선을 넘는 개발 로그

개발 중 LLM 비용 0원 만들기: Ollama 실전 가이드

상용 LLM API를 개발 중에 무제한으로 호출하면 어떻게 될까요. 프로토타입 하나를 만들다 보면 반복 테스트와 CI 파이프라인 통합이 쌓이면서 청구서가 예상보다 빠르게 불어납니다. Ollama는 이 문제에 대한 실용적인 답입니다. macOS·Linux·Windows 어디서나 단일 바이너리 설치로 Llama 3, Mistral, Qwen 같은 오픈 가중치 모델을 로컬에서 서빙하고, OpenAI와 동일한 API 형식으로 노출합니다. 개발할 때는 비용 없는 로컬 모델, 프로덕션에서는 상용 API, 이 전환을 환경 변수 하나로 처리하는 것이 핵심입니다.비용과 보안, 두 문제를 한 번에LLM 기반 애플리케이션 개발에서 API 비용은 생각보다 빨리 문제가 됩니다.예시 1. GPT-4o 기준 입력 토큰 $2.50/..

LLM 응답을 실시간으로 흘려보내는 법 — SSE 스트리밍 실전 가이드

LLM 스트리밍이 필요한 이유GPT-4나 Claude 같은 모델은 500 토큰 분량의 응답을 생성하는 데 보통 5~10초가 걸린다. 동기적 API 방식에서는 이 시간 동안 사용자가 빈 화면을 바라봐야 한다. SSE(Server-Sent Events) 스트리밍을 적용하면 첫 번째 토큰이 300ms 안에 화면에 나타나기 시작하고, 이후 텍스트가 흘러내리는 경험을 제공한다. 체감 응답 속도가 수십 배 빨라지는 셈이다.타임아웃 문제도 현실적인 이유다. AWS Application Load Balancer의 기본 유휴 연결 타임아웃은 60초다. 긴 문서 요약이나 복잡한 코드 생성처럼 응답이 60초를 넘을 수 있는 작업에서 동기 방식을 쓰면 응답이 완성되기 전에 연결이 강제로 끊긴다. 스트리밍 방식에서는 데이터가 ..

프롬프트도 배포가 필요하다: PromptOps 실전 가이드

LLM 기반 서비스를 운영하다 보면 코드보다 프롬프트를 더 자주 손댑니다. 새로운 엣지 케이스가 생길 때마다, 모델이 업그레이드될 때마다, 요구사항이 바뀔 때마다 프롬프트는 조금씩 달라집니다. 문제는 이 변경 이력이 누군가의 메모나 Notion 페이지에만 남는다는 것입니다. 어떤 버전이 지금 프로덕션에서 돌고 있는지, 왜 그렇게 됐는지 추적할 방법이 없다면 서비스 품질 관리는 사실상 불가능합니다. PromptOps는 이 혼란에 체계를 부여하는 방법론입니다.프롬프트를 아티팩트로 취급하라PromptOps의 출발점은 단순합니다. 프롬프트를 소스 코드나 컨테이너 이미지처럼 버전이 붙은 관리 대상으로 다루는 것입니다. 컨테이너에 :v2.3.0 태그가 있듯, 프롬프트에도 식별 가능한 버전 번호가 있어야 합니다. 그..

LLM 기반 서비스가 고객 응대, 문서 요약, 코드 생성 같은 핵심 업무에 쓰이기 시작하면서, 자연어 인터페이스 자체가 공격의 진입점이 되고 있습니다. 기존 보안은 SQL 인젝션이나 XSS처럼 특정 문법 구조를 겨냥했습니다. LLM 공격은 그 반대입니다. 모델이 "의미를 이해한다"는 특성을 역이용해, 올바른 자연어만으로 시스템 지시를 무력화하거나 민감한 정보를 빼냅니다.LLM 공격이 기존 보안과 다른 이유LLM 애플리케이션에서는 시스템 프롬프트, 사용자 메시지, RAG로 주입된 외부 문서, 도구 응답이 모두 단일 컨텍스트 창 안에 섞입니다. 모델은 이것들을 구조적으로 구분하지 않고 의미 기반으로 처리합니다. 신뢰도 높은 시스템 프롬프트와 신뢰도 낮은 사용자 입력이 같은 공간에서 충돌할 때 예측하기 어려운..

Qdrant 프로덕션 운영: 설계 실수와 성능 진단벡터 데이터베이스를 개발 환경에서 돌리는 것과 실제 서비스에 붙이는 것은 전혀 다른 이야기다. Qdrant는 기본 설정만으로도 작동하지만, 수백만 개 이상의 벡터가 쌓이고 트래픽이 올라오면 초기 컬렉션 설계 결정 하나가 수 시간짜리 재색인 작업으로 돌아온다.운영 환경에서 가장 먼저 마주치는 함정은 컬렉션 재생성 비용을 과소평가하는 것이다. 차원(dimension)이나 거리 메트릭(distance metric)을 잘못 설정하면 데이터를 전부 버리고 처음부터 다시 색인해야 한다. 이 두 파라미터는 생성 후 변경이 불가능하기 때문에, 전체 데이터의 1% 샘플로 먼저 설정을 검증한 뒤 전체를 적재하는 습관이 필수다.예시 1. 5백만 개 문서를 OpenAI tex..

LLM 에이전트를 운영하다 보면 이상한 경험을 한다. 분명 같은 모델인데, 어제는 잘 작동하던 에이전트가 오늘은 엉뚱한 도구를 호출하거나 이미 완료된 작업을 반복한다. 모델 탓을 하고 싶지만, 정작 원인을 추적하면 모델이 아니라 컨텍스트가 문제였다는 결론에 이르는 경우가 많다.Context Engineering은 LLM이 올바른 작업을 수행하도록 컨텍스트 윈도우 안에 담길 정보를 의도적으로 설계하는 실천이다. 단순히 프롬프트를 다듬는 것을 넘어, 무엇을 넣고, 어떻게 구조화하고, 언제 갱신할지를 체계적으로 결정하는 공학 영역이다.컨텍스트가 에이전트 성능을 결정한다에이전트가 도구를 호출하고 여러 단계에 걸쳐 추론하는 복잡한 워크플로우가 보편화되면서, 단일 프롬프트 최적화의 한계가 드러났다. 에이전트 루프가..

문서를 쪼개는 방식 하나가 RAG 시스템 전체 품질을 결정한다는 말이 과장처럼 들릴 수 있다. 하지만 벡터 검색의 작동 원리를 들여다보면 이 말은 꽤 정확하다. 아무리 뛰어난 임베딩 모델을 써도, 청크 하나가 "하나의 의미 단위"를 온전히 담지 못하면 쿼리 벡터와의 유사도 계산이 처음부터 어긋난다. 청킹은 단순한 전처리가 아니라 검색 가능성 자체를 설계하는 작업이다.청킹이 검색 품질을 결정하는 이유RAG 시스템에서 문서는 청크 단위로 임베딩되어 벡터 DB에 저장된다. 검색 시 쿼리도 같은 모델로 벡터화되고, 코사인 유사도로 가장 가까운 청크를 찾는다. "G1GC Region 분할 방식"만 담은 청크는 그 주제에 밀집된 벡터가 생성되지만, 3페이지짜리 GC 개요 문서를 통째로 하나의 청크로 만들면 "Jav..

AI 코딩 도구가 팀 프로젝트에 들어오면 예상치 못한 마찰이 생깁니다. AI가 생성한 코드는 컴파일은 되지만, 팀이 쌓아온 아키텍처 결정이나 내부 컨벤션과 맞지 않아 코드 리뷰에서 반복적으로 걸립니다. 문제는 AI가 나쁜 게 아닙니다. 프로젝트 컨텍스트를 모를 뿐입니다. 매번 채팅창에 배경 설명을 붙여넣는 방식은 비효율적이고, 팀원마다 설명이 달라 AI 행동의 일관성도 무너집니다.Cursor Rules는 이 간극을 메우는 메커니즘입니다. .cursor/rules/ 디렉토리에 .mdc 확장자 파일로 지침을 저장해두면, Cursor가 AI 요청을 처리할 때 해당 파일을 시스템 프롬프트에 자동으로 삽입합니다. 개발자가 별도로 언급하지 않아도 AI는 프로젝트의 아키텍처 원칙과 팀 컨벤션을 기반으로 코드를 생성하..

Teacher가 Student를 가르치는 데이터 공장LLM을 특정 도메인에 파인튜닝하려면 수천에서 수만 건의 레이블 데이터가 필요합니다. 의료나 법률처럼 전문가가 직접 검수해야 하는 분야에서는 데이터 한 건 만드는 데 수 분에서 수십 분이 걸립니다. 전문가 한 명이 하루에 만들 수 있는 데이터는 수백 건이 한계입니다. 이 병목을 뚫는 현실적인 방법이 합성 데이터(Synthetic Data) 전략입니다.핵심 아이디어는 단순합니다. GPT-4o나 Claude 같은 대형 Teacher 모델에게 학습 데이터를 대신 생성하게 합니다. Teacher가 만들어 낸 입력-출력 쌍을 학습 데이터로 삼아 더 작은 Student 모델을 파인튜닝하는 방식입니다. 이를 지식 증류의 데이터 버전이라 부르기도 합니다. 예를 들어 ..

클라우드 API 비용이 부담스럽거나 데이터를 외부로 보내기 어려운 상황에서 오픈소스 LLM을 직접 서빙하고 싶다면, 양자화(Quantization) 는 사실상 필수입니다. Llama 3.1 70B 모델을 FP16 그대로 올리면 VRAM 140GB가 필요하지만, INT4 양자화를 적용하면 35GB로 줄어듭니다. 이 차이 하나가 "A100 두 장 vs RTX 4090 한 장"을 가릅니다.압축의 원리: 32비트를 4비트로양자화의 수학적 핵심은 연속 실수 값을 유한한 정수 격자에 가장 가깝게 근사하는 것입니다. FP32 가중치 하나는 4바이트를 쓰지만 INT4는 0.5바이트만 씁니다. 압축률이 8배에 달합니다.핵심 수식은 다음과 같습니다.W_q = round(W / scale) + zero_point추론 시에는..