LLM의 한계를 극복하는 핵심 기술, RAG(Retrieval-Augmented Generation)를 기초 이론부터 프로덕션 시스템 구축까지 체계적으로 학습하는 종합 튜토리얼입니다. 이런 분들을 위해 만들었습니다: - RAG 시스템의 동작 원리를 기초부터 이해하고 싶은 분 - LangChain, LlamaIndex로 실전 RAG 파이프라인을 구축하고 싶은 개발자 - 벡터 데이터베이스, 하이브리드 검색, 리랭킹 등 검색 최적화를 깊이 있게 파악하고 싶은 분 - 에이전틱 RAG, RAGAS 평가, 프로덕션 배포까지 실무 역량을 키우고 싶은 분 20챕터 97섹션으로 구성된 체계적인 커리큘럼: Part 1 - RAG 이론 기초 (Ch1~Ch2) LLM의 한계와 RAG의 필요성, RAG 원본 논문 분석, Naive/Advanced/Modular RAG 아키텍처 Part 2 - 데이터 파이프라인 (Ch3~Ch5) 문서 로딩(PDF, 웹, API), 텍스트 청킹 전략(고정/재귀/시멘틱), 임베딩 모델(OpenAI, Sentence Transformers) Part 3 - 벡터 데이터베이스 (Ch6~Ch7) ChromaDB 기초부터 FAISS, Pinecone, Qdrant 비교, 벡터 DB 선택 가이드 Part 4 - RAG 파이프라인 구축 (Ch8~Ch9) LangChain LCEL로 첫 RAG 앱, LlamaIndex QueryEngine과 ChatEngine, 프레임워크 비교 Part 5 - 검색 최적화 (Ch10~Ch12) 유사도 검색 심화, MMR, 메타데이터 필터링, BM25 하이브리드 검색, Cohere Rerank 리랭킹 Part 6 - 고급 RAG 기법 (Ch13~Ch16) Multi-Query, HyDE, Step-Back Prompting, RAPTOR 트리 인덱싱, Anthropic Contextual RAG, LangGraph 에이전틱 RAG(Corrective RAG, Self-RAG) Part 7 - 평가와 프로덕션 (Ch17~Ch20) RAGAS 프레임워크 평가, RAG 디버깅과 최적화, 멀티모달 RAG, FastAPI 배포와 모니터링 주요 기능: - 오프라인 학습 지원 — 네트워크 없이도 모든 콘텐츠 열람 - iCloud 동기화 — 즐겨찾기, 읽기 진행률 디바이스 간 동기화 - 구문 강조 코드 블록 — Python 코드를 한눈에 파악 - Mermaid 다이어그램 — 아키텍처와 흐름을 시각적으로 이해 - 다크 모드 완벽 지원 Forge Series는 개발자를 위한 체계적인 학습 앱 시리즈입니다. 각 주제의 핵심 개념부터 실전 프로젝트까지, 현업에서 바로 활용할 수 있는 실용적 커리큘럼을 제공합니다.