LLM 개발자를 위한 체계적인 학습 로드맵
youngyangyang04/llm-master
GitHubLLM 개발을 목표로 하는 개발자를 위한 종합 학습 로드맵입니다. 기초 모델 호출부터 RAG, Agent 구축, 상용 시스템 배포 및 Transformer 원리까지 전 과정을 체계적으로 다룹니다.
- 단순 개념 습득을 넘어 API 활용, 데이터 처리, 검색 증강 생성(RAG), 에이전트 설계 등 실무 엔지니어링 관점에 집중했습니다. 단계별 프로젝트와 실제 기업 면접 대비가 포함되어 있습니다.
- 방대한 LLM 자료 속에서 학습 방향성을 잃기 쉬운 개발자에게 명확한 길잡이가 됩니다. AI 백엔드나 에이전트 엔지니어링 분야로 커리어를 확장하려는 실무자에게 필수적입니다.
- 개발 기초 지식이 있는 분을 대상으로 합니다. 순수 알고리즘 연구보다는 실제 서비스 구현, 성능 최적화, 그리고 프로젝트를 통해 역량을 증명하고자 하는 응용 개발자에게 가장 유용합니다.
본 자료는 단순한 개념 모음이 아닌, 을 활용하여 호출부터 시작해 (검색 증강 생성), Agent 구축, 그리고 실제 상용 시스템 배포에 이르는 전 과정을 단계별로 체계화한 지식 체계입니다. 학습은 기초 인지 → 응용 개발 → RAG → Agent → 및 배포 → Transformer 원리 이해 순으로 진행되며, 단순히 개념을 아는 것을 넘어 설계 이유와 엔지니어링 구현 방법, 문제 해결 방안까지 다룹니다.
커리큘럼은 AI 사용법부터 시작하여 , 구조화된 출력, Function Calling 등 모델 응용 개발에 필요한 핵심 기술들을 다루고 있습니다. 특히 RAG 专题에서는 청킹, , 벡터 데이터베이스, 하이브리드 검색 등을 포함하며, Agent 분야에서는 ReAct, 도구 설계, 메모리, 상태 관리, 실패 복구 등의 내용을 학습합니다.
프로젝트의 완성은 단순히 데모를 구동하는 것으로 끝나지 않습니다. AI 비즈니스 어시스턴트 같은 프로젝트는 예외 처리, Token 통계 및 자동화 테스트가 필요하며, 생산급 AI 서비스로 발전하기 위해서는 P99, TTFT(Time To First Token), TPOT(Time Per Output Token) 등의 성능 지표와 용량 보고서 작성이 요구됩니다. 이러한 실질적인 기준을 통해 개발 역량을 증명하는 것이 중요합니다.
용어 풀이
- LLM
- 방대한 글을 학습해 문장을 이해하고 만들어 내는 AI 모델. ChatGPT, Claude, Gemini가 여기에 속해요.
- API
- 프로그램끼리 기능을 주고받는 약속된 창구. AI 모델은 보통 API로 불러 써요.
- RAG
- 답하기 전에 관련 문서를 찾아 그 내용을 근거로 답하게 하는 방법.
- 미세 조정
- 이미 학습된 모델을 특정 목적의 데이터로 조금 더 학습시키는 일.
- Prompt
- AI에게 주는 지시나 질문 글.
- 임베딩
- 글이나 이미지의 의미를 숫자 목록으로 바꾼 것. 의미가 비슷한 것을 찾을 때 써요.