AI 요약관련 정보

• 컨텍스트 엔지니어링은 고품질 AI 애플리케이션 구축에 필수적이며, 관련 정보(검색된 지식, 도구 출력, 이전 대화, 사용자 입력)를 LLM에 제공하여 작업 효율성을 높입니다. 💡
• 컨텍스트 엔지니어링은 RAG, 상태 및 기록, 메모리, 프롬프트 엔지니어링, 구조화된 출력을 포함합니다. 📚
• 효과적인 컨텍스트 관리를 위해 AI 에이전트에 단기/장기 메모리를 추가하고, 벡터 데이터베이스에 저장하여 필요시 검색합니다. 🧠
• 사용자 입력/작업 시 컨텍스트를 준비하고, AI 에이전트 실행 중 메모리 및 지식을 제공하여 고품질 출력을 얻습니다. 📝
• 프롬프트 엔지니어링은 일회성 작업에 적합하며, 컨텍스트 엔지니어링은 대화형 AI, 문서 분석 도구, 코딩 어시스턴트에 적합합니다. 💬
• 컨텍스트 엔지니어링의 4단계는 쓰기, 선택, 압축, 격리이며, 런타임 시 관련 도구, 세션, 장기 메모리, 지식을 검색합니다. ⚙️
• 컨텍스트 압축은 컨텍스트 창에 맞게 요약하거나 불필요한 토큰을 제거하고, 컨텍스트 격리는 에이전트별로 분할합니다. ✂️
• 코드베이스 리더, 리뷰 에이전트, 요구사항 준비 에이전트 등 여러 에이전트를 사용하여 컨텍스트 문서를 준비합니다. 🤖
• GitHub 리포지토리 URL과 목표를 제공하면, 에이전트가 필요한 단계를 설명하는 상세 프롬프트를 생성합니다. 🎯
• MongoDB를 사용하여 메모리와 지식을 저장하고, AI 에이전트가 필요할 때 데이터를 검색할 수 있도록 합니다. 🗄️
• 컨텍스트 에이전트는 필요한 컨텍스트를 수집하고, 구현 에이전트는 데이터베이스에 연결하여 코드를 작성하고 정보를 저장합니다. 💾
• 지식 데이터를 에이전트에 제공하기 위해 MongoDB에 문서(documentation.md)를 저장하고, 에이전트가 작업을 실행하도록 합니다. 🔑
• MongoDB Canvas를 사용하여 데이터베이스에 연결하고, 메모리와 지식 데이터를 확인합니다. 캔버스에 데이터베이스 세부 정보를 연결하여 메모리 및 지식 저장 여부를 확인합니다. 🖼️
• 에이전트가 구현을 시작할 때 메모리와 지식에서 관련 정보를 검색하여 고품질 출력을 제공합니다. ✨