[ Azure OpenAI #17 ] Azure AI Foundry로 Agent 만들기: 설계, 구축, 테스트, 보안
지난 글에서는 AI Agent가 내부적으로 어떻게 작동하는지 살펴봤습니다. Agent는 목표를 받으면 Thought, Action, Observation을 반복하고, Tool과 Memory를 활용해 실제 업무를 처리하는 구조였습니다.이번 글에서는 그 Agent를 실제로 만들고 운영하는 플랫폼인 Azure AI Foundry를 중심으로 정리하겠습니다. 여기서는 Agent의 개념 자체를 다시 깊게 설명하기보다, Agent를 만들기 전에 무엇을 설계해야 하는지, Tool과 Knowledge를 어떻게 연결하는지, 테스트와 모니터링은 어떻게 보는지, 운영 환경에서는 어떤 보안 위험을 조심해야 하는지에 집중합니다.이번 글의 핵심 질문Azure AI Foundry를 사용하면 Agent를 더 쉽게 만들 수 있습니다. ..
2026. 6. 18.
[ Azure OpenAI #16 ] AI Agent 작동 원리: Thought, Action, Observation, Tool, Memory
지난 글에서는 AI Agent가 챗봇과 무엇이 다른지 살펴봤습니다. 챗봇이 주로 대화와 정보 제공에 집중한다면, AI Agent는 주어진 목표를 달성하기 위해 생각하고, 판단하고, 행동하는 시스템이라고 정리했습니다.이번 글에서는 그다음 질문으로 들어가 보겠습니다. AI Agent는 실제로 어떻게 일할까요? 단순히 “똑똑한 AI가 알아서 한다”라고 말하면 너무 막연합니다. Agent가 목표를 처리하는 내부 흐름을 이해하려면 Thought, Action, Observation이라는 세 단어를 먼저 잡아야 합니다.이번 글의 핵심 질문AI Agent는 목표를 받았을 때 어떤 순서로 생각하고, 어떤 도구를 사용하며, 실행 결과를 어떻게 다시 판단에 반영할까요?목차Agent는 어떻게 일하는가?Thought 단계Ac..
2026. 6. 18.
[ Azure OpenAI #14] Azure OpenAI로 RAG 구현하기: Blob Storage, Index, SDK, CSV 실습, 콘텐츠 안전
앞선 글에서는 RAG의 개념, 문서 처리 흐름, Azure AI Search의 검색 방식을 살펴봤습니다. 이제는 실제 Azure Portal과 SDK를 사용해 RAG를 구성하는 실습 흐름으로 넘어가겠습니다.이번 글은 개념 설명보다 실습 순서가 중요합니다. Azure OpenAI 모델을 준비하고, Blob Storage에 문서를 저장하고, Azure AI Search 인덱스를 만들고, Playground와 SDK에서 RAG를 테스트한 뒤, 벡터 검색과 CSV 데이터, 콘텐츠 안전까지 이어지는 흐름을 하나씩 정리하겠습니다.이번 글의 핵심이번 실습은 “RAG가 무엇인가?”를 다시 설명하는 글이 아니라, Azure에서 RAG를 실제로 구성할 때 어떤 리소스를 만들고, 어떤 순서로 연결하며, 어디서 자주 막히는지..
2026. 6. 18.
[ Azure OpenAI #13] Azure AI Search와 벡터 검색: Keyword, Semantic, Vector, Hybrid Search 비교
지난 글에서는 RAG가 어떤 순서로 동작하는지 살펴봤습니다. 문서를 잘게 나누고, 임베딩하고, Vector Store에 저장한 뒤, 사용자의 질문과 가까운 문서 조각을 찾아 LLM에게 전달하는 흐름이었습니다. 이번 글에서는 그중에서도 검색에 집중해 보겠습니다. RAG에서 검색은 단순히 “문서를 찾아오는 기능”이 아닙니다. 어떤 문서를 찾아오느냐에 따라 LLM의 답변 품질이 거의 결정됩니다.이번 글의 핵심 질문RAG에서 Azure AI Search는 왜 필요하고, Keyword Search, Semantic Ranker, Vector Search, Hybrid Search는 각각 어떤 역할을 할까요? 1. Azure AI Search란?Azure AI Search는 Microsoft Azure에서 제공하는..
2026. 6. 18.
[ Azure OpenAI #12 ] RAG 동작 원리 완전 정리: Chunking, Embedding, Vector Store, Retrieval, Generation
지난 글에서는 RAG가 왜 필요한지 살펴봤습니다.핵심은 간단했습니다.LLM은 말을 잘 생성하지만, 최신 정보나 회사 내부 문서를 자동으로 알고 있는 것은 아닙니다.그래서 답변하기 전에 관련 자료를 먼저 찾아보고, 그 자료를 근거로 답하게 만드는 구조가 필요합니다. 이번 글에서는 그 구조가 실제로 어떻게 동작하는지 살펴보겠습니다.문서를 어떻게 준비하고,왜 잘게 나누고,임베딩은 어디에 쓰이며,Vector Store는 무엇을 저장하고,사용자의 질문이 들어왔을 때 어떤 방식으로 답변이 만들어지는지 순서대로 정리하겠습니다.이번 글의 핵심 질문RAG는 단순히 “문서를 검색해서 GPT에게 넣는 것”이 아닙니다. 긴 문서를 검색하기 좋은 형태로 나누고, 의미 기반으로 찾을 수 있게 변환한 뒤, 질문과 관련 있는 조각만..
2026. 6. 18.
