AI Prompt Engineering · 강의

LLM용 맞춤 도구와 플러그인

LLM이 핵심 지식을 넘어 기능을 확장하는 데 활용할 수 있는 맞춤 도구를 개발하고 통합합니다.

LLM용 맞춤 도구와 플러그인은(는) CoddyKit의 무료 AI Prompt Engineering 강의입니다. 이것은 3개 중 3번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 AI Prompt Engineering 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. AI Prompt Engineering 강의에는 총 3개의 강의가 포함되어 있습니다.

사용자 지정 도구란 무엇인가요?

'도구 사용 및 에이전트를 활용한 고급 프롬프팅' 과정의 마지막 수업에 오신 것을 환영합니다! 오늘은 대규모 언어 모델(LLM)을 위한 사용자 지정 도구와 플러그인을 자세히 살펴보겠습니다.

사용자 지정 도구를 사용하면 LLM이 학습 데이터를 넘어 실제 세계 또는 특정 시스템과 상호작용할 수 있습니다. LLM에게 가르치는 특별한 기술이라고 생각해 보세요.

기능 확장: 새로운 함수를 추가합니다.
실시간 데이터 액세스: 최신 정보를 가져옵니다.
작업 수행: 외부 시스템을 변경합니다.

사용자 지정 기능과 기본 제공 기능 비교

기본 함수 호출과 API 통합에 대해 학습하셨습니다. 사용자 지정 도구를 사용하면 여기서 한 단계 더 나아갈 수 있습니다.

LLM은 본래 '텍스트 요약' 방법을 알고 있을 수 있지만, 도구를 제공하지 않으면 '런던의 날씨 확인' 방법은 알지 못합니다. 사용자 지정 도구는 이러한 차이를 메워 LLM에 핵심 지식 기반에 포함되지 않은 구체적인 외부 기능을 제공합니다.

사용자 지정 도구의 구조

모든 사용자 지정 도구에는 LLM이 언제 어떻게 사용해야 하는지 알 수 있도록 명확한 정의가 필요합니다. 주요 구성 요소는 다음과 같습니다.

이름: 고유한 식별자입니다(예: get_current_time).
설명: 도구의 기능과 사용 시점을 설명합니다. 이는 LLM의 의사 결정에 매우 중요합니다.
매개변수: 도구가 작동하는 데 필요한 입력입니다(예: 시간 도구의 경우 timezone).
예상 출력: 도구가 반환하는 정보의 종류입니다.

스키마로 도구 설명하기

LLM에게 사용자 지정 도구를 '가르치기' 위해 도구의 정의를 구조화된 형식으로 제공합니다. 대개 JSON 스키마를 사용합니다. 이 스키마는 LLM이 도구를 올바르게 호출하는 데 필요한 모든 정보를 알려 줍니다.

다음은 get_current_time 도구를 설명하는 간단한 예입니다.

{
  "name": "get_current_time",
  "description": "Gets the current time in a specified timezone.",
  "parameters": {
    "type": "object",
    "properties": {
      "timezone": {
        "type": "string",
        "description": "The timezone to get the time for (e.g., UTC, America/New_York)."
      }
    },
    "required": []
  }
}

간단한 도구 만들기: 시간 가져오기

실용적인 예로 get_current_time이라는 도구를 만들어 보겠습니다. 이 도구는 선택한 시간대의 현재 시간을 반환합니다.

LLM은 스키마에 포함된 설명을 이해하지만, 설명된 작업을 수행하는 실제 코드를 작성하는 일은 저희의 책임입니다. LLM이 도구를 호출하기로 결정하면 이 코드는 외부에서 실행됩니다.

도구 구현 예시

이 Python 코드 조각은 get_current_time 도구가 내부적으로 어떻게 구현되는지 보여 줍니다. LLM이 도구를 호출하면 이 함수 또는 선택한 언어로 작성한 유사한 로직이 실행되고 결과를 가져옵니다.

실행하여 출력을 확인해 보세요!

import datetime

def get_current_time(timezone="UTC"):
    """
    Returns the current time in the specified timezone.
    """
    # For simplicity, we'll return UTC time and note timezone
    now = datetime.datetime.now(datetime.timezone.utc)
    return f"Current time in {timezone}: {now.strftime('%Y-%m-%d %H:%M:%S')} (UTC basis)"

# This is the entry point that would be called by the LLM's integration layer
if __name__ == "__main__":
    print(get_current_time())
    print(get_current_time(timezone="America/New_York"))

LLM의 도구 호출 흐름

LLM은 일반적으로 다음과 같은 방식으로 사용자 지정 도구를 사용합니다.

사용자 프롬프트: LLM에 질문을 합니다(예: "뉴욕은 지금 몇 시인가요?").
LLM의 판단: LLM이 프롬프트와 사용 가능한 도구 설명을 분석합니다.
도구 호출: 관련 도구가 있으면 LLM이 도구 호출을 생성합니다(예: get_current_time(timezone="America/New_York")).
실행: 시스템이 실제 도구 코드를 실행합니다.
결과: 도구의 출력이 LLM으로 반환됩니다.
LLM의 응답: LLM이 도구의 출력을 사용하여 최종 답변을 구성합니다.

사용자 지정 도구를 활용한 프롬프팅

사용자 지정 도구에 접근할 수 있는 LLM에 프롬프트를 작성할 때는 도구를 사용하라고 명시적으로 지시할 필요가 없습니다. 도구가 필요하다는 것을 나타내는 질문을 하면 됩니다.

LLM이 도구의 설명을 이해하는 능력이 핵심입니다. 좋은 설명은 LLM이 적절한 시점에 올바른 도구를 선택하도록 도와줍니다.

프롬프트: "What is the current time right now?"
LLM의 작업: get_current_time() 호출
도구 출력: "Current time in UTC: 2023-10-27 10:30:00 (UTC basis)"
LLM의 응답: "The current time is 10:30 AM UTC."

사용자 지정 도구의 이점

사용자 지정 도구는 LLM에 강력한 기능을 제공합니다.

분야 특화: 일반 학습을 넘어서는 지식을 LLM에 제공합니다.
실시간 상호작용: 최신 정보에 액세스합니다(예: 주가, 날씨).
실행 가능한 인공지능: LLM이 작업을 수행할 수 있게 합니다(예: 이메일 보내기, 약속 예약하기).
정확도 향상: 사실에 기반한 도구 출력에 의존하여 환각 현상을 줄입니다.
모듈성: LLM 로직을 외부 시스템과의 상호작용에서 분리합니다.

빠른 확인: 사용자 지정 도구

다음 중 LLM을 위한 사용자 지정 도구 정의에 필수적인 구성 요소는 무엇인가요?

복습: LLM 기능 확장

이번 수업에서는 LLM의 기능을 확장하는 강력한 방법인 사용자 지정 도구와 플러그인을 살펴보았습니다.

사용자 지정 도구를 사용하면 LLM이 외부 시스템 및 데이터와 상호작용할 수 있습니다.
대개 JSON 스키마를 사용하여 이름, 설명, 매개변수를 포함한 명확한 정의가 필요합니다.
LLM이 도구를 호출할 때 실행되는 실제 로직을 구현해야 합니다.
사용자 지정 도구를 사용하면 LLM이 분야별 지식을 얻고 실시간 데이터에 액세스하며 작업을 수행할 수 있어 단순한 텍스트 생성을 넘어설 수 있습니다.

사용자 지정 도구를 능숙하게 활용하면 진정으로 지능적이고 상호작용하는 인공지능 애플리케이션을 만들 수 있습니다!

자주 묻는 질문

“LLM용 맞춤 도구와 플러그인” 강의는 무료인가요?

네 — “LLM용 맞춤 도구와 플러그인” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 AI Prompt Engineering 강의 전체를 잠금 해제할 수 있습니다. AI Prompt Engineering 강의에는 총 3개의 강의가 포함되어 있습니다.

“LLM용 맞춤 도구와 플러그인”에서 뭘 배우나요?

LLM이 핵심 지식을 넘어 기능을 확장하는 데 활용할 수 있는 맞춤 도구를 개발하고 통합합니다. 브라우저에서 직접 실행하는 실습 코드로 AI Prompt Engineering을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

AI Prompt Engineering을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 AI Prompt Engineering은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 3개 중 3번째 강의입니다.

“LLM용 맞춤 도구와 플러그인” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 AI Prompt Engineering 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 AI Prompt Engineering 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← AI Prompt Engineering(으)로 돌아가기