PostgreSQL/pgvector의 벡터 데이터베이스를 통한 검색 증강 생성 (RAG) 및 LangChain을 Microsoft AutoGen과 결합하여 FastAPI/Streamlit으로 제공되는 보조금 신청서 작성을 위한 오픈 소스 AI 도구입니다. 로컬에서 실행할 수 있도록 Docker화되었습니다.

보조금 신청서를 작성하는 것은 시간이 많이 걸리고 지루할 수 있습니다. 생성형 AI (Generative AI)가 자연스러운 해결책처럼 보이지만, 단순한 접근 방식은 효능 면에서 한계가 있을 수 있습니다.

이 시스템을 통해, 우리는 검색 증강 생성 (RAG)을 통해 사용자가 제출한 컨텍스트를 추가하고, 법률, 윤리 및 보조금 작성 에이전트의 출력을 검토하는 멀티 에이전트 (multi-agent) 접근 방식을 통해 결과를 더욱 최적화합니다.

"AutoGen은 고수준 추상화로서 멀티 에이전트 대화 프레임워크를 제공합니다. 이는 멀티 에이전트 협업, 학습 가능성 및 개인화를 통해 차세대 LLM 애플리케이션을 가능하게 하는 오픈 소스 라이브러리입니다. 이 프레임워크를 통해 사용자는 LLM 워크플로우를 구축할 수 있습니다. 에이전트의 모듈화와 대화 기반 프로그래밍은 개발을 단순화하고 개발자가 재사용할 수 있게 합니다. 최종 사용자는 여러 에이전트가 자신을 대신하여 독립적으로 학습하고 협업함으로써 더 적은 노력으로 더 많은 일을 완수하는 혜택을 누립니다. AutoGen의 멀티 에이전트 접근 방식의 장점에는 다양한 LLM 구성으로 지원되는 에이전트, 코드 생성 및 실행을 통한 범용적인 도구 사용 방식의 네이티브 지원, 그리고 다양한 수준에서 인간의 피드백과 참여를 쉽게 통합할 수 있게 하는 특별한 에이전트인 Human Proxy Agent가 포함됩니다." - AutoGen 웹사이트

"검색 증강 생성 (Retrieval-Augmented Generation, RAG)은 대규모 언어 모델 (Large Language Model, LLM)의 출력을 최적화하는 과정으로, 모델이 응답을 생성하기 전에 학습 데이터 소스 외부의 권위 있는 지식 베이스를 참조하도록 하는 방식입니다. 대규모 언어 모델 (LLMs)은 방대한 양의 데이터로 학습되며, 질문 답변, 언어 번역, 문장 완성 등의 작업을 위해 수십억 개의 파라미터 (parameters)를 사용하여 독창적인 출력을 생성합니다. RAG는 모델을 재학습시킬 필요 없이, LLM의 이미 강력한 능력을 특정 도메인이나 조직의 내부 지식 베이스로 확장합니다. 이는 LLM의 출력이 다양한 맥락에서 관련성 있고, 정확하며, 유용하게 유지되도록 개선하는 비용 효율적인 접근 방식입니다." - AWS Website

Medium 기사는 여기서 읽을 수 있습니다.

먼저, OpenAI API 키를 추가해야 합니다.

./config/.env

루트 디렉토리에서 다음을 실행하세요.

docker compose up --build

Streamlit 애플리케이션을 확인하려면 다음 주소로 이동하세요:

완료되면 반드시 다음을 실행하세요.

docker compose down

필수 요구 사항:

• docker desktop
• OpenAI API Key

pyautogen에서 ag2 라이브러리로 마이그레이션됨 2025/07/19 (이름 변경만 적용) #1