AI Backend Developer · AI Agent / RAG Developer

업무 데이터를 AI가 활용할 수 있는 형태로 정리하고,
RAG와 AI Agent의 결과를 API·DB·업무 흐름으로 연결하는 백엔드 개발자입니다.

LLM을 단순히 호출하는 기능보다 데이터 수집과 검색, Agent Workflow, Tool 실행 조건, 결과 검증까지 하나의 서비스 흐름으로 구현하는 데 관심이 있습니다.

현재는 LangGraph 기반 Agentic Workflow, RAG, Tool Calling/MCP, FastAPI 기반 AI 서비스 개발을 중심으로 경험을 쌓고 있습니다.

AI / Agent
LangGraph LangChain Tool Calling MCP RAG LLM Gateway

Retrieval / Data
PostgreSQL pgvector FTS RRF Embedding OCR SQL

Backend
Python FastAPI Pydantic REST API WebSocket Background Tasks

ML / Evaluation
PyTorch KoELECTRA Cross Validation pytest Golden Evaluation

Infra / Development
Docker Docker Compose Git Linux GitHub Actions Nginx

Frontend
TypeScript React Vite

고객 의견과 매장 운영 자료를 검색해 원인과 개선안을 제안하고,
사람이 근거를 확인한 뒤 승인할 수 있도록 만든 개인 프로젝트입니다.

Personal Project · LangGraph · LangChain · MCP · RAG · FastAPI · PostgreSQL/pgvector

Repository

• LangGraph checkpoint와 interrupt/resume을 이용해 승인 대기, 중단, 재시작이 가능한 조사 흐름을 구현했습니다.
• PostgreSQL FTS와 pgvector 검색 결과를 RRF로 결합해 Hybrid Retrieval을 구성했습니다.
• LangChain 처리 단계와 공식 MCP SDK 기반 Read Tool을 연결했습니다.
• Tool 실행 직전에 권한, capability, budget, 현재 상태 등을 다시 확인하는 Harness를 구현했습니다.
• 근거가 부족하거나 새로운 자료가 없을 때 추가 추론을 중단하도록 실행 조건을 제한했습니다.

Validation

• Python: 793 passed
• Frontend: 198 passed
• PostgreSQL smoke test: 14 passed
• 대표 업무 경로: 6 cases

현재 로컬 Docker와 Sample Data를 기준으로 검증했으며 실제 POS/ERP 외부 Write 기능은 연결하지 않았습니다.

가격, 재고, 자금 정보를 이용해 판매 후보를 만들고
재무·물류 조건을 검증해 추천안을 제공하는 팀 프로젝트입니다.

5-person Team · LangGraph · LangChain Tool Calling · Harness · PostgreSQL

Repository

담당

• Finance Agent / Harness
• Sales Agent / LangGraph
• Logistics 초기 Runtime

Sales Agent는 다음 흐름을 LangGraph 상태 기반으로 연결했습니다.

Context → Candidate Generation → Validation → Feedback → Evaluation / Ranking → Self-check → Recommendation

• LLM은 전략 방향 선택과 설명에 사용하고, 가격·수량·금액·추천 ID는 코드에서 계산했습니다.
• Finance의 금액·현금흐름·한도·Verdict 역시 Tool/Rule 기반 계산 결과를 사용했습니다.
• 판매 실행 9,937건을 분석해 후보 생성 이전 Finance Context가 0건 전달되던 문제를 확인했습니다.
• PRE_SALES_FACTS를 선행 전달하도록 Agent 간 데이터 계약과 실행 순서를 수정했습니다.
• 실행 가능한 Finance Tool이 0~1개일 때는 코드에서 처리하도록 변경해 Planner 호출을 **9회 → 3회(-66.7%)**로 줄였습니다.
• Sales Agent 경계 정리 기준 회귀 테스트 388 passed를 확인했습니다.

지속가능경영보고서, 기사, 설문 데이터를 정리하고
RAG를 이용해 ESG 보고서 초안 생성에 연결한 팀 프로젝트입니다.

4-person Team · Data Engineering · OCR · pgvector · RAG · LangChain · FastAPI

Repository

담당

• 3개년 Sustainability Report 공동 OCR / PDF Parsing
• ESG 기사 Embedding 및 Vectorization
• 설문 URL 생성과 응답 Import
• PostgreSQL + pgvector 기반 관련 문단 검색
• 검색 결과를 Context로 전달하는 RAG 문단 생성
• AI 생성 문단 DB 저장 및 보고서 Template 연결

보고서에 사용되는 실제 수치와 LLM이 생성한 설명 문장을 구분해 저장하고,
검색한 원문 출처를 함께 연결해 결과를 다시 확인할 수 있도록 구성했습니다.

PDF 추출 과정은 최대 3개 작업을 병렬로 처리하도록 개선하고, 추출 결과를 공통 ESG 이슈 체계로 정리했습니다.

통화의 위험 표현, 대화 흐름, 문맥 분류 결과를 결합해
보이스피싱 위험도와 판단 근거를 제공하는 팀 프로젝트입니다.

5-person Team · PyTorch · KoELECTRA · FastAPI · PostgreSQL · Docker

Repository

• 공개 녹취를 바탕으로 피싱 23건, 정상 23건의 평가 데이터를 구성했습니다.
• 긴 통화를 Chunk 단위로 나누고 KoELECTRA 이진 분류 모델을 CUDA 환경에서 학습·평가했습니다.
• Rule, Sequence, KoELECTRA 세 신호를 결합해 위험 점수와 판단 근거를 생성했습니다.
• 5-fold × 3 seed 반복 평가를 사용해 단일 데이터 분할 결과에만 의존하지 않도록 검증했습니다.
• 학습 이후 Serving 환경은 CPU-only PyTorch 기준으로 구성했습니다.
• CUDA/Triton 의존성과 빌드 캐시를 정리해 Docker 이미지를 22.5GB → 2.87GB로 줄였습니다.

Docker 수치는 이미지 용량 최적화 결과이며 추론 속도 개선 수치는 아닙니다.

제가 AI 서비스를 구현할 때 중요하게 보는 부분은 다음과 같습니다.

업무 흐름 안에서 동작하는 Agent
Agent를 한 번의 LLM 호출로 끝내지 않고 상태 저장, 승인, 재시작, 검증이 필요한 업무 흐름으로 구성하려고 합니다.

LLM과 일반 코드의 역할 분리
금액, 수량, 상태, 판정처럼 결과가 재현되어야 하는 값은 가능한 한 코드와 Rule에서 계산하고, LLM은 해석과 판단 보조에 사용합니다.

근거를 확인할 수 있는 RAG
검색 결과뿐 아니라 원문 출처와 필요한 정량 데이터를 함께 전달해 결과가 어디에서 나왔는지 확인할 수 있도록 구성합니다.

검증 가능한 서비스
Agent Workflow는 회귀 테스트와 Golden case로, ML 모델은 평가 데이터와 반복 검증으로 확인하고 있습니다.

• 심화 생성형 AI 활용 인재양성과정
  AI Agent · FastAPI/React · RAG
  2026.07 – 2026.09

• 삼정 ESG 데이터 활용 AX Academy with AI Agent
  ESG 데이터 처리 · AI 보고서 생성
  2025.12 – 2026.06

• 삼정 ESG AX Academy with AI Agent 개인 부문 최우수상

• 한국관광대학교 외식경영학과 졸업
  2024.02

Email
jt33_@naver.com

GitHub
https://github.com/chaehun0i