LLM(대형 언어 모델) 에이전트는 1) 외부 도구(API, 함수, 웹후크, 플러그인 등)에 대한 액세스, 2) 자체적으로 작업을 계획하고 실행할 수 있는 기능을 통해 독립형 LLM의 기능을 확장하는 프로그램입니다. -패션을 연출하다. LLM은 복잡한 작업을 수행하기 위해 다른 소프트웨어, 데이터베이스 또는 API와 상호 작용해야 하는 경우가 많습니다. 예를 들어, 회의 일정을 잡는 관리용 챗봇은 직원의 캘린더와 이메일에 액세스해야 합니다. 도구에 대한 액세스를 통해 LLM 에이전트는 복잡성을 더하는 대신 더욱 강력해질 수 있습니다.
이 게시물에서는 LLM 에이전트를 소개하고 다음을 사용하여 전자 상거래 LLM 에이전트를 구축 및 배포하는 방법을 보여줍니다. Amazon SageMaker 점프스타트 및 AWS 람다. 상담원은 도구를 사용하여 반품에 대한 질문에 답변하는 등 새로운 기능을 제공합니다("내 반품이 rtn001
처리되었나요?') 주문에 대한 업데이트를 제공하고('주문 여부를 알려주시겠어요?) 123456
출하했다?"). 이러한 새로운 기능을 사용하려면 LLM이 여러 데이터 소스에서 데이터를 가져와야 합니다(orders
, returns
) 검색 증강 생성(RAG)을 수행합니다.
LLM 에이전트를 강화하기 위해 우리는 Flan-UL2
모델로 배포됨 SageMaker 엔드 포인트 AWS Lambda로 구축된 데이터 검색 도구를 사용합니다. 에이전트는 이후에 다음과 통합될 수 있습니다. 아마존 렉스 웹사이트 내에서 챗봇으로 사용되거나 AWS 커넥트. LLM 에이전트를 프로덕션에 배포하기 전에 고려해야 할 항목으로 게시물을 마무리합니다. LLM 에이전트 구축을 위한 완전 관리형 환경을 위해 AWS는 다음도 제공합니다. Amazon Bedrock 기능용 에이전트(미리 보기).
LLM 에이전트 아키텍처에 대한 간략한 개요
LLM 에이전트는 LLM을 사용하여 복잡한 작업을 완료하는 데 필요한 도구를 언제, 어떻게 사용할지 결정하는 프로그램입니다. 도구 및 작업 계획 기능을 통해 LLM 에이전트는 외부 시스템과 상호 작용하고 지식 차단, 환각 및 부정확한 계산과 같은 LLM의 기존 한계를 극복할 수 있습니다. 도구는 API 호출, Python 함수 또는 웹훅 기반 플러그인과 같은 다양한 형태를 취할 수 있습니다. 예를 들어, LLM은 "검색 플러그인"을 사용하여 관련 컨텍스트를 가져오고 RAG를 수행할 수 있습니다.
그렇다면 LLM이 도구를 선택하고 작업을 계획한다는 것은 무엇을 의미합니까? 다양한 접근법이 있습니다(예: 반응, MRKL, 툴포머, 허깅GPT및 변압기 에이전트s) 도구와 함께 LLM을 사용하는 것에 대한 발전이 빠르게 이루어지고 있습니다. 그러나 한 가지 간단한 방법은 LLM에 도구 목록을 표시하고 1) 사용자 쿼리를 만족시키기 위해 도구가 필요한지 결정하고, 그렇다면 2) 적절한 도구를 선택하도록 요청하는 것입니다. 이러한 프롬프트는 일반적으로 다음 예와 같으며 올바른 도구를 선택할 때 LLM의 신뢰성을 향상시키기 위한 몇 가지 예가 포함될 수 있습니다.
보다 복잡한 접근 방식에는 다음과 같은 "API 호출" 또는 "도구 사용"을 직접 디코딩할 수 있는 특수 LLM을 사용하는 것이 포함됩니다. 고릴라LLM. 이러한 미세 조정된 LLM은 API 사양 데이터 세트에 대해 교육을 받아 지침에 따라 API 호출을 인식하고 예측합니다. 종종 이러한 LLM에는 도구 호출을 출력하기 위해 사용 가능한 도구에 대한 일부 메타데이터(입력 매개변수에 대한 설명, yaml 또는 JSON 스키마)가 필요합니다. 이 접근 방식은 다음과 같습니다. Amazon Bedrock 에이전트 및 OpenAI 함수 호출. LLM은 일반적으로 도구 선택 능력을 보여주기 위해 충분히 크고 복잡해야 합니다.
작업 계획 및 도구 선택 메커니즘이 선택되었다고 가정하면 일반적인 LLM 에이전트 프로그램은 다음 순서로 작동합니다.
- 사용자 요청 – 프로그램은 "내 주문은 어디에 있나요?"와 같은 사용자 입력을 받습니다.
123456
?” 일부 클라이언트 응용 프로그램에서. - 다음 작업을 계획하고 사용할 도구를 선택하세요. – 다음으로 프로그램은 프롬프트를 사용하여 LLM이 다음 작업을 생성하도록 합니다. 예를 들어 "다음을 사용하여 주문 테이블을 조회합니다.
OrdersAPI
.” LLM은 다음과 같은 도구 이름을 제안하라는 메시지를 표시합니다.OrdersAPI
사전 정의된 사용 가능한 도구 목록 및 해당 설명에서 또는 LLM에 다음과 같은 입력 매개변수를 사용하여 API 호출을 직접 생성하도록 지시할 수 있습니다.OrdersAPI(12345)
.- 다음 작업에는 도구나 API 사용이 포함될 수도 있고 포함되지 않을 수도 있습니다. 그렇지 않은 경우 LLM은 도구의 추가 컨텍스트를 통합하지 않고 사용자 입력에 응답하거나 단순히 "이 질문에 대답할 수 없습니다."와 같은 미리 준비된 응답을 반환합니다.
- 구문 분석 도구 요청 – 다음으로 LLM이 제안한 도구/행동 예측을 분석하고 검증해야 합니다. 도구 이름, API 및 요청 매개변수가 혼동되지 않고 사양에 따라 도구가 올바르게 호출되는지 확인하려면 유효성 검사가 필요합니다. 이 구문 분석에는 별도의 LLM 호출이 필요할 수 있습니다.
- 도구 호출 – 유효한 도구 이름과 매개변수가 확인되면 도구를 호출합니다. 이는 HTTP 요청, 함수 호출 등이 될 수 있습니다.
- 구문 분석 출력 – 도구의 응답에는 추가 처리가 필요할 수 있습니다. 예를 들어 API 호출로 인해 긴 JSON 응답이 발생할 수 있으며, 여기서 필드의 하위 집합만 LLM에 관심이 있습니다. 명확하고 표준화된 형식으로 정보를 추출하면 LLM이 결과를 보다 안정적으로 해석하는 데 도움이 될 수 있습니다.
- 출력 해석 – 도구의 출력이 주어지면 LLM은 이를 이해하고 사용자에게 최종 답변을 다시 생성할 수 있는지 또는 추가 조치가 필요한지 여부를 결정하라는 메시지를 다시 표시합니다.
- 종료하거나 2단계로 진행하세요. – 오류나 시간 초과가 발생한 경우 최종 답변이나 기본 답변을 반환합니다.
다양한 에이전트 프레임워크는 이전 프로그램 흐름을 다르게 실행합니다. 예를 들어, 반응 도구 선택 및 답변 생성을 위해 별도의 프롬프트를 사용하는 것과 달리 도구 선택 및 최종 답변 생성을 단일 프롬프트로 결합합니다. 또한 이 논리는 단일 패스로 실행되거나 최종 응답이 생성되거나 예외가 발생하거나 시간 초과가 발생할 때 종료되는 while 문("에이전트 루프")에서 실행될 수 있습니다. 변함없는 점은 에이전트가 LLM을 중심으로 사용하여 작업이 종료될 때까지 계획 및 도구 호출을 조정한다는 것입니다. 다음으로 AWS 서비스를 사용하여 간단한 에이전트 루프를 구현하는 방법을 보여줍니다.
솔루션 개요
이 블로그 게시물에서는 도구로 구동되는 두 가지 기능을 제공하는 전자 상거래 지원 LLM 에이전트를 구현합니다.
- 반품 상태 검색 도구 – “내 반품은 어떻게 되나요?”와 같은 반품 상태에 대한 질문에 답변합니다.
rtn001
? " - 주문 상태 검색 도구 – "내 주문 상태가 어떻게 되나요?"와 같은 주문 상태를 추적합니다.
123456
? "
에이전트는 LLM을 쿼리 라우터로 효과적으로 사용합니다. 쿼리("주문 상태가 어떻습니까?) 123456
?”), 여러 데이터 소스(즉, 반품 및 주문)에 걸쳐 쿼리할 적절한 검색 도구를 선택합니다. 데이터 소스와 상호 작용하고 컨텍스트를 가져오는 역할을 하는 여러 검색 도구 중에서 LLM을 선택하여 쿼리 라우팅을 수행합니다. 이는 단일 데이터 소스를 가정하는 간단한 RAG 패턴을 확장합니다.
두 검색 도구 모두 ID(orderId
or returnId
)을 입력으로 데이터 소스에서 JSON 개체를 가져오고 JSON을 LLM에서 사용하기에 적합한 인간 친화적인 표현 문자열로 변환합니다. 실제 시나리오의 데이터 소스는 다음과 같이 확장성이 뛰어난 NoSQL 데이터베이스일 수 있습니다. DynamoDB하지만 이 솔루션은 간단한 Python을 사용합니다. Dict
데모 목적으로 샘플 데이터를 사용합니다.
검색 도구를 추가하고 그에 따라 프롬프트를 수정하여 에이전트에 추가 기능을 추가할 수 있습니다. 이 에이전트는 HTTP를 통해 모든 UI와 통합되는 독립형 서비스를 테스트할 수 있으며, 이는 다음을 사용하여 쉽게 수행할 수 있습니다. 아마존 렉스.
주요 구성요소에 대한 추가 세부정보는 다음과 같습니다.
- LLM 추론 끝점 - 에이전트 프로그램의 핵심은 LLM입니다. SageMaker JumpStart 기반 모델 허브를 사용하여 쉽게 배포하겠습니다.
Flan-UL2
모델. SageMaker JumpStart를 사용하면 LLM 추론 엔드포인트를 전용 엔드포인트에 쉽게 배포할 수 있습니다. 세이지 메이커 인스턴스. - 에이전트 오케스트레이터 – 에이전트 조정자는 LLM, 도구 및 클라이언트 앱 간의 상호 작용을 조정합니다. 우리 솔루션에서는 AWS Lambda 함수를 사용하여 이 흐름을 구동하고 다음을 도우미 함수로 사용합니다.
- 작업(도구) 플래너 – 작업 플래너는 LLM을 사용하여 1) 반품 조회, 2) 주문 조회 또는 3) 도구 없음 중 하나를 제안합니다. 우리는 신속한 엔지니어링만을 사용하며
Flan-UL2
미세 조정 없이 있는 그대로의 모델입니다. - 도구 파서 – 도구 파서는 작업 플래너의 도구 제안이 유효한지 확인합니다. 특히, 우리는 단일
orderId
orreturnId
구문 분석할 수 있습니다. 그렇지 않으면 기본 메시지로 응답합니다. - 도구 디스패처 – 도구 디스패처는 유효한 매개변수를 사용하여 도구(Lambda 함수)를 호출합니다.
- 출력 파서 – 출력 구문 분석기는 JSON에서 관련 항목을 정리하고 사람이 읽을 수 있는 문자열로 추출합니다. 이 작업은 각 검색 도구와 오케스트레이터 내에서 모두 수행됩니다.
- 출력 해석기 - 출력 해석기의 책임은 1) 도구 호출의 출력을 해석하고 2) 사용자 요청이 충족될 수 있는지 또는 추가 단계가 필요한지 결정하는 것입니다. 후자의 경우 최종 응답이 별도로 생성되어 사용자에게 반환됩니다.
- 작업(도구) 플래너 – 작업 플래너는 LLM을 사용하여 1) 반품 조회, 2) 주문 조회 또는 3) 도구 없음 중 하나를 제안합니다. 우리는 신속한 엔지니어링만을 사용하며
이제 에이전트 오케스트레이터, 작업 플래너, 도구 디스패처 등 주요 구성 요소에 대해 좀 더 자세히 살펴보겠습니다.
에이전트 오케스트레이터
다음은 에이전트 오케스트레이터 Lambda 함수 내부에 있는 에이전트 루프의 축약된 버전입니다. 루프는 다음과 같은 도우미 함수를 사용합니다. task_planner
or tool_parser
, 작업을 모듈화합니다. 여기서 루프는 LLM이 불필요하게 오랫동안 루프에 갇히는 것을 방지하기 위해 최대 XNUMX번 실행되도록 설계되었습니다.
작업 플래너(도구 예측)
에이전트 오케스트레이터는 다음을 사용합니다. task planner
사용자 입력을 기반으로 검색 도구를 예측합니다. LLM 에이전트의 경우 LLM에게 상황에 맞게 이 작업을 가르치기 위해 프롬프트 엔지니어링과 몇 가지 샷 프롬프트를 사용합니다. 보다 정교한 에이전트는 도구 예측을 위해 미세 조정된 LLM을 사용할 수 있지만 이는 이 게시물의 범위를 벗어납니다. 프롬프트는 다음과 같습니다.
도구 디스패처
도구 디스패치 메커니즘은 다음을 통해 작동합니다. if/else
도구 이름에 따라 적절한 Lambda 함수를 호출하는 논리. 다음은 tool_dispatch
도우미 함수 구현. 내부에서 사용됩니다. agent
루프를 실행하고 도구 Lambda 함수의 원시 응답을 반환합니다. 그런 다음 이 응답은 output_parser
기능.
솔루션 배포
중요한 전제 조건 - 배포를 시작하려면 다음 전제 조건을 충족해야 합니다.
- 액세스 권한 AWS 관리 콘솔 시작할 수 있는 사용자를 통해 AWS CloudFormation 스택
- 탐색에 대한 익숙함 AWS 람다 및 아마존 렉스 콘솔
Flan-UL2
단일이 필요합니다ml.g5.12xlarge
배포를 위해 리소스 제한을 늘려야 할 수도 있습니다. 지원 티켓. 이 예에서는us-east-1
지역이므로 서비스 할당량(필요한 경우)을 늘리십시오.us-east-1
.
CloudFormation을 사용하여 배포 – 다음 위치에 솔루션을 배포할 수 있습니다. us-east-1
아래 버튼을 클릭하여:
솔루션 배포에는 약 20분이 소요되며 LLMAgentStack
스택:
- 다음을 사용하여 SageMaker 엔드포인트를 배포합니다.
Flan-UL2
SageMaker JumpStart의 모델; - 세 가지 Lambda 함수를 배포합니다.
LLMAgentOrchestrator
,LLMAgentReturnsTool
,LLMAgentOrdersTool
및 - 배포합니다 AWS 렉스 에이전트를 테스트하는 데 사용할 수 있는 봇:
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
.
솔루션 테스트
스택은 다음 이름의 Amazon Lex 봇을 배포합니다. Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. 봇을 사용하여 에이전트를 처음부터 끝까지 테스트할 수 있습니다. 다음은 Lambda 통합을 통해 AWS Amazon Lex 봇을 테스트하고 통합이 높은 수준에서 작동하는 방식에 대한 추가 종합 가이드입니다. 간단히 말해서, Amazon Lex 봇은 우리가 구축한 Lambda 함수 내에서 실행되는 LLM 에이전트와 채팅할 수 있는 빠른 UI를 제공하는 리소스입니다(LLMAgentOrchestrator
).
고려해야 할 샘플 테스트 사례는 다음과 같습니다.
- 유효한 주문조회 (예: “어떤 품목을 주문했습니까?
123456
?)- 주문 “123456”은 유효한 주문이므로 합당한 답변을 기대해야 합니다(예: “허브 핸드솝”).
- 유효한 반품 문의 반품(예: '내 반품은 언제 되나요?
rtn003
처리되었나요?”)- 반품 상태에 대한 합리적인 답변을 기대해야 합니다.
- 반품이나 주문 모두와 관련이 없습니다. (예: "지금 스코틀랜드 날씨는 어때요?")
- 반품이나 주문과 관련 없는 질문이므로 기본 답변이 반환되어야 합니다("죄송합니다. 해당 질문에 답변할 수 없습니다.").
- 잘못된 주문 문의 (예: “어떤 품목을 주문했습니까?
383833
?)- ID 383832는 주문 데이터 세트에 존재하지 않으므로 정상적으로 실패해야 합니다(예: "주문을 찾을 수 없습니다. 주문 ID를 확인하십시오.").
- 잘못된 반품 문의 (예: "내가 언제 돌아오나요?
rtn123
처리되었나요?”)- 마찬가지로 이드도
rtn123
반품 데이터 세트에 존재하지 않으므로 정상적으로 실패해야 합니다.
- 마찬가지로 이드도
- 관련 없는 반품 문의 (예: "수익률이 미치는 영향은 무엇입니까?"
rtn001
세계 평화에 관해?”)- 이 질문은 유효한 명령과 관련된 것처럼 보이지만 관련이 없습니다. LLM은 관련 없는 문맥으로 질문을 필터링하는 데 사용됩니다.
이러한 테스트를 직접 실행하려면 다음 지침을 따르세요.
- Amazon Lex 콘솔(AWS 콘솔 > Amazon Lex), 제목이 붙은 봇으로 이동합니다.
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. 이 봇은 이미 다음을 호출하도록 구성되었습니다.LLMAgentOrchestrator
람다 함수FallbackIntent
트리거됩니다. - 탐색 창에서 의도.
- 왼쪽 메뉴에서 짓다 오른쪽 상단 모서리에
- 4. 빌드 프로세스가 완료될 때까지 기다립니다. 완료되면 다음 스크린샷과 같이 성공 메시지가 표시됩니다.
- 테스트 케이스를 입력하여 봇을 테스트합니다.
대청소
추가 비용이 발생하지 않도록 하려면 다음 단계에 따라 솔루션에서 생성된 리소스를 삭제하세요.
- 에 AWS 클라우드 포메이션 콘솔에서 이름이 지정된 스택을 선택합니다.
LLMAgentStack
(또는 선택한 사용자 정의 이름). - 왼쪽 메뉴에서 .
- CloudFormation 콘솔에서 스택이 삭제되었는지 확인하세요.
중요 사항: 다음을 확인하여 스택이 성공적으로 삭제되었는지 다시 확인하세요. Flan-UL2
추론 끝점이 제거되었습니다.
- 확인하려면 다음으로 이동하세요. AWS 콘솔 > Sagemaker > 엔드포인트 > 추론 페이지.
- 페이지에는 모든 활성 엔드포인트가 나열되어야 합니다.
- 확인
sm-jumpstart-flan-bot-endpoint
아래 스크린샷처럼 존재하지 않습니다.
생산 시 고려사항
LLM 에이전트를 프로덕션에 배포하려면 안정성, 성능 및 유지 관리성을 보장하기 위한 추가 단계가 필요합니다. 프로덕션 환경에 에이전트를 배포하기 전에 고려해야 할 사항은 다음과 같습니다.
- 에이전트 루프를 강화하기 위해 LLM 모델 선택: 이 게시물에서 논의된 솔루션을 위해 우리는
Flan-UL2
작업 계획이나 도구 선택을 수행하기 위해 미세 조정 없이 모델을 만듭니다. 실제로 도구나 API 요청을 직접 출력하도록 미세 조정된 LLM을 사용하면 안정성과 성능이 향상될 뿐만 아니라 개발이 단순화될 수 있습니다. 도구 선택 작업에서 LLM을 미세 조정하거나 Toolformer와 같은 도구 토큰을 직접 디코딩하는 모델을 사용할 수 있습니다.- 미세 조정된 모델을 사용하면 에이전트가 사용할 수 있는 도구를 추가, 제거, 업데이트하는 작업도 단순화될 수 있습니다. 프롬프트 전용 기반 접근 방식을 사용하면 도구를 업데이트하려면 작업 계획, 도구 구문 분석, 도구 파견 등 에이전트 조정자 내부의 모든 프롬프트를 수정해야 합니다. 이는 번거로울 수 있으며 LLM에 너무 많은 도구가 제공되면 성능이 저하될 수 있습니다.
- 신뢰성과 성능: LLM 에이전트는 특히 몇 번의 루프 내에서 완료할 수 없는 복잡한 작업의 경우 신뢰할 수 없습니다. 출력 유효성 검사, 재시도를 추가하고 LLM의 출력을 JSON 또는 yaml로 구조화하고 시간 제한을 적용하여 루프에 갇힌 LLM에 대한 탈출구를 제공하면 안정성이 향상될 수 있습니다.
결론
이 게시물에서는 하위 수준 프롬프트 엔지니어링, AWS Lambda 기능 및 SageMaker JumpStart를 빌딩 블록으로 사용하여 처음부터 여러 도구를 활용할 수 있는 LLM 에이전트를 구축하는 방법을 살펴보았습니다. LLM 에이전트의 아키텍처와 에이전트 루프에 대해 자세히 논의했습니다. 이 블로그 게시물에 소개된 개념과 솔루션 아키텍처는 소수의 사전 정의된 도구 세트를 사용하는 에이전트에 적합할 수 있습니다. 또한 프로덕션에서 에이전트를 사용하는 몇 가지 전략에 대해서도 논의했습니다. 평가판인 Bedrock용 에이전트는 또한 에이전트 도구 호출에 대한 기본 지원을 통해 에이전트 구축을 위한 관리형 환경도 제공합니다.
저자에 관하여
존 황 LLM(대형 언어 모델) 애플리케이션, 벡터 데이터베이스 및 생성 AI 제품 전략에 특히 중점을 두고 있는 AWS의 생성 AI 설계자입니다. 그는 AI/ML 제품 개발과 LLM 에이전트 및 부조종사의 미래를 통해 기업을 돕는 데 열정을 갖고 있습니다. AWS에 합류하기 전에는 Alexa에서 제품 관리자로 근무하면서 대화형 AI를 모바일 장치에 도입하는 데 도움을 주었고 Morgan Stanley에서 파생 상품 거래자로 일했습니다. 그는 스탠포드 대학교에서 컴퓨터 공학 학사 학위를 취득했습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 차트프라임. ChartPrime으로 트레이딩 게임을 향상시키십시오. 여기에서 액세스하십시오.
- BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/learn-how-to-build-and-deploy-tool-using-llm-agents-using-aws-sagemaker-jumpstart-foundation-models/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 100
- 15%
- 19
- 20
- 200
- 24
- 27
- 500
- 7
- 9
- a
- 능력
- 능력
- 소개
- ACCESS
- 달성
- 에 따르면
- 따라서
- 가로질러
- 동작
- 행위
- 활동적인
- 추가
- 첨가
- 추가
- 관리
- 발전
- 후
- 다시
- 에이전트
- 자치령 대표
- AI
- AI / ML
- 알렉사
- All
- 이미
- 또한
- 아마존
- 아마존 렉스
- Amazon Web Services
- 중
- 양
- an
- 및
- 답변
- 어떤
- API를
- API
- 앱
- 어플리케이션
- 어플리케이션
- 접근
- 구혼
- 적당한
- 아키텍처
- 있군요
- AS
- 문의
- 가정하다
- At
- 증강 된
- 가능
- 피하기
- AWS
- AWS 람다
- 뒤로
- 기반으로
- BE
- 가
- 된
- 전에
- 존재
- 이하
- 버클리
- 그 너머
- 비트
- 블록
- 블로그
- 몸
- 봇
- 두
- 봇
- 가져
- 빌드
- 건물
- 내장
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- 단추
- by
- 계산
- 캘린더
- 전화
- 통화
- CAN
- 기능
- 케이스
- 가지 경우
- 요금
- 채팅 봇
- 검사
- 왼쪽 메뉴에서
- 선택
- 클라이언트
- 결합
- 기업
- 완전한
- 진행완료
- 복잡한
- 복잡성
- 구성 요소들
- 포괄적 인
- 컴퓨터
- 컴퓨터 과학
- 개념
- 결론
- 구성
- 고려
- 고려 사항
- 콘솔에서
- 상수
- 문맥
- 계속
- 이야기 잘하는
- 대화 형 AI
- 핵심
- 비용
- 수
- 만들
- 만든
- 성가신
- 관습
- 데이터
- 데이터베이스
- 데이터베이스
- 데이터 세트
- 일
- 결정하다
- 전용
- 깊이
- 태만
- 정의
- 데모
- 보여
- 의존
- 배포
- 배포
- 배치
- 전개
- 배치하다
- 파생 상품
- 설계
- 세부 묘사
- 세부설명
- 결정
- 개발
- 디바이스
- 직접
- 논의 된
- 잠수
- do
- 하지
- 한
- 드라이브
- e
- 전자 상거래
- 마다
- 용이하게
- 쉽게
- 효과적으로
- 중
- 그렇지 않으면
- 이메일
- 고용하다
- 끝으로 종료
- 종점
- 시행
- 엔지니어링
- 강화
- 확인
- 보장
- 보장
- 보장
- 입력
- 자격
- 오류
- 오류
- 탈출
- 특히
- 등
- 이벤트
- 모든
- 예
- 예
- 외
- 예외
- 실행
- 있다
- 기대
- 경험
- 탐험 한
- 확장
- 확장하다
- 외부
- 여분의
- 추출물
- 실패
- 그릇된
- 패션
- 특색
- 를
- Fields
- 필터링
- 최후의
- 흐름
- 초점
- 수행원
- 다음
- 럭셔리
- 체재
- 양식
- 발견
- Foundation
- 프레임 워크
- 친절한
- 에
- 다하다
- 충분히
- 기능
- 기능성
- 기능
- 미래
- 일반적으로
- 생성
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 얻을
- 주어진
- Go
- 육로
- 안내
- 무슨 일이
- 해치
- 있다
- 데
- he
- 도움
- 도움
- 도움이
- 금후
- 여기에서 지금 확인해 보세요.
- hi
- 높은
- 고도로
- 보유
- 진료 시간
- 방법
- How To
- HTML
- HTTP
- HTTPS
- 허브
- 사람의
- 인간이 읽을 수있는
- i
- ID
- if
- 영향
- 구현
- 이행
- 수입
- 개선
- in
- 포함
- 통합
- 증가
- 증가
- 정보
- 입력
- 문의
- 내부
- 명령
- 통합 된
- 통합
- 완성
- 의지
- 상호 작용하는
- 상호 작용
- 상호 작용
- 관심
- 으로
- 소개
- 소개
- 호출
- 호출
- 감다
- IT
- 항목
- 반복
- 가입
- JPG
- JSON
- 키
- 지식
- 언어
- 넓은
- 시작
- 배우다
- 레벨
- 처럼
- 한계
- 제한
- 명부
- LLM
- 논리
- 긴
- 봐라.
- 확인
- 제작
- 관리
- 구축
- 매니저
- .
- XNUMX월..
- me
- 평균
- 기구
- 메커니즘
- 회의
- 메시지
- 메타 데이터
- 회의록
- 모바일
- 모바일 장치
- 모델
- 모델
- 배우기
- 모건
- 모건 스탠리 (Morgan Stanley)
- 가장
- 여러
- my
- name
- 이름
- 이름
- 출신
- 이동
- 탐색
- 카테고리
- 필요한
- 필요
- 필요
- 신제품
- 다음 것
- 아니
- 없음
- 특히
- 지금
- 번호
- 다수의
- 대상
- of
- 자주
- on
- 일단
- ONE
- 만
- 반대하는
- or
- 주문
- 명령
- 기타
- 그렇지 않으면
- 우리의
- 아웃
- 출력
- 외부
- 위에
- 극복하다
- 개요
- 페이지
- 빵
- 매개 변수
- 패스
- 열렬한
- 무늬
- 평화
- 대기
- 수행
- 성능
- 선택
- 뽑힌
- 계획
- 계획
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 플러그인
- 정책
- 게시하다
- 힘
- powered
- 연습
- 예측
- 예측
- 전제 조건
- 예방
- 시사
- 너무 이른
- 이전에
- 방법
- 처리됨
- 처리
- 프로덕트
- 방열판 열 관리용
- 제품 관리자
- 생산
- 프로그램
- 프로그램
- 정확히
- 제공
- 제공
- 제공
- 제공
- 목적
- Python
- 문제
- 문의
- 빠른
- 모집
- 빠르게
- 살갗이 벗어 진
- 현실 세계
- 합리적인
- 인식
- 반제하다
- 지방
- 관련된
- 신뢰성
- 유적
- 제거됨
- 제거
- 대표
- 의뢰
- 요청
- 필요
- 필수
- 필요
- 의지
- 제품 자료
- 응답
- 응답
- 책임
- 책임
- 결과
- return
- 반환
- 반품
- 연락해주세요
- 라우터
- 라우팅
- 달리기
- 달리는
- s
- 현자
- 만족
- 확장성
- 대본
- 과학
- 범위
- 검색
- 것
- 선택된
- 선택
- 자기 주도
- 감각
- 별도의
- 순서
- 서비스
- 서비스
- 세트
- 몇몇의
- 제공
- 배송
- 짧은
- 샷
- 영상을
- 표시
- 표시
- 단순, 간단, 편리
- 단순화
- 간단히
- 단일
- 작은
- So
- 소프트웨어
- 해결책
- 일부
- 정교한
- 출처
- 지우면 좋을거같음 . SM
- 특별한
- 전문
- 구체적인
- 명세서
- 스택
- 독립
- stanford
- 스탠포드 대학
- 스탠리
- 스타트
- 시작
- 성명서
- Status
- 단계
- 단계
- 중지
- 저장
- 전략들
- 전략
- 끈
- 구조화
- 그후
- 성공
- 성공적으로
- 이러한
- 제안
- 적당한
- SUPPORT
- 확인
- 시스템은
- 테이블
- 받아
- 촬영
- 소요
- 복용
- 태스크
- 작업
- 이야기
- test
- 테스트
- 지원
- 테스트
- 그
- XNUMXD덴탈의
- 미래
- 그들의
- 그때
- 그곳에.
- Bowman의
- 이
- 그
- 세
- 그러므로
- 시대
- 에
- 토큰
- 너무
- 수단
- 검색을
- 상단
- 금액
- 선로
- 상인
- 전통적인
- 훈련 된
- 방아쇠를 당긴
- 시도
- 두
- 전형적인
- 일반적으로
- ui
- 대학
- 불필요하게
- 까지
- 업데이트
- 업데이트
- 사용
- 익숙한
- 사용자
- 사용
- 사용
- 활용
- 유효 기간
- 확인
- 종류
- 버전
- 를 통해
- 기다리다
- 였다
- 방법..
- we
- 날씨
- 웹
- 웹 서비스
- 웹 사이트
- 잘
- 뭐
- 언제
- 때마다
- 여부
- 어느
- 동안
- 누구
- 의지
- 과
- 이내
- 없이
- 일
- 세계
- 겠지
- 얌
- 자신의
- 너의
- 당신 자신
- 제퍼 넷