를 개발합니다.

프로덕션 최적화: 저장 및 스트리밍

벡터 인덱스 영구 저장(Persisting)으로 비용을 절감하고, 실시간 스트리밍 UI를 구현하여 사용자 경험을 극대화합니다.

실전 배포: Next.js & Vercel

create-llama로 생성한 풀스택 앱에 커스텀 로직을 이식하고, Vercel 클라우드에 실제 배포하여 서비스를 런칭합니다.

POINT 01

프론트엔드 개발자의 AI 커리어 확장

파이썬을 배우지 않아도 됩니다. 기존 JS/TS 역량을 그대로 활용해 'AI 엔지니어'로 거듭날 수 있는 가장 빠른 길을 제시합니다.

POINT 02

원리부터 파악하는 화이트박스 엔지니어링

라이브러리만 가져다 쓰는 '블랙박스' 개발은 지양합니다. 문서가 벡터로 변환되고 검색되는 RAG의 내부 알고리즘을 깊이 있게 학습합니다.

POINT 03

자율적으로 판단하는 AI 에이전트 구현

정해진 답변만 하는 챗봇이 아닙니다. 사용자의 의도를 파악해 검색, 계산, 외부 API 연동 등 적절한 도구를 스스로 선택하는 에이전트를 만듭니다.

POINT 04

로컬 개발부터 클라우드 배포까지 A to Z

단순한 스크립트 실행에서 끝나지 않습니다. Next.js 프레임워크와 결합하여 실제 사용자가 접속할 수 있는 웹 애플리케이션을 배포하는 전 과정을 경험합니다.

Q. 파이썬 코드 없이도 RAG 구축이 가능한가요?

네, 가능합니다. 본 강의는 파이썬 코드를 전혀 사용하지 않으며, 모든 파이프라인을 자바스크립트와 타입스크립트로 구축합니다. JS 생태계에서도 강력한 AI 애플리케이션 개발이 가능함을 보여드립니다.

Q. 선수 지식이 필요한가요?

자바스크립트(ES6+) 및 타입스크립트 기초 문법에 대한 이해가 필요합니다. React/Next.js 경험이 있다면 후반부 배포 실습이 더 수월하지만, 필수 조건은 아닙니다.

Q. 실습 비용(오픈AI API)은 얼마나 드나요?

실습에는 오픈AI API Key가 필요하며 유료입니다. 하지만 학습 목적으로 사용하는 텍스트 모델(gpt-3.5/4o-mini)과 임베딩 모델은 비용이 매우 저렴하여, 전체 실습을 마치는 데 커피 한 잔 값 정도면 충분합니다.

Q. 라마인덱스는 랭체인과 무엇이 다른가요?

라마인덱스는 특히 '데이터 연결 및 인덱싱(Data Ingestion & Indexing)'에 특화된 프레임워크입니다. RAG 시스템 구축 시 데이터 처리와 검색 성능 최적화에 있어 탁월한 성능과 개발 편의성을 제공합니다.