LLM
대화형 언어 모델을 사용할 때 입력은 보통 다음과 같은 메시지 목록으로 표현합니다. messages = [ {"role": "user", "content": "Who are you?"}, ] 사람에게는 이 구조가 충분히 직관적입니다. user는 사용자의 말이고, assistant는 모델의 답변이며, system은 모델이 따라야 할 상위 지시사항입니다. 하지만 모델이 실제로 처리하는 것은 이런
![[독서 노트] 질문의 격 - 유선경](https://images.unsplash.com/uploads/141155339325423394b24/03982423?crop=entropy&cs=tinysrgb&fit=max&fm=jpg&ixid=M3wxMTc3M3wwfDF8c2VhcmNofDgwfHxiaXJkfGVufDB8fHx8MTc1Nzg2Nzk2MXww&ixlib=rb-4.1.0&q=80&w=600)
Note
문장에 ‘왜’를 넣는다고, 문장 끝에 물음표를 매달아 놓는다고 다 질문이 될 수 없다. '겸손'에 달리지 않았다. 내가 처한 세상을 얼마나 정확하게 알고자 하는지에 달려 있다. 글은 필연적으로 오독의 가능성을 품고 있다. 문해력의 수준이 낮아서 오독하기도 하지만 같은 글을 두고 자기중심적으로 제각각 해석하는 경우가 매우 흔하다. 소크라테스는
LLM
LLM이 실제 작업을 수행하려면 외부 도구가 필요합니다. 모델은 텍스트를 생성할 수 있지만, 이미지를 만들거나, 파일을 처리하거나, 특정 계산을 정확히 수행하거나, 사내 API를 호출하려면 별도의 실행 환경이 있어야 합니다. MCP(Model Context Protocol)는 이런 도구와 LLM 클라이언트를 연결하기 위한 표준 프로토콜입니다. Claude Desktop, Cursor, Cline 같은 MCP 클라이언트는 MCP 서버에
LLM
전체 모델을 다시 학습하지 않고도 특정 작업에 맞게 모델을 조정할 수 있다면 어떨까요? 파라미터 효율적 미세 조정(Parameter-Efficient Fine-Tuning, PEFT)은 적은 수의 파라미터만 학습해도 전체 모델을 미세 조정(fine-tuning)하는 것과 유사한 효과를 얻을 수 있도록 돕는 방법입니다. 그중에서도 프롬프트 튜닝(prompt tuning)은 모델 본체를 그대로 고정한 채,