지금이 가장 저렴해요
본 강의는 6월 22일에 신규 런칭한 강의로
사전 구매하신 분들께 얼리버드 혜택을 제공하고 있습니다.
김용담의 에이전트를 위한 지식그래프 바이블 : LLM Wiki·GraphRAG·온톨로지·Agent Harness
라스트 얼리버드✨
26년 7월 13일 ~ 7월 31일까지
정가 600,000원
판매가 264,000원
12개월 할부 적용시
약 56%
월 22,000원
정가
600,000원
🚨마지막 얼리버드 마감까지🚨
4일6시간27분2초
RAG는 정보를 찾습니다.
Knowledge Graph는 관계를 이해합니다.
LLM Wiki, GraphRAG, 온톨로지, 하네스까지 ···
지식그래프의 모든 내용 을 정리한 단 하나의 강의
이런 분들을 위해 준비했어요.
01. 강의 핵심 포인트
핵심 01
RAG 이후를 준비하는
20시간 지식그래프 올인원 로드맵
RAG 이후를 준비하는
20시간 지식그래프 올인원 로드맵
LLM Wiki부터 GraphRAG, 온톨로지, Agent Harness까지
Agent 지식 시스템의 전체 흐름을 20시간으로 압축 정리합니다.
Agent 지식 시스템의 전체 흐름을 20시간으로 압축 정리합니다.
핵심 02
Claude Code와 함께 만드는
30개 핵심 실습 구성
Claude Code와 함께 만드는
30개 핵심 실습 구성
문서 파싱, 엔티티 추출, Neo4j 적재, Text-to-Cypher 등등
지식그래프 파이프라인을 Cluade code와 함께 직접 구현합니다.
지식그래프 파이프라인을 Cluade code와 함께 직접 구현합니다.
핵심 03
3개 도메인의 온톨로지 프로젝트,
그리고 김용담의 GraphRAG 하네스까지
3개 도메인의 온톨로지 프로젝트,
그리고 김용담의 GraphRAG 하네스까지
SEC 10-K, OpenAlex, PrimeKG 등
다양한 데이터를 활용해 도메인별 지식그래프 Agent를 구축합니다.
다양한 데이터를 활용해 도메인별 지식그래프 Agent를 구축합니다.
핵심 04
수강생 전용 QnA 커뮤니티를 통한
김용담 강사님과의 1:1 소통
수강생 전용 QnA 커뮤니티를 통한
김용담 강사님과의 1:1 소통
강의 수강생을 위한, 함께 공부하고 성장하는 커뮤니티를 운영합니다.
공부하다 막히는 내용, 궁금한 내용은 전부 질문해보세요.
* 수강생 커뮤니티는 28년 6월 21일까지 제공되며, 당사 사정에 따라 변경될 수 있습니다.
공부하다 막히는 내용, 궁금한 내용은 전부 질문해보세요.
* 수강생 커뮤니티는 28년 6월 21일까지 제공되며, 당사 사정에 따라 변경될 수 있습니다.
02. 강사님 소개
안녕하세요.
김용담 입니다.
AI 에이전트 시대에 필요한 것은 더 많은 기술 이름을 아는 것이 아니라,
지식을 구조화하고 연결하는 방법을 이해하는 것입니다.
Claude Code와 같은 발 환경의 등장으로 이제는 누구나 에이전트를 만들 수 있게 되었습니다.
하지만 실제로 좋은 에이전트를 만들기 위해서는 LLM만으로는 부족합니다.
기업의 문서, 데이터, 규칙, 관계를 이해할 수 있는 지식의 구조가 필요합니다.
그래서 최근 GraphRAG, Ontology, Knowledge Graph가 다시 중요해지고 있습니다.
하지만 각각의 기술을 따로 공부하다 보면
"그래서 언제 무엇을 써야 하는가?"라는 질문에 답하기 어렵습니다.
이 강의는 바로 그 고민에서 시작했습니다.
LLM Wiki부터 Knowledge Graph 구축, GraphRAG, Ontology, Agent Harness,
그리고 Claude Code를 활용한 실제 지식 기반 Agent 구현까지.
각각의 기술을 따로 설명하는 것이 아니라 하나의 흐름 속에서 연결해 설명합니다.
이 강의가 여러분이 AI Agent를 위한 지식 구조를 이해하는 첫 번째 바이블이 되었으면 합니다.
서강대학교 빅데이터처리 연구실 박사과정
패스트캠퍼스 커리어교육사업본부 전속강사
Kaggle Competition & Notebook Expert
퓨처스킬 Co-founder & COO
서강대학교 컴퓨터공학과 학·석사
LinkdeIn
GitHub
기업이 먼저 찾는 AI 교육 전문가
이유 01
삼성전자, KB 금융그룹 등
국내 주요 기업이 먼저 찾는 강사
국내 주요 기업이 먼저 찾는 강사
이유 02
1만 시간 이상의 강의,
그리고 꾸준한 연구 활동
그리고 꾸준한 연구 활동
이유 03
2026 최신 베스트 셀러
‘AI 격차’ 공동 저자
‘AI 격차’ 공동 저자
김용담 강사님의 강의를 먼저 들어본
찐 수강생들의 간증
03. 학습 내용 자세히 보기
STEP 01.
지식을 구조화하기 ft.LLM Wiki
지식을 구조화하기 ft.LLM Wiki
LLM이 활용할 수 있도록 문서와 도메인 지식을 체계적으로 정리하고,
검색 가능한 Knowledge Source를 구축합니다.
검색 가능한 Knowledge Source를 구축합니다.
학습 내용
LLM Wiki 구축하기
Markdown · Metadata 설계
WikiLink · Tag 구조 만들기
Baseline Vector RAG 구현
STEP 02.
지식 그래프 구축하기
지식 그래프 구축하기
문서 속 흩어진 정보를 Entity와
Relation으로 연결하여 Knowledge Graph와 GraphDB를 구축합니다.
Relation으로 연결하여 Knowledge Graph와 GraphDB를 구축합니다.
학습 내용
Entity 추출
Relation 추출
Graph Schema 설계
Neo4j 적재 및 Cypher Query
STEP 03.
GraphRAG · Ontology 적용하기
GraphRAG · Ontology 적용하기
관계 기반 검색과 의미 검증을 통해
더 정확하고 신뢰할 수 있는 지식 검색 체계를 완성합니다.
더 정확하고 신뢰할 수 있는 지식 검색 체계를 완성합니다.
학습 내용
GraphRAG 구현
LightRAG 활용
Ontology 설계
Semantic Validation 적용
FINAL PROJECT
Knowledge Graph 기반 에이전트
Knowledge Graph 기반 에이전트
금융, 의료, 연구 도메인을 대상으로
Knowledge Graph 기반 Agent를 직접 설계하고 구현합니다.
Knowledge Graph 기반 Agent를 직접 설계하고 구현합니다.
학습 내용
금융 리스크 · 컴플라이언스 Agent
의료 약물상호작용 Agent
연구 지식 탐색 Agent
지식그래프는 단순히 눈으로만 보면 이해하기 어려워요.
직접 구축하며 익힐 수 있도록 준비했습니다.
1. LLM Wiki
문서, 위키, 사내 지식 등을 AI가 활용할 수 있는 형태로 구조화하고 관리하는 방법을 학습합니다.
2. Knowledge Graph
Entity와 Relation을 활용하여 흩어진 정보를 하나의 지식 네트워크로 연결하는 방법을 학습합니다.
3. Graph Database
Knowledge Graph를 저장하고 탐색하기 위한 Graph Database의 구조와 활용 방법을 학습합니다.
4. GraphRAG
관계 기반 검색을 통해 기존 RAG의 한계를 극복하는 GraphRAG 아키텍처를 학습합니다.
5. Ontology
지식의 의미와 규칙을 정의하여 일관성 있는 Knowledge Layer를 설계하는 방법을 학습합니다.
6. Semantic Validation
Ontology 기반 검증을 통해 잘못된 관계와 추론을 걸러내는 방법을 학습합니다.
7. Agentic RAG
GraphRAG를 활용해 Agent가 스스로 검색·추론하도록 만드는 방법을 학습합니다.
8. Agent Harness
GraphRAG와 검증 체계를 Agent에 연결하는 아키텍처를 학습합니다.
대표 Hands-on 01
Neo4j Knowledge Graph 구축하기
Neo4j Knowledge Graph 구축하기
문서에서 Entity와 Relation을 추출하고,
Neo4j 기반의 실제 Knowledge Graph를 구축합니다.
대표 Hands-on 02
GraphRAG 검색 시스템 구축하기
GraphRAG 검색 시스템 구축하기
Graph Context 기반 검색을 구현하고,
RAG와 GraphRAG를 직접 비교하며 차이를 확인합니다.
대표 Hands-on 03
Ontology Validation 시스템 구축하기
Ontology Validation 시스템 구축하기
Ontology 규칙을 활용해 잘못된 관계와 추론을 검증하는
Semantic Validation 체계를 구축합니다.
대표 Hands-on 04
Agent Harness 구축하기
Agent Harness 구축하기
GraphRAG와 Ontology를 Agent에 연결하고,
실무형 Knowledge Agent의 핵심 구조를 구현합니다.
이 외에도 30개 이상의
Hands-on Labs를 제공합니다.
실습 프로젝트명
학습 내용 설명
1. Markdown 기반 LLM Wiki 구축하기
흩어진 사내 문서와 도메인 지식을 Markdown 기반 Wiki로 정리합니다.
YAML Metadata, WikiLink, Tag 구조를 활용해 사람이 읽기 좋은 문서를 AI가 검색하고 연결할 수 있는 Knowledge Source로 바꾸는 방법을 학습합니다.
YAML Metadata, WikiLink, Tag 구조를 활용해 사람이 읽기 좋은 문서를 AI가 검색하고 연결할 수 있는 Knowledge Source로 바꾸는 방법을 학습합니다.
2. Entity Deduplication
문서에서 추출한 Entity는 같은 대상을 서로 다른 이름으로 표현하는 경우가 많습니다.
기업명, 약어, 제품명, 논문명처럼 중복되기 쉬운 Entity를 정규화하고 병합하여 Knowledge Graph의 품질을 높이는 방법을 학습합니다.
기업명, 약어, 제품명, 논문명처럼 중복되기 쉬운 Entity를 정규화하고 병합하여 Knowledge Graph의 품질을 높이는 방법을 학습합니다.
3. Cypher Query 작성
Knowledge Graph는 구축보다 활용이 더 중요합니다.
Cypher를 활용하여 여러 노드와 관계를 탐색하고, 멀티홉 질의를 수행하며 그래프 데이터를 효과적으로 검색하는 방법을 학습합니다.
Cypher를 활용하여 여러 노드와 관계를 탐색하고, 멀티홉 질의를 수행하며 그래프 데이터를 효과적으로 검색하는 방법을 학습합니다.
4. LightRAG + Neo4j Backend 구축하기
GraphRAG를 처음부터 직접 구현하는 것은 쉽지 않습니다.
LightRAG와 Neo4j를 활용하여 실무에서 사용할 수 있는 GraphRAG 시스템을 빠르게 구축하고 운영하는 방법을 학습합니다.
LightRAG와 Neo4j를 활용하여 실무에서 사용할 수 있는 GraphRAG 시스템을 빠르게 구축하고 운영하는 방법을 학습합니다.
5. Semantic Check 구현하기
GraphRAG가 항상 올바른 답변을 생성하는 것은 아닙니다.
답변 생성 전 의미, 권한, 제약 조건을 검증하는 Semantic Check를 구축하여 더욱 신뢰할 수 있는 Knowledge Agent를 만드는 방법을 학습합니다.
답변 생성 전 의미, 권한, 제약 조건을 검증하는 Semantic Check를 구축하여 더욱 신뢰할 수 있는 Knowledge Agent를 만드는 방법을 학습합니다.
6. Tool Router 구현하기
모든 질문에 동일한 검색 방식이 필요한 것은 아닙니다.
질문의 유형에 따라 docs_search, graph_query, ontology_check 중 적절한 도구를 선택하는 Tool Router를 구현하고 Agentic RAG의 핵심 동작 방식을 학습합니다.
질문의 유형에 따라 docs_search, graph_query, ontology_check 중 적절한 도구를 선택하는 Tool Router를 구현하고 Agentic RAG의 핵심 동작 방식을 학습합니다.
실제 강의 프로젝트 모두 보기
YAML Metadata 설계
문서의 속성과 맥락을 정의하여 검색과 연결이 가능한 지식 구조를 설계합니다.
WikiLink · Tag 구조 설계
문서 간 관계를 연결하여 사람이 아닌 AI도 탐색할 수 있는 지식 네트워크를 구축합니다.
Markdown Parser 구현
구조화된 문서를 데이터로 변환하여 GraphRAG 구축의 입력 데이터로 활용합니다.
JSONL 인덱스 생성
문서를 검색 가능한 형태로 변환하여 RAG와 GraphRAG의 기반 데이터를 구축합니다.
Baseline Vector RAG 구축
기존 RAG를 먼저 구축하여 이후 GraphRAG와 성능을 비교할 기준선을 만듭니다.
Entity 추출
문서 속 인물, 조직, 제품, 개념 등의 핵심 정보를 추출하여 Knowledge Graph 구축의 기반을 만듭니다.
Relation 추출
Entity 간 관계를 연결하여 Triple 기반의 그래프 구조를 생성합니다.
Graph Schema 설계
어떤 Entity와 Relation을 연결할지 정의하여 그래프의 구조를 설계합니다.
Graph Query Tool 구현
Knowledge Graph를 Agent가 활용할 수 있는 검색 도구로 구현합니다.
Graph Context 기반 Q&A
그래프 관계를 활용하여 기존 RAG보다 풍부한 답변을 생성합니다.
RAG vs GraphRAG 비교
GraphRAG가 효과적인 문제와 그렇지 않은 문제를 직접 비교하며 판단 기준을 익힙니다.
Incremental Update 구현
새로운 문서가 추가되어도 전체를 다시 구축하지 않고 그래프를 확장합니다.
Entity Type 정의
도메인에 맞는 Entity 유형을 정의하여 그래프의 의미를 명확하게 만듭니다.
Relation Rule 설계
허용 가능한 관계 규칙을 정의하여 잘못된 연결을 방지합니다.
Controlled Vocabulary 구축
동일한 개념을 하나의 표준 용어로 관리하여 지식의 일관성을 유지합니다.
Schema Validation 구현
추출된 지식이 규칙을 준수하는지 자동으로 검증합니다.
Reject Reason 생성
잘못된 관계를 탐지하고 거부 사유를 생성하여 그래프 품질을 관리합니다.
docs_search Tool 구현
문서 검색 기능을 Agent가 사용할 수 있는 Tool 형태로 구현합니다.
graph_query Tool 구현
Knowledge Graph 질의 기능을 Agent Workflow에 통합합니다.
ontology_check Tool 구현
Ontology 기반 검증 기능을 Agent Workflow에 통합합니다.
Structured Output 설계
Agent가 항상 일관된 형식과 출처를 반환하도록 설계합니다.
Fallback · Retry 전략
실패 상황에서도 안정적으로 동작하는 Agent 구조를 구현합니다.
RAGAS 기반 성능 평가
GraphRAG와 Agent의 품질을 정량적으로 평가하고 개선합니다.
| 구현 순서
강사가 말하는 핵심 Point
전문적인 지식을 체계화하고 정리해서, 내가 수행해야하는 일을 완벽하게 작업하는 것을 목표로 합니다.
Knowledge Graph와 이를 Agent가 활용하는 GraphRAG 시스템이 이를 완성시켜 줍니다.
거기에 업무를 연속적으로 처리해주는 Agent를 구축하는 방법까지 배우게 됩니다.
데이터만 바꾸면 다양한 도메인에도 확장할 수 있도록,
GraphRAG Agent Harness
를 제공합니다.
3가지 프로젝트에서 만든 구조를 기반으로
재사용 가능한 GraphRAG Agent Harness 레퍼런스를 완성합니다.
GraphRAG, Ontology, Agent Harness.
이제는 따로 배우지 말고, 이번 강의 하나로 끝내세요.
단체 구매 Event
3명 이상 구매 시 단체 할인이 가능해요.
Question.1
어떤 분들이
이 강의를 수강하면 좋을까요?
이 강의를 수강하면 좋을까요?
기존 RAG의 한계를 경험해보신 분,
GraphRAG를 실무에 적용해보고 싶은 분,
Knowledge Graph와 Ontology를 처음부터 구축해보고 싶은 분께 추천드립니다.
특히 "그래서 언제 GraphRAG를 쓰고, 언제 Ontology를 써야 하는데?"라는 고민을 해보셨다면 이 강의가 좋은 출발점이 될 수 있습니다.
특히 "그래서 언제 GraphRAG를 쓰고, 언제 Ontology를 써야 하는데?"라는 고민을 해보셨다면 이 강의가 좋은 출발점이 될 수 있습니다.
Question.2
수강 후
어떤 역량을 갖추게 되나요?
어떤 역량을 갖추게 되나요?
단순히 GraphRAG를 구현하는 수준을 넘어,
어떤 상황에서 GraphRAG가 필요한지, 언제 RAG만으로 충분한지, Ontology는 어디까지 설계해야 하는지 판단할 수 있는 역량을 갖추게 됩니다.
또한 LLM Wiki, Knowledge Graph, Ontology, Agent Harness를 Claude Code와 함께 실습하며, 실제 AI Agent가 활용할 수 있는 Knowledge Layer를 직접 설계하고 구축할 수 있게 됩니다.
마지막으로 금융·제조·의료 도메인 프로젝트를 통해,
실무에서 활용 가능한 지식그래프 기반 Agent 아키텍처까지 경험하게 됩니다.
어떤 상황에서 GraphRAG가 필요한지, 언제 RAG만으로 충분한지, Ontology는 어디까지 설계해야 하는지 판단할 수 있는 역량을 갖추게 됩니다.
또한 LLM Wiki, Knowledge Graph, Ontology, Agent Harness를 Claude Code와 함께 실습하며, 실제 AI Agent가 활용할 수 있는 Knowledge Layer를 직접 설계하고 구축할 수 있게 됩니다.
마지막으로 금융·제조·의료 도메인 프로젝트를 통해,
실무에서 활용 가능한 지식그래프 기반 Agent 아키텍처까지 경험하게 됩니다.
Question.3
다른 GrpahRAG · 온톨로지 강의와
차별점이 무엇인가요?
차별점이 무엇인가요?
대부분의 GraphRAG·온톨로지 강의는
Knowledge Graph를 구축하거나 GraphRAG를 구현하는 단계에서 끝납니다.
하지만 실제 현업에서는 구축보다 더 중요한 질문이 있습니다.
GraphRAG는 언제 써야 할까?
Ontology는 어디까지 설계해야 할까?
RAG만으로 충분한 경우는 없을까?
이 강의는 LLM Wiki, Knowledge Graph, GraphRAG, Ontology, Agent Harness를 하나의 흐름으로 연결하고, Claude Code를 활용해 실제 AI Agent를 직접 구축합니다. 단순히 기술을 배우는 강의가 아니라, AI Agent를 위한 Knowledge Layer를 설계하고 실무 판단 기준까지 익히는 강의에 가깝습니다.
Knowledge Graph를 구축하거나 GraphRAG를 구현하는 단계에서 끝납니다.
하지만 실제 현업에서는 구축보다 더 중요한 질문이 있습니다.
GraphRAG는 언제 써야 할까?
Ontology는 어디까지 설계해야 할까?
RAG만으로 충분한 경우는 없을까?
이 강의는 LLM Wiki, Knowledge Graph, GraphRAG, Ontology, Agent Harness를 하나의 흐름으로 연결하고, Claude Code를 활용해 실제 AI Agent를 직접 구축합니다. 단순히 기술을 배우는 강의가 아니라, AI Agent를 위한 Knowledge Layer를 설계하고 실무 판단 기준까지 익히는 강의에 가깝습니다.
Question.4
실습을 따라하는 과정에서
비용이 발생하나요? (26년 7월 기준)
비용이 발생하나요? (26년 7월 기준)
네. 본 과정의 실습을 원활하게 진행하기 위해서는 Claude 구독과 API 사용이 필요합니다.
· Claude Pro: 월 $20 (권장)
* 더 높은 사용량이 필요한 경우 Claude Max를 선택할 수 있으나, 일반적인 실습은 Claude Pro로도 가능합니다.
· API 사용 비용: 약 $50 내외 (OpenAI API 및 Gemini API를 활용합니다.)
* Gemini는 무료 티어를 제공하지만, GraphRAG 실습 과정에서는 단기간에 많은 API 호출이 발생하므로 무료 티어만으로는 진행이 어려울 수 있습니다.
실제 API 비용은 데이터 규모, 실습 횟수, 사용 모델에 따라 달라질 수 있습니다. 강의에서는 불필요한 토큰 사용을 줄이는 방법과 실습 비용을 최소화하는 방법도 함께 안내합니다. 다만, 사용하는 모델이나 데이터 규모가 크거나 실습을 반복적으로 수행하는 경우 추가 비용이 발생할 수 있습니다.
· Claude Pro: 월 $20 (권장)
* 더 높은 사용량이 필요한 경우 Claude Max를 선택할 수 있으나, 일반적인 실습은 Claude Pro로도 가능합니다.
· API 사용 비용: 약 $50 내외 (OpenAI API 및 Gemini API를 활용합니다.)
* Gemini는 무료 티어를 제공하지만, GraphRAG 실습 과정에서는 단기간에 많은 API 호출이 발생하므로 무료 티어만으로는 진행이 어려울 수 있습니다.
실제 API 비용은 데이터 규모, 실습 횟수, 사용 모델에 따라 달라질 수 있습니다. 강의에서는 불필요한 토큰 사용을 줄이는 방법과 실습 비용을 최소화하는 방법도 함께 안내합니다. 다만, 사용하는 모델이나 데이터 규모가 크거나 실습을 반복적으로 수행하는 경우 추가 비용이 발생할 수 있습니다.