본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스
성인 교육 서비스 기업, 패스트캠퍼스는 개인과 조직의 실질적인 '업(業)'의 성장을 돕고자 모든 종류의 교육 콘텐츠 서비스를 제공하는 대한민국 No. 1 교육 서비스 회사입니다.
fastcampus.co.kr
45회 강의 - LangChain & Prompt Engineering 활용 : '좋아요' 기록, 키워드 - 개인화 된 이성 추천
LangChain & Prompt Engineering 활용 : '좋아요' 기록, 키워드 - 개인화 된 이성 추천
사용자의 ‘관심 키워드’와 ‘좋아요 기록’을 함께 반영하여 보다 정교하고 개인화된 추천을 구현하는 경험이었습니다. 특히 LangChain과 Prompt Engineering 기법을 활용하여 사용자의 입력을 단순 처리하는 것을 넘어, 의미 기반의 검색과 결과 통합 방식까지 이어진 점이 매우 실용적이었습니다. 코드 구성은 Streamlit을 기반으로 한 직관적인 인터페이스로 되어 있었고, 사용자는 관심 키워드와 선호하는 사람의 유형을 자연어로 입력하면 시스템이 이를 바탕으로 유사한 프로필을 추출해주는 구조였습니다. 내부적으로는 FAISS 벡터 검색기가 사전에 구축된 인덱스를 통해 관련성 있는 문장을 찾아내고, 이를 시각적으로 즉시 출력해줍니다. 이 과정에서 사용자 경험(UX)이 고려된 구조가 눈에 띄었고, 기술적 복잡성을 UI에서 잘 숨겨주어 비전문가도 활용할 수 있겠다는 생각이 들었습니다.
get_profile_by_some_list() 함수처럼 키워드를 나열형으로 받아서 각각을 검색 기준으로 활용한 점입니다. 이 방식은 단순한 하나의 조건 검색이 아니라 다수의 관심사를 융합해 추천에 반영할 수 있다는 장점이 있습니다. 또한 중복 결과를 집합(set) 기반으로 제거하고 다시 정렬해 출력하는 방식 역시 실제 서비스에서 효율성과 품질을 동시에 고려한 설계로 느껴졌습니다.
LangChain을 활용한 Prompt 설계는 모델이 문맥을 더 잘 이해하고 연관 있는 결과를 제공하도록 도왔습니다. 예를 들어 “자연을 사랑하는 사람”이라는 추상적인 표현도 실제 추천에 효과적으로 반영되었고, 이는 단순 키워드 매칭 이상의 결과를 보여주었습니다. 이는 챗봇이 아니라 ‘지능형 매칭 시스템’의 한 형태로 응용될 수 있는 가능성을 엿보게 했습니다.
이번 실습을 통해 단순 기술 구현을 넘어서 사용자의 입력을 어떻게 자연스럽고 의미 있게 해석할 수 있는지, 그리고 이를 시스템에 어떻게 반영해야 실제적인 추천 결과로 이어지는지를 체계적으로 배울 수 있었습니다.
