바이브코딩 첫 수업

0교시

오늘 배울 7개 단어 지도

외울 필요 없다. “이 부품은 무슨 역할인가” 한 줄씩만 잡고 출발한다.

1 Token 글의 레고 조각 = 요금 단위

AI는 글을 조각 단위로 읽고 쓴다. 조각 수만큼 돈이 든다.

2 LLM 다음 말을 잇는 엔진

지금까지의 글을 보고 다음 조각을 고른다. 그게 전부다.

3 Embedding 문장을 지도 위 위치로

의미가 비슷한 문장은 지도에서 가까운 곳에 찍힌다.

4 RAG 자료를 찾아 책상에 올리기

AI를 다시 가르치는 게 아니라, 참고자료를 펼쳐주는 방식이다.

5 API 다른 서비스의 주문 창구

정해진 양식으로 부탁하면, 정해진 양식으로 결과가 온다.

5 MCP AI 도구용 공용 플러그

파일, 캘린더, DB 같은 도구를 표준 규격으로 AI에 꽂는다.

6 DB 규칙 있는 장부

데이터를 장부 여러 권으로 나눠 오래, 정확하게 남긴다.

1교시

토큰: AI는 글을 조각으로 세고, 조각만큼 돈을 받는다

끝나면 이렇게 말할 수 있다 — “토큰은 글의 레고 조각이자 요금 단위다.”

토큰 미터기 요청 문장을 골라보세요

입력 토큰 9

예상 영수증

모델: gemini-2.5-flash-lite
입력 토큰: 9
출력 토큰(예상): 150
예상 비용: $0.00006

짧은 요청은 커피 한 잔의 10만분의 1 수준이다.

토큰 경계는 모델마다 조금씩 다르다. 여기서는 감을 잡기 위한 대략적인 조각이다.

바이브코딩에 써먹기

“유료 AI를 호출할 때마다 모델명, 입력/출력 토큰, 예상 비용을 DB에 기록하는 코드도 같이 만들어줘.”

30초 체크

회의록 전체를 매번 AI에게 통째로 붙이면 어떤 일이 생길까?

2교시

LLM: 지금까지의 글을 보고, 다음 조각을 고른다

끝나면 이렇게 말할 수 있다 — “LLM은 생각하는 사람이 아니라, 다음 토큰을 계속 고르는 엔진이다.”

다음 토큰 예측기 AI가 문장을 만드는 실제 방식

지금까지의 글

사장님 보고 한 줄 요약: 신제품 출시일은

다음 토큰 후보와 확률

버튼을 누르면 확률이 가장 높은 조각이 문장 뒤에 붙는다.

그럼 AI는 뭘 보고 답할까? — 책상(컨텍스트 창)에 올라온 것만 본다

컨텍스트 창 = AI의 책상이다. 책상에 올라온 종이만 읽을 수 있고, 책상 크기(토큰 한도)는 정해져 있다. 버튼을 순서대로 눌러 책상이 채워지는 과정을 보자.

먼저 “어떤 방식으로 일해야 하는지” 기본 규칙 종이가 책상에 올라간다.

AI의 책상 · Context 책상 18% 사용

기본 규칙

한국어로 쉽게 설명해. 전문 용어에는 비유를 붙여.

내 질문

RAG가 뭔지 초보자에게 설명해줘.

참고자료

문서 조각, 검색 결과, 회의록처럼 밖에서 찾아온 자료.

AI의 답

RAG는 필요한 자료를 찾아 책상 위에 올려주는 방식입니다.

다음 질문

그럼 임베딩은 RAG에서 어떤 역할이야?

책상이 차면 오래된 종이를 치우거나 요약해야 한다. 이게 “컨텍스트 관리”다.

바이브코딩에 써먹기

“대화가 길어지면 오래된 내용은 요약해서 컨텍스트를 관리해줘. 중요한 결정사항은 따로 저장해줘.”

30초 체크

LLM이 어제 회의 내용을 “기억해서” 답할 수 있을까?

3교시

임베딩: 문장을 “의미 지도” 위의 위치로 바꾼다

끝나면 이렇게 말할 수 있다 — “검색은 키워드 맞추기가 아니라, 지도에서 가까운 점 찾기다.”

3차원 의미 공간 질문을 바꾸면 검색 위치가 이동합니다

그래프를 좌우로 움직여 세 축과 문장을 확인하세요.

바이브코딩에 써먹기

“검색 기능은 키워드 검색 말고 임베딩 기반 의미 검색으로 만들어줘. 비슷한 뜻이면 단어가 달라도 찾게.”

30초 체크

“멍멍이 최고”라고 검색하면 이 지도에서 어떤 문장이 먼저 나올까?

4교시

RAG: 자료를 잘라 두고, 필요한 조각만 찾아 책상에 올린다

끝나면 이렇게 말할 수 있다 — “RAG는 AI를 다시 가르치는 게 아니라, 참고자료를 펼쳐주는 방식이다.”

①

회의록
30쪽

자르기

조각1조각2조각3

미리 잘라 둔다

긴 문서를 작은 조각(청크)으로 나눈다.

②

조각1좌표조각2좌표조각3좌표

지도에 등록한다

조각마다 임베딩 좌표를 붙여 DB에 저장한다.

③

사용자 질문

→

조각1조각2조각3

가까운 조각을 찾는다

질문과 의미가 가까운 조각만 골라낸다.

④

조각2LLM

책상에 올리고 답한다

찾은 조각을 컨텍스트에 넣어 근거 있는 답을 만든다.

직접 잘라 보기 — 자르는 방식에 따라 검색 품질이 달라진다

같은 문서라도 “어떻게 자르냐”가 RAG 품질을 좌우한다. 두 방식을 비교해 보자.

예시 문서회의록 업로드 기능 설명서

# 회의록 업로드 기능

## 1. 오디오 업로드
사용자는 회의 녹음 파일을 업로드한다.
앱은 파일 형식과 용량을 먼저 확인한다.
업로드가 끝나면 서버는 처리 대기열에 작업을 넣는다.

## 2. STT 변환
서버는 STT API로 음성을 텍스트로 바꾼다.
긴 회의는 10분 단위로 나눠 변환한다.
변환 결과에는 발화 시간과 화자 후보를 함께 저장한다.

## 3. 저장, 검색, 비용 기록
긴 회의록은 주제별 챕터로 나누어 저장한다.
각 챕터는 임베딩되어 검색용 DB에 들어간다.
모든 STT와 LLM 호출은 사용량 로그에 기록한다.

자르는 방식 선택

청킹 = 긴 문서를 AI가 다루기 좋은 조각으로 자르는 일.

길이 기준은 일정한 분량으로 자르고, 앞뒤 문장을 조금 겹쳐 맥락이 끊기지 않게 한다. 노란 부분이 겹친 문장이다.

조각 1

사용자는 회의 녹음 파일을 업로드한다. 앱은 파일 형식과 용량을 먼저 확인한다. 업로드가 끝나면 서버는 처리 대기열에 작업을 넣는다.

조각 2 ← 검색됨

업로드가 끝나면 서버는 처리 대기열에 작업을 넣는다. 서버는 STT API로 음성을 텍스트로 바꾼다. 긴 회의는 10분 단위로 나눠 변환한다.

조각 3

긴 회의는 10분 단위로 나눠 변환한다. 변환 결과에는 발화 시간과 화자 후보를 함께 저장한다. 긴 회의록은 주제별 챕터로 나누어 저장한다.

질문“회의 음성은 어떻게 텍스트가 되나요?”

질문을 좌표로

거리 비교

가까운 조각 선택

책상에 올리기

조각 2가 질문과 가장 가깝다. 겹쳐 둔 문장 덕분에 “업로드 직후 → STT 변환” 흐름이 끊기지 않고 읽힌다.

바이브코딩에 써먹기

“사내 문서 질문 기능은 RAG로 만들어줘. 문서를 제목 단위로 자르고, 질문과 가까운 조각 3개만 컨텍스트에 넣어줘.”

30초 체크

RAG를 도입하면 AI 모델 자체가 우리 회사 문서를 학습하게 될까?

5교시

API와 MCP: 남의 기능을 빌려 쓰는 두 가지 창구

끝나면 이렇게 말할 수 있다 — “API는 서비스별 주문 창구, MCP는 AI 도구용 공용 플러그다.”

API 주문 창구 주문 → 처리 → 응답 → 기록

내 앱의 부탁 회의 파일을 텍스트로 바꿔줘

주문서를 보내면 처리 과정이 한 줄씩 나타난다.

MCP — 도구마다 어댑터를 만들지 말고, 공용 플러그로 꽂는다

AI에게 파일함, 캘린더, DB를 쓰게 하려면 원래는 도구마다 연결 코드를 따로 만들어야 했다. MCP는 그 연결을 하나의 표준 규격으로 통일한 약속이다. 도구를 눌러 AI에 꽂아보자.

LLM AI MCP 플러그 지원

도구를 누르면 AI가 그 도구를 쓰는 과정이 표시된다.

바이브코딩에 써먹기

“캘린더 연동은 직접 구현하지 말고 공식 API를 써줘. 실패했을 때의 에러 처리와 로그도 같이 만들어줘.”

30초 체크

내 앱에 “음성을 글자로 바꾸는 기능”을 넣고 싶다. 가장 현실적인 방법은?

6교시

DB: 한 장짜리 엑셀을 장부 여러 권으로 나눈다

끝나면 이렇게 말할 수 있다 — “같은 정보가 여러 줄에 반복되면, 장부를 나눌 때가 된 것이다.”

정리 전: 한 장에 다 넣은 엑셀어디서 많이 본 모양

사번	이름	이메일	법인	부서	직책	매니저	FTE 1월	FTE 2월
26001429	김민수	[email protected]	KR01	HR	HR Manager	이서연	1.0	0.8
26001429	김민수	[email protected]	KR01	People	People Lead	이서연	1.0	0.8
26001802	박지훈	[email protected]	KR01	Operations	Ops Specialist	김민수	1.0	1.0