"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다."
https://www.hanbit.co.kr/store/books/look.php?p_code=B4003944332
📌 이 책을 한 문장으로
"랭체인으로 챗봇 만드는 법을 알려주는 책이 아니라, 그 챗봇이 왜 그렇게 동작하는지를 알려주는 책."
제목에 '랭체인 & 랭그래프'가 큼지막하게 박혀 있어서 가벼운 실습서를 기대하고 펼쳤다가, 1장부터 한 대 맞는 느낌을 받았다. 이 책은 도구 사용법을 빠르게 훑는 책이 아니다. 오히려 절반 이상을 자연어 처리와 딥러닝의 기초 이론에 쏟는다. 토큰화, 임베딩에서 시작해 강화학습, RNN, LSTM, seq2seq, 어텐션을 거쳐 트랜스포머까지 차곡차곡 쌓아 올린 다음에야 비로소 랭체인과 랭그래프가 등장한다.
요즘 AI 책들은 대체로 기본 개념은 슬쩍 건너뛰고 "이렇게 쓰면 됩니다" 하는 사용법, 활용법 위주로 흘러간다. 빠르게 결과물을 내기엔 좋지만, 정작 안쪽에서 무슨 일이 벌어지는지는 끝내 모르고 지나가게 된다.
그런 흐름 속에서 이 책은 꽤 보기 드문 선택을 한다. 딥러닝의 기초부터 트랜스포머 아키텍처까지, 필수 기본 개념을 하나하나 빼놓지 않고 짚고 넘어간다. 이런 책이 점점 귀해지는 시대라, 그 점만으로도 반가웠다.
📌 책의 흐름 — 기초 체력부터 실전 배포까지
이 책은 크게 세 덩어리로 읽힌다.
① 기본 개념 (2~4장)
자연어 처리 기초(토큰화, 임베딩, word2vec, 청킹)와 강화학습(다중 슬롯머신, 마르코프 결정 프로세스, 몬테카를로, Q-learning), 그리고 시퀀스 모델(RNN, LSTM, seq2seq, 빔 서치). 트랜스포머라는 산을 오르기 위한 베이스캠프 구간이다.
② 핵심 구조 (5~7장)
어텐션(셀프/멀티 헤드/크로스 어텐션, Query, Key, Value)과 트랜스포머(포지셔널 인코딩, 인코더, 디코더), 그리고 LLM의 발전사(RLHF, PPO, InstructGPT, few/one/zero-shot, GPT, LLaMA, BERT). 이 책의 심장부.
③ 실전 활용 (8~12장)
Ollama, 허깅페이스 트랜스포머, Llama.cpp, 랭체인, 랭그래프 같은 개발 도구부터 파인튜닝(Full fine-tuning, PEFT, Adapter, LoRA, QLoRA, 양자화), RAG(ChromaDB, 대화형/Iterative/Adaptive RAG), 멀티 에이전트(A2A, MCP), 그리고 Streamlit으로 실제 서비스를 배포하는 데까지.
원리부터 차근차근 가고 싶다면 1장부터, 도구 실습이 급하다면 8장부터 펼쳐도 흐름이 끊기지 않게 구성돼 있다.
📌 좋았던 점
1. 요즘 보기 드물게, 기본 개념부터 차근차근 짚는다
이게 이 책의 가장 큰 미덕이라고 생각한다. 요즘 나오는 AI 책들은 기본 원리는 "아시죠?" 하고 넘어간 뒤 곧장 라이브러리 사용법과 활용 예제로 직행하는 경우가 많다.
빠르긴 한데, 막상 에러가 나거나 모델이 엉뚱한 답을 내놓으면 손 쓸 도리가 없다. 결국 도구를 블랙박스로 쓰고 있었던 셈이다. 반면 이 책은 스칼라, 벡터, 내적, 편미분, 그래디언트 디센트 같은 기초 수학부터, 강화학습의 가치 함수, 순환 신경망의 동작 원리, 셀프 어텐션의 계산 과정까지 필수 개념을 하나하나 펼쳐서 설명한다.
빠른 결과보다 단단한 토대를 택한 구성이고, 이런 책이 점점 줄어드는 요즘이라 더 값지게 느껴졌다.
2. "트랜스포머가 왜 혁신이었나"를 흐름으로 이해시킨다
대부분의 LLM 책이 트랜스포머부터 시작하는 것과 달리, 이 책은 RNN의 한계 → LSTM의 보완 → seq2seq의 고정 길이 병목 → 어텐션의 등장 → 트랜스포머라는 진화의 맥락을 그대로 따라가게 만든다. 각각이 따로 노는 기술처럼 외우는 게 아니라, "이 기술이 어떤 문제를 풀려고 나왔는지"를 알게 되니 그 기술이 어디서 한계를 드러내는지도 자연스럽게 보인다. Query, Key, Value를 입력 벡터 기준과 입력 행렬 기준, 두 시각으로 풀어주는 부분도 인상적이었다.
3. 그림과 도식이 많다
토큰화, 임베딩, 트랜스포머 내부 처리처럼 말로만 하면 추상적인 개념을 도식으로 풀어주려는 시도가 곳곳에 보인다. 모델 내부 구조는 글자만으로는 멀게 느껴지는데, 그림이 함께 있으니 흐름을 붙잡기가 한결 수월하다.
4. 이론과 실습이 따로 놀지 않는다
3장의 Q-learning을 곧바로 "다음 단어 예측" 강화학습 실습으로 이어붙이거나, 허깅페이스 토크나이저의 input_ids, attention_mask를 직접 찍어보게 하는 식이다. 개념 → 코드의 연결고리가 촘촘하다.
5. 폭이 넓다 — 한 권짜리 지도
랭체인, 랭그래프, RAG, LoRA, QLoRA, 양자화, A2A, MCP, Streamlit까지, 요즘 여기저기서 들리는 키워드들이 트랜스포머라는 기반 위에서 어떻게 연결되는지 한 권으로 조망할 수 있다.
흩어진 지식의 뼈대를 잡고 싶은 사람에게는 백과사전 같은 든든함이 있다.
📌 아쉬웠던 점
수식이 정말, 정말 만만치 않다.
편미분, 그래디언트, 소프트맥스, 손실 함수, 강화학습 가치 함수, RNN의 그래디언트 계산… 그림으로 최대한 풀고자 하는 흔적은 분명하지만, 그렇다고 수식 자체가 쉬워지는 건 아니었다. 딥러닝과 기초 수학에 대한 감이 없는 상태라면 중간중간 "그렇구나" 하고 넘어가게 되는 구간이 있을 것 같기도 했다.
그래서 이 책은 "AI가 궁금한 완전 초보자"보다는, "도구 뒤의 원리까지 이해하고 싶은 개발자"에게 더 잘 맞는다. 제목만 보고 실무 활용법을 빠르게 얻으려던 독자라면 초중반의 방대한 이론 분량이 다소 지루하게 느껴질 수 있다.
📌 이런 분께 추천
✅ 랭체인, 랭그래프를 단순히 쓰는 수준을 넘어 구조적으로 이해하고 싶은 분
✅ RAG, 파인튜닝, 로컬 LLM, MCP 같은 최신 키워드를 한 권에서 넓게 훑고 싶은 분
✅ 트랜스포머가 LLM과 AI 에이전트까지 어떤 흐름으로 이어지는지 알고 싶은 분
✅ AI 기능을 서비스에 붙이는 걸 넘어, 내부 원리와 한계까지 이해하고 싶은 개발자
🚫 반대로 AI, 딥러닝을 처음 접하는 분이라면 다소 버거울 수 있다.
이 경우 처음부터 완벽히 이해하려 하기보다, 관심 있는 챕터를 먼저 훑고 모르는 부분은 나중에 돌아오는 식으로 접근하는 걸 권한다.
📌 마무리
요즘 AI 개발은 도구가 너무 빠르게 바뀐다. 유행하던 라이브러리가 금방 다른 것으로 대체되고, 새로운 프로토콜과 프레임워크가 끊임없이 등장한다. 이런 환경에서 사용법만 익히면 그 지식은 금세 낡는다.
이 책의 진짜 가치는 거기에 있다. 트랜스포머, 어텐션, RAG, 에이전트의 구조를 이해해두면, 새 도구가 나와도 "그래서 안쪽에서 뭐가 달라진 거지?"를 스스로 판단할 수 있다. 이 책은 그 판단 기준을 세워주는 책이다.
솔직히 쉬운 책은 아니다. 읽는 데 시간이 걸리고, 수식과 이론을 마주할 각오도 필요하다. 하지만 LLM을 블랙박스처럼 가져다 쓰는 데서 한 걸음 더 나아가고 싶다면, 충분히 도전해볼 만하다. 지금 당장 모든 걸 이해하지 못하더라도, AI 에이전트라는 분야가 얼마나 넓고 깊은 기반 위에 서 있는지 확인하는 것만으로도 의미가 있었다.
