| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| 15 | 16 | 17 | 18 | 19 | 20 | 21 |
| 22 | 23 | 24 | 25 | 26 | 27 | 28 |
| 29 | 30 | 31 |
Tags
- Multi-Head Attention
- MQA
- SK AI SUMMIT 2025
- extended thinking
- langgraph
- flashattention
- self-attention
- PEFT
- re-ranking
- gqa
- Embedding
- attention
- Engineering at Anthropic
- test-time scaling
- MHA
- BLEU
- model context protocol
- catastrophic forgetting
- 트랜스포머
- rotary position embedding
- RLHF
- CoT
- Positional Encoding
- 토크나이저
- Langchain
- chain-of-thought
- transformer
- fréchet inception distance
- context engineering
- reinforcement learning from human feedback
Archives
- Today
- Total
목록checkpoints (1)
AI Engineer 공간 "사부작 사부작"
Langgraph(LangChain)으로 멀티 LLM 에이전트 비용 추적하기: response_metadata 완벽 분석
Langgraph(LangChain)으로 멀티 LLM 에이전트 비용 추적하기: response_metadata 완벽 분석AI 에이전트, 특히 여러 LLM이 협력하는 멀티 에이전트 시스템을 개발하다 보면 필연적으로 마주하는 질문이 있습니다. "그래서, 이 작업에 비용이 얼마나 들었지?" OpenAI, Anthropic, Google 등 다양한 LLM을 오가며 최적의 결과를 만드는 LangGraph의 유연성은 강력한 무기이지만, 동시에 비용 추적을 복잡하게 만드는 요인이 되기도 합니다. 어떤 모델이 얼마만큼의 토큰을 사용했는지 정확히 알아야만 서비스의 운영 비용을 산정하고 최적화할 수 있기 때문입니다. 이 복잡한 비용 추적의 실마리를 풀어줄 핵심 열쇠가 바로 LangChain의 response_metadat..
Code/Langgraph
2025. 7. 3. 08:13