사내 규정 챗봇

사내 규정 챗봇에서 직접 따라간 구현 흐름과 코드 증거를 다시 볼 수 있게 정리한 LLM 학습 기록입니다. 본문은 사내 규정 챗봇 만들기 순서로 핵심 장면을 먼저 훑고, RAG 실습 준비, 임베딩 & 벡터 저장소 생성 (Inde…, 검색기(Retriever) 설정 & 생… 같은 코드로 실제 구현을 이어서 확인할 수 있습니다. ipynb/md 원본과 12개 코드 블록, 8개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, langchain_community, langchain_text_splitters, langchain_openai입니다.

빠르게 볼 수 있는 포인트: 사내 규정 챗봇 만들기.

남겨둔 자료: ipynb/md 원본과 12개 코드 블록, 8개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, langchain_community, langchain_text_splitters, langchain_openai입니다.

주요 스택: os, langchain_community, langchain_text_splitters, langchain_openai, langchain_chroma

Snapshot

Item	Value
Track	LLM
Type	Archive Note
Source Files	`ipynb`, `md`
Code Blocks	12
Execution Cells	8
Libraries	`os`, `langchain_community`, `langchain_text_splitters`, `langchain_openai`, `langchain_chroma`, `langchain_core`, `getpass`
Source Note	`3-5 (실습)사내_규정_챗봇`

What This Note Covers

사내 규정 챗봇 만들기

RAG 실습 준비, RAG 실습 시작 - LangCha…, RAG 실습 시작 - LangCha… 같은 코드를 직접 따라가며 사내 규정 챗봇 만들기 흐름을 확인했습니다.

읽을 포인트: 세부 흐름: RAG 실습 준비, RAG 실습 시작 - LangChain 사용, RAG 실습 시작 - LangChain 사용 > 검색기(Retriever) 설정 & 생성 (Generation)

RAG 실습 준비

검색과 컨텍스트 주입 단계를 실제 코드로 묶어 보는 구간입니다.

RAG 실습 시작 - LangChain 사용

검색과 컨텍스트 주입 단계를 실제 코드로 묶어 보는 구간입니다.

RAG 실습 시작 - LangChain 사용 > 검색기(Retriever) 설정 & 생성 (Generation)

검색과 컨텍스트 주입 단계를 실제 코드로 묶어 보는 구간입니다.

Why This Matters

RAG 검색 파이프라인

왜 필요한가: LLM이 외부 지식을 안정적으로 참조하게 하려면, 생성 전에 관련 문서를 정확히 찾아오는 검색 단계가 먼저 필요합니다.
왜 이 방식을 쓰는가: 이 방식은 모델 파라미터만 믿지 않고 최신 문서나 도메인 지식을 붙일 수 있어서 실제 서비스형 QA에 적합합니다.
원리: 문서를 청크로 나누고 임베딩한 뒤, 질문과 가까운 벡터를 검색해 프롬프트에 함께 넣는 구조로 동작합니다.

임베딩과 표현 학습

왜 필요한가: 텍스트나 토큰을 그대로는 모델이 다룰 수 없기 때문에, 의미를 담은 수치 벡터 표현으로 바꾸는 단계가 필요합니다.
왜 이 방식을 쓰는가: Word2Vec, FastText, GloVe 같은 방식은 같은 단어라도 주변 문맥이나 서브워드 정보를 반영해 비교 가능한 표현 공간을 만듭니다.
원리: 자주 함께 등장하는 단어는 가까운 벡터가 되도록 학습해, 의미적으로 비슷한 표현이 공간에서도 가까워지게 합니다.

프롬프트 체인 구성

왜 필요한가: LLM 호출을 재현 가능하게 만들려면 입력 조합, 프롬프트 템플릿, 후처리 순서를 구조화할 필요가 있습니다.
왜 이 방식을 쓰는가: 체인 구조는 실험 중 프롬프트와 입력 변형을 비교하기 쉽고, 이후 RAG나 에이전트 단계로 확장하기도 좋습니다.
원리: 질문과 컨텍스트를 정해진 템플릿에 넣고, 모델 호출 결과를 다음 단계 입력으로 넘기며 처리 흐름을 구성합니다.

Implementation Flow

사내 규정 챗봇 만들기: RAG 실습 준비, RAG 실습 시작 - LangChain 사용

Code Highlights

RAG 실습 준비

RAG 실습 준비는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 실습용 가상 데이터 생성 (사내 규정 문서), 실제로는 PDF나 txt 파일이 있는 경우가 많지만, 실습 편의를 위해 즉석에서 파일을…, 파일을 저장합니다. 흐름이 주석과 함께 드러납니다.

# 실습용 가상 데이터 생성 (사내 규정 문서)
# 실제로는 PDF나 txt 파일이 있는 경우가 많지만, 실습 편의를 위해 즉석에서 파일을 만듭니다.
policy_content = """
[주식회사 랭체인 인사 규정]
제1조 (근무 시간)
1. 근무 시간은 오전 9시부터 오후 6시까지로 한다.
2. 유연 근무제를 시행하며, 코어 타임(오전 11시~오후 3시)을 준수해야 한다.

제2조 (휴가)
1. 연차 휴가는 입사 1년 후 15일이 발생한다.
2. 3년 이상 근속 시 안식월 1개월을 유급으로 제공한다.
3. 반차, 반반차 사용이 가능하며 당일 신청도 가능하다.
4. 여름 휴가는 7월~8월 중 5일을 별도로 제공한다.

제3조 (복지)
1. 도서 구입비는 월 10만원 한도 내에서 무제한 지원한다.
2. 야근 시 택시비와 식대는 법인 카드로 결제한다.
"""

# 파일을 저장합니다.
with open("company_policy.txt", "w", encoding="utf-8") as f:
    f.write(policy_content)

print("[준비 완료] 사내 규정 문서가 생성되었습니다.")

임베딩 & 벡터 저장소 생성 (Indexing)

임베딩 & 벡터 저장소 생성 (Indexing)는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 ==========================================, 임베딩 & 벡터 저장소 생성 (Indexing) 흐름이 주석과 함께 드러납니다.

# ==========================================
# 3. 임베딩 & 벡터 저장소 생성 (Indexing)
# ==========================================
print("\n 문서를 벡터로 변환하여 저장합니다...")
# OpenAI의 가성비 임베딩 모델 사용
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=OpenAIEmbeddings(model="text-embedding-3-small")
)
print("   -> Chroma DB에 저장 완료!")

검색기(Retriever) 설정 & 생성 (Generation)

검색기(Retriever) 설정 & 생성 (Generation)는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 ==========================================, 검색기(Retriever) 설정 & 생성 (Generation) 흐름이 주석과 함께 드러납니다.

# ==========================================
# 4. 검색기(Retriever) 설정 & 생성 (Generation)
# ==========================================
print("\n RAG 체인을 생성합니다...")

# 검색기 설정 (가장 유사한 문서 3개를 뽑아오도록 설정)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# LLM 모델 설정
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

실행 (Test)

실행 (Test)는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 ==========================================, 실행 (Test) 흐름이 주석과 함께 드러납니다.

# ==========================================
# 5. 실행 (Test)
# ==========================================
question = "입사한 지 3년 되면 어떤 혜택이 있어? 그리고 책 사는 건 얼마나 지원해줘?"

print(f"\n 질문: {question}")
print("AI 답변 생성 중...\n")

response = rag_chain.invoke(question)

print("="*30)
print(response)
print("="*30)

Source Bundle

Source path: 13_LLM_GenAI/Code_Snippets/3-5 (실습)사내_규정_챗봇.md
Source formats: ipynb, md
Companion files: 3-5 (실습)사내_규정_챗봇.ipynb, 3-5 (실습)사내_규정_챗봇.md
Note type: code-note
Last updated in the source vault: 2026-03-08T03:33:14
Related notes: 13_LLM_code_Roadmap.md, 13_LLM_GenAI_Code_Summary.md
External references: localhost

Note Preview

원본 노트에 별도 설명 문단이 많지 않아 코드 중심으로 보존했습니다.