RAG 앱 개발 실전: LlamaIndex로 만드는 LLM 서비스

Gen AI - RAG Application Development using LlamaIndex

강사

마나스 다스굽타

강의

21강

시간

7h 38m

수강기간

6개월

레벨

중급

정가

94,000원

판매가

18,800원

총 결제 금액

80%

18,800원

평생교육이용권 사용안내

이 강의는 평생교육바우처로 결제할 수 있습니다.

강의 소개

강사

커리큘럼

수강 후기

LlamaIndex로 완성하는 차세대 RAG: 기초부터 복합 에이전트 구축까지 한 번에

RAG 앱 개발 실전:
LlamaIndex로 만드는 LLM 서비스
RAG · Query Pipeline · 에이전트 · Streamlit UI까지 실전 구축

단순히 챗지피티와 대화하는 것을 넘어, 데이터를 이해하고 답변하는 AI 애플리케이션을 직접 만듭니다.
LlamaIndex로 PDF/DB/데이터프레임을 연결하는 RAG를 구축하고, Query Pipeline과 에이전트 로 확장 가능한 구조까지 학습합니다.
마지막에는 Streamlit UI를 적용해 실제 서비스 형태의 미니 앱으로 완성합니다.

강의 개요

이 과정은 LlamaIndex를 중심으로 RAG(검색 증강 생성) 애플리케이션을 설계·구현하는 실전형 커리큘럼입니다.
LLM/임베딩/벡터 검색의 핵심 개념을 이해한 뒤, 프롬프트 템플릿과 대화형 프롬프트를 구성하고, Query Pipeline(Sequential/DAG/DataFrame)으로 복잡한 질의 흐름을 구조화합니다.
이후 ReAct기반 에이전트와 “동적으로 도구를 구성하는 문서 에이전트”를 구현하며, Streamlit UI로 결과물을 앱 형태로 마무리합니다.

이 강의의 특장점

1️⃣“RAG → 파이프라인 → 에이전트”까지 한 흐름으로

단순 Q&A 구현에서 끝나지 않고, Query Pipeline으로 질의 로직을 구조화한 뒤 에이전트로 확장 가능한 설계를 완성합니다.

2️⃣ PDF/DB/데이터프레임까지 “현업형 데이터 소스” 대응

문서(PDF)뿐 아니라 SQL, 테이블/CSV 성격의 데이터프레임까지 연결하며, 데이터 유형별 설계 포인트를 함께 익힙니다.

3️⃣ 품질 점검(Evaluation) 관점까지 포함

“잘 돌아간다”를 넘어, 응답 품질을 어떻게 확인하고 개선할지(평가/체크포인트)를 실무 관점으로 정리합니다.

4️⃣ Streamlit UI로 “서비스 형태”까지 완성

노트북 데모에서 끝나지 않고, Streamlit UI를 적용해 사용자가 실제로 쓰는 미니 앱 형태로 결과물을 완성합니다.

이런 분들께 추천합니다

사내 문서/데이터로 RAG 서비스를 만들고 싶은 분

PDF/DB/테이블 데이터를 연결해 “내 조직 데이터” 기반 Q&A/분석형 앱을 만들고 싶은 실무자

LLM 앱을 “구조적으로” 설계하고 싶은 개발자

RAG를 넘어 Query Pipeline/DAG로 로직을 구조화하고 에이전트로 확장하는 설계를 익히고 싶은 분

PoC를 빠르게 만들고 MVP로 연결하고 싶은 팀

템플릿 기반 실습과 Streamlit UI로 데모를 빠르게 완성하고, 내부 공유/검증까지 이어가려는 분

RAG/에이전트 포트폴리오를 만들고 싶은 분

문서 Q&A RAG, Agent, 파이프라인 템플릿, UI 앱까지 “설계 + 구현 결과물”을 묶어 포트폴리오로 정리하고 싶은 분

이 강의를 통해 얻을 수 있는 것

PDF/DB/테이블 데이터를 연결하는 RAG 애플리케이션 설계 및 구현 역량
프롬프트 템플릿 구성/포맷팅 및 대화형 프롬프트 설계(Conversational Prompts) 실전 적용
응답 품질을 점검하는 평가 기반 품질 관리 관점 이해
ChromaDB 및 SQL 연동 기반의 검색/질의 흐름 구성
Query Pipeline(Sequential/DAG/DataFrame)로 복잡한 질의 로직을 구조화하는 방법
ReAct 기반 계산(Calculator) 에이전트, 동적 도구 기반 문서 에이전트, Streamlit UI Code Checker 등 미니 프로젝트 완성

기술 스택

🧩 프레임워크: LlamaIndex — RAG/파이프라인/에이전트 구현 핵심 프레임워크

🐍 언어: Python — 실습 및 앱 구현

🧠 Vector DB: ChromaDB — 벡터 저장 및 검색 기반 구성

🗄️ 데이터베이스: SQL — 자연어 질의 흐름과 데이터 추출 연결

🖥️ UI: Streamlit — Code Checker 등 미니 앱 형태로 결과물 구현

강의 커리큘럼 하이라이트 (6파트)

Part 1. LLM & LlamaIndex 기초 + 첫 RAG 앱

• LLM/임베딩 개념과 RAG 필요성 이해
• 개발 환경 구성 및 첫 LlamaIndex 프로그램 작성
• PDF 기반 질의응답형 RAG 앱 구성(문서 로드 → 인덱싱 → 질의응답)

결과물: 문서 기반 Q&A RAG 미니 앱(노트북/스크립트)

Part 2. 프롬프트 엔지니어링 심화

• 프롬프트 템플릿 설계 및 포맷팅/변수 매핑
• 대화형 프롬프트(Conversational Prompts) 설계 관점 이해
• 응답 품질을 점검하기 위한 평가(Evaluation) 관점 및 체크포인트

결과물: 템플릿 기반 프롬프트 설계/평가 노트

Part 3. 임베딩 & 벡터 스토어(ChromaDB)

• 임베딩(Embedding)과 유사도 검색(Semantic Search) 흐름 이해
• ChromaDB 기반 벡터 저장/검색 구성
• 검색 품질을 높이기 위한 인덱싱/질의 설계 관점

결과물: ChromaDB 기반 검색형 RAG 구성 템플릿

Part 4. Query Pipeline & SQL/DataFrame 파이프라인

• Sequential / DAG / DataFrame 파이프라인 구성으로 복잡한 질의 흐름 처리
• SQL 연동 기반 데이터 추출 및 응답 구성(자연어 질의 → DB 질의 흐름 이해)
• 데이터프레임 기반 분석 파이프라인 설계(테이블/CSV 성격의 데이터 활용)

결과물: 파이프라인 기반 질의 처리 템플릿(Sequential/DAG/DataFrame)

Part 5. Agents & Tools (ReAct + 동적 도구)

• 에이전트 개념: “판단 → 도구 선택 → 실행 → 결과 통합” 흐름
• 실습: ReAct 기반 계산 에이전트 구현
• 실습: 동적으로 도구를 구성하는 문서 에이전트 설계/구현

결과물: 계산 에이전트 + 문서 에이전트 미니 프로젝트

Part 6. UI 구축 & 실전 미니 앱 완성

• Streamlit으로 웹 UI 구성(입력/결과/상태 처리)
• 실습: Code Checker 웹 앱 구현(UI 포함)
• 재사용 가능한 모듈화/구조화 관점으로 정리

결과물: Streamlit 기반 Code Checker 미니 웹 앱

주요 실습 프로젝트

📄 전문 문서 Q&A RAG
PDF 문서를 인덱싱하고 질문에 답하는 검색 증강 생성(RAG) 앱을 구현합니다.

🧮 계산 에이전트
자연어 입력을 기반으로 에이전트가 도구를 선택해 계산을 수행하는 흐름을 구현합니다.

🧰 문서 에이전트
문서/질문 특성에 맞춰 도구를 동적으로 구성하고, 최적의 경로로 답을 만드는 에이전트를 개발합니다.

🖥️ Code Checker 웹 앱
사용자가 입력한 코드를 점검하고 피드백을 제공하는 UI 애플리케이션을 완성합니다.

수강 전 확인 사항

사전 지식: 파이썬 기본 문법(변수/함수/라이브러리 설치)에 대한 이해
권장: 머신러닝/LLM/NLP 개념에 대한 친숙함이 있으면 도움이 되지만 필수는 아닙니다
준비물: 파이썬개발 가능한 PC/노트북, 실습에 필요한 API 키/환경 설정(강의에서 안내)

자주 묻는 질문 (FAQ)

Q. RAG를 처음 접하는데도 수강할 수 있나요?
A. 가능합니다. LLM/임베딩/RAG의 핵심 개념부터 시작해, “문서 로드 → 인덱싱 → 질의응답” 흐름을 단계적으로 구현합니다.

Q. 파이썬을 얼마나 알아야 하나요?
A. 변수/함수 사용, 패키지 설치(pip/conda), 파일 실행 정도의 기본 역량이면 충분합니다. 실습은 템플릿과 함께 진행됩니다.

Q. 배포까지 포함되나요?
A. 이 과정은 Streamlit UI로 “작동하는 앱” 형태까지 완성하는 데 집중합니다. 이후 운영 환경 배포는 프로젝트 성격에 맞춰 확장할 수 있도록 구조화 관점을 함께 제공합니다.

지금 바로 RAG부터 에이전트 까지, LlamaIndex 기반 LLM 애플리케이션을 “구조적으로” 설계하고 “실제로” 완성해보세요.

강사

마나스 다스굽타

마나스 다스굽타(Manas Dasgupta)는 인도 벵갈루루(Bangalore)를 기반으로 활동하는 AI 전문가로, 영국 리버풀 존 무어스 대학교(Liverpool John Moores University)에서 AI 석사(MSc) 학위를 취득했습니다.

20년 이상 IT 업계에서 경력을 쌓았으며, 특히 금융 서비스 분야에서 풍부한 경험을 보유하고 있습니다. 주요 전문 분야는 생성형 AI(Generative AI), 머신러닝(Machine Learning), 데이터 사이언스(Data Science)이며, LangChain과 LlamaIndex를 활용한 RAG 기반 애플리케이션 개발에 강점을 갖고 있습니다. 또한 지도 학습과 비지도 학습 기법을 실제 프로젝트에 적용해 온 경험도 폭넓습니다.

마나스는 Teksands의 창립자로, 그의 팀은 인재 관리 영역에서 활용되는 최첨단 생성형 AI 솔루션을 개발하고 있습니다. 또한 유데미, 코세라(Coursera) 등 글로벌 교육 플랫폼에 다수의 강의를 출간했으며, 이를 통해 전 세계 수천 명의 학습자를 교육해 왔습니다.

커리큘럼

1-1차시 강의 소개