LLM 입문서 시리즈

시모다 쇼(Sho Shimoda)가 쓴 생성형 AI의 일곱 권짜리 현장 가이드 — 이제 완결되었습니다.

이 시리즈가 지향하는 것

LLM 입문서 시리즈는 대규모 언어 모델을 "내부의 메커니즘에서부터" 이해하기 위한 안내서입니다. 엔지니어, 기술 PM, 그리고 전공자는 아니지만 차근차근 따라 읽고 싶은 분 — 기술에 진지하게 다가서려는 독자를 떠올리며 쓰였습니다. 각 권은 분야의 한 단면을 깊이 파고들되, 기술적인 정확도를 양보하지 않으면서도 현장에서 쓸 수 있을 만큼 곱씹어 풀어내는 것을 목표로 삼습니다.

일곱 권 전권이 모두 출간되었습니다. 기초에서 시작해 — 수학, 검색 보강 생성(RAG), MCP를 통한 인지 설계, 실전 애플리케이션, 스케일과 추론 인프라, 그리고 보안까지 — 대규모 언어 모델을 책임 있게 다루기 위한 토대를 층층이 쌓아 올립니다. 언어 모델이 몸을 갖게 되는 순간까지 함께 보고 싶다면, 자매 볼륨인 「Physical AI」를 나란히 놓고 읽어 주세요.

일곱 권 모두 Amazon에서 판매 중입니다. 이 페이지는 각 권의 요약, 챕터별 워크스루 링크, 그리고 시리즈 전체의 지도로 쓰이도록 만들었습니다.

이런 분께: 오래 가는 이해를 원하는 엔지니어와 아키텍트. AI 관련 의사결정을 맡고 있는 PM과 경영진. 헤드라인 뒤에서 무엇이 움직이는지 짚어보고 싶은 학생과 호기심 많은 실무자. 수학 배경은 전제하지 않지만, 경력 있는 엔지니어가 읽어도 시간이 아깝지 않을 정도의 기술적 정밀도는 유지합니다.

이 페이지를 읽는 법

아래에 일곱 권 각각의 — 부(Part)별로 정리된 — 전체 차례를 그대로 펼쳐 두었습니다. 각 챕터 옆에 걸린 링크는 그 챕터의 워크스루 글로 이어집니다. 각 권의 맨 위에는 Amazon 링크를 함께 걸어 두었으니, 종이책이나 Kindle로 넘어가고 싶은 분은 그쪽을 눌러 주세요.

부록(Appendix)은 투명성을 위해 같이 적어 두었지만, 책에만 실린 자료입니다 — 참고 자료, 치트시트, 풀이가 달린 연습문제 등 책의 뒷장에 놓이는 것이 어울리는 내용입니다. 부록을 손에 쥐고 싶다면 책으로 읽어 주세요.

제1권 — 생성형 AI는 어떻게 작동하는가

대규모 언어 모델의 토대를, 명확하고 실용적으로 풀어내는 입문서.

시리즈 전체의 시작점이 되는, 평이한 언어로 쓰인 출발점입니다. 0에서부터 — 토큰, 학습, 그리고 "다음 단어를 예측한다"는 단순한 행위에서부터 — 대규모 언어 모델이 무엇이고, 어떻게 학습되며, 왜 그렇게 행동하는지를, 사전 지식을 전제하지 않고 정직하게 그려냅니다. 이후의 모든 권이 그 위에 놓이는 토대입니다.

지금 Amazon에서 구매 가능. Amazon에서 LLM Primer I 보기 →

시리즈 서문: LLM Primer I 챕터별 워크스루 — 시리즈 서문과 인덱스

제I부 — 토대

제1장	대규모 언어 모델이란 무엇인가
제2장	확률, 토큰, 그리고 텍스트
제3장	모델 안에서 텍스트는 어떻게 흐르는가

제II부 — 모델을 빚는 과정

제4장	모델은 어떻게 학습되는가
제5장	그래도 작은 결함이 남아 있다
제6장	안전, 정렬, 그리고 모델이 "도움이 된다"는 것의 의미

제III부 — 모델을 쓰는 자리

제7장	모델을 더 영리하게 쓰는 방식: 프롬프트 엔지니어링
제8장	모델 한 대로는 부족할 때: 도구 사용과 에이전트
제9장	RAG: 모델에 최신의 결을 흘려보내는 길

제IV부 — 그 너머

제10장	멀티모달: 텍스트를 넘어선 입력
제11장	모델을 더 작게, 더 영리하게
제12장	LLM 시스템을 짓는다는 것, 그리고 이 다음

부록 (책에만 수록)

부록 A	LLM 용어집
부록 B	어텐션 뒤의 수학
부록 C	프롬프트 치트 시트

부록 D	도구와 라이브러리
부록 E	권장 도서

제2권 — 수학으로 읽는 언어 모델

수학적 통찰로 AI의 내부 작동을 들여다보다.

AI의 내부 작동 — 어텐션, 최적화 동역학, 손실 지형, 스케일링 거동 — 을, 그것을 굴리는 수학의 결로 함께 풀어내는, 수학적으로 엄밀하면서도 끝까지 읽히는 한 권입니다. 의미 있는 모든 수식이 그 자리에서 완전히 유도되고, 식 하나마다 이야기와 비유와 손으로 굴린 수치 예시가 덧붙습니다. 제1권이 옆 단으로 미뤄 두었던 수학을, 본문으로 끌어올린 권입니다.

지금 Amazon에서 구매 가능. Amazon에서 LLM Primer II 보기 →

시리즈 서문: LLM Primer II 챕터별 워크스루 — 시리즈 서문과 인덱스

제I부 — 언어 모델을 위한 수학적 토대

제1장	언어 모델을 위한 수학적 직관
제2장	맥락 속의 LLM
제3장	수학적 도구들

제II부 — 트랜스포머의 해부

제4장	어텐션
제5장	위치, 순서, 시퀀스 구조
제6장	트랜스포머 블록
제7장	효율과 트랜스포머의 변종들

제III부 — 학습과 평가

제8장	모델은 어떻게 배우는가
제9장	규모에서의 학습
제10장	사후 학습과 정렬의 수학
제11장	평가, 보정, 추론

제IV부 — 응용과 그 너머

제12장	LLM의 실세계 응용
제13장	한계, 위험, 그리고 미해결 과제
제14장	엔지니어를 위한 실무 지식

부록 (책에만 수록)

	LLM 수학 치트 시트
	LLM에 대한 통계학적 관점
	사람들이 묻는 질문들
	유도 풀이 모음

	풀이가 달린 연습문제
	기호 인덱스
	숫자로 따라가는 한 번의 순전파
	아이디어의 연표

제3권 — RAG로 강화하는 엔터프라이즈 AI

엔터프라이즈를 위한 검색 보강 생성(RAG) 시스템을 짓는 실전 가이드.

실전의 검색 보강 생성 — 벡터 데이터베이스, 청킹 전략, 그리고 모델을 자기 회사의 문서에 단단히 묶어 두는 아키텍처를 통해, 늘 최신이면서도 출처가 같이 따라붙는 엔터프라이즈 답변을 만들어 내는 길을 다룹니다. 늘 최신을 유지해야 하고, 출처를 같이 인용해야 하는 AI 기능을 책임지고 출하해야 하는 분께 권하는 한 권입니다.

지금 Amazon에서 구매 가능. Amazon에서 LLM Primer III 보기 →

시리즈 서문: LLM Primer III 챕터별 워크스루 — 시리즈 서문과 목차

제I부 — RAG 아키텍처의 토대

제1장	RAG 아키텍처의 진화

제II부 — 데이터 수집, 파싱, 청킹

제2장	지능적 문서 파싱
제3장	고급 청킹 프레임워크

제III부 — 벡터 DB와 검색 최적화

제4장	알맞은 벡터 DB 선택
제5장	검색 파이프라인 설계

제IV부 — 보안, 프라이버시, 접근 제어

제6장	RAG의 위협 모델과 취약성
제7장	접근 제어의 구현
제8장	RAG 파이프라인의 데이터 익명화

제V부 — 평가, 모니터링, 운영

제9장	RAG 평가의 삼각대
제10장	주요 평가 프레임워크
제11장	지속적 업데이트와 파이프라인 최적화

부록 (책에만 수록)

부록 A	RAG 최적화를 위한 필수 수식
부록 B	데이터 익명화·평가용 샘플 시스템 프롬프트

부록 C	벡터 DB와 도구의 결정 매트릭스
부록 D	RAG 평가용 벤치마크 데이터셋

제4권 — MCP로 설계하는 AI의 인지

믿음직한 AI 에이전트를 위한 컨텍스트·도구·기억의 엔지니어링.

구조화된 컨텍스트 모델링과 오케스트레이션 — 모델 자체가 아니라, 모델이 보게 될 컨텍스트와 상황을 엔지니어링하여 모델의 추론을 빚어내는 길입니다. 에이전트형 시스템을 만들고 있는 분께 — 도구 인벤토리, 장시간 동작하는 루프, 세션을 가로지르는 기억, 그리고 모델이 보게 되는 것을 설계하는 규율을 다룹니다.

지금 Amazon에서 구매 가능. Amazon에서 LLM Primer IV 보기 →

시리즈 서문: LLM Primer IV 챕터별 워크스루 — 시리즈 서문과 목차

제I부 — AI 통합의 패러다임 전환

제1장	AI 통합의 위기와 에이전트형 아키텍처의 부상
제2장	Model Context Protocol(MCP) 들여다보기

제II부 — MCP의 핵심 메커니즘

제3장	서버 프리미티브 — 컨텍스트와 기능의 노출
제4장	클라이언트 프리미티브 — 에이전트적 동작과 제어
제5장	전송 프로토콜과 디스커버리

제III부 — 멀티 에이전트 오케스트레이션 패턴

제6장	기본 오케스트레이션 전략
제7장	고급 협업·동적 패턴
제8장	아키텍처 배치 레이아웃

제IV부 — AI 인지의 설계: 컨텍스트와 기억

제9장	어텐션 예산의 관리
제10장	장기 과제를 위한 기억

제V부 — 에이전트 워크플로우의 보안

제11장	공격면과 프로토콜 취약성
제12장	프로토콜 하드닝과 방어

제VI부 — 프로덕션 엔지니어링과 규모

제13장	프레임워크와 클라우드 통합
제14장	벤치마크, 테스트, 성능

부록 (책에만 수록)

부록 A	MCP 퀵 레퍼런스 & 치트 시트
부록 B	구현 청사진과 코드 예제
부록 C	프로덕션 준비·보안 체크리스트

부록 D	고급 명세와 SEP
부록 E	벤치마크와 성능 데이터
부록 F	공식 자료와 생태계 링크

제5권 — 실전 LLM 애플리케이션 만들기

운영 환경에서 LLM 시스템을 설계·평가·운영하다.

프로토타입에서 운영 환경까지 — API 설계, 평가 루프, 모니터링, 통합 — 능력 있는 모델 하나를, 믿고 쓸 수 있는 제품으로 옮겨가는 시스템 중심의 가이드입니다. 아키텍처에 대한 이해를, 실제 사용자가 쓰는 서비스로 옮겨가는 단계의 한 권입니다.

지금 Amazon에서 구매 가능. Amazon에서 LLM Primer V 보기 →

시리즈 서문: LLM Primer V 챕터별 워크스루 — 시리즈 서문과 목차

제I부 — AI 엔지니어링의 토대

제1장	AI 엔지니어링이라는 분야
제2장	파운데이션 모델과 프롬프트 엔지니어링

제II부 — 에이전트형·검색 능력의 구축

제3장	검색 보강 생성(RAG)
제4장	AI 에이전트와 도구 호출

제III부 — 품질 보증과 옵저버빌리티

제5장	LLM 애플리케이션의 평가
제6장	AI 옵저버빌리티와 트레이싱

제IV부 — 보안, 스케일, 최적화

제7장	LLM의 보안과 가드레일
제8장	성능·서빙·비용의 최적화

부록 (책에만 수록)

부록 A	프로덕션 준비·보안 체크리스트
부록 B	도구·프레임워크 선택 매트릭스
부록 C	프로토콜, 스트리밍, 구조화된 출력

부록 D	레이트 리미팅과 비용 관리 아키텍처
부록 E	AI 엔지니어링 지표와 용어집

제6권 — AI 시스템을 스케일하다

프로덕션 스케일을 위한 저지연 LLM 추론 아키텍처.

고성능 추론의 아키텍처 — 분산 서빙, 지연 최적화, 그리고 하루에 수백만 번 답해야 하는 시스템을 위한 비용 모델링. 서버 한 대로는 더 이상 감당이 안 되는 AI 시스템을, 진짜 "인프라"답게 다시 짓기 위한 한 권입니다.

지금 Amazon에서 구매 가능. Amazon에서 LLM Primer VI 보기 →

시리즈 서문: LLM Primer VI 챕터별 워크스루 — 시리즈 서문과 목차

제I부 — LLM 추론의 토대

제1장	토큰 생성의 메커니즘
제2장	KV 캐시라는 도전

제II부 — 하드웨어 기반

제3장	생성형 AI를 위한 데이터센터 GPU
제4장	전용 AI 실리콘과 ASIC

제III부 — 모델 단의 최적화(압축)

제5장	양자화의 정체
제6장	가지치기와 지식 증류

제IV부 — 시스템·엔진 단의 최적화

제7장	고급 배치 전략
제8장	차세대 KV 캐시 관리
제9장	추측 디코딩(Speculative Decoding)

제V부 — 서빙 프레임워크와 오케스트레이션

제10장	LLM 엔진 레이어
제11장	플랫폼·오케스트레이션 레이어
제12장	분리형 서빙과 Kubernetes
제13장	오토스케일링과 콜드 스타트 완화

제VI부 — 애플리케이션 단의 경제와 TCO

제14장	토큰 경제학과 API 가격
제15장	서버리스 API vs. 전용 인프라
제16장	프로덕션의 비용 절감 전략

부록 (책에만 수록)

부록 A	수식과 비용 모델링 레퍼런스
부록 B	하드웨어·가속기 사양 가이드

부록 C	배포 구성과 코드 스니펫
부록 D	벤치마킹 방법론과 지표 정의

제7권 — AI 보안

프롬프트 인젝션, 탈옥, 적대적 위협에 맞서 LLM 시스템을 지키다.

안전하고 견고한 AI의 설계 — 적대적 위험, 프롬프트 인젝션, 거버넌스 프레임워크, 그리고 실제 운영 환경에 배포되는 시스템을 위한 방어적 설계. AI 시스템을 "보안 관련 인프라"로 진지하게 다루어야 할 때 펼쳐 둘 한 권입니다. 시리즈의 마지막 권으로, 앞선 여섯 권이 짚어 온 층위 위에 "이 시스템이 공격을 견디는가"라는 물음을 얹습니다.

지금 Amazon에서 구매 가능. Amazon에서 LLM Primer VII 보기 →

시리즈 서문: LLM Primer VII 챕터별 워크스루 — 시리즈 서문과 목차

제I부 — AI 보안의 토대

제1장	AI 보안은 왜 다른가
제2장	LLM 시스템을 위한 위협 모델링
제3장	데이터 보안과 프라이버시

제II부 — 프롬프트와 상호작용의 보안

제4장	프롬프트 인젝션과 탈옥
제5장	입력 검증과 출력 필터링
제6장	RAG의 위험

제III부 — 모델의 견고함과 신뢰성

제7장	환각과 신뢰성
제8장	모델을 향한 적대적 공격
제9장	모델 무결성과 공급망 위험

제IV부 — 시스템 단의 보안 아키텍처

제10장	안전한 LLM 아키텍처의 설계
제11장	옵저버빌리티, 로깅, 사고 대응
제12장	접근 제어와 ID

제V부 — 거버넌스, 윤리, 컴플라이언스

제13장	규제 환경
제14장	편향, 공정성, 책임 있는 AI
제15장	안전한 AI 조직 만들기

제VI부 — 심화 주제

제16장	안전한 파인튜닝과 적응
제17장	미래의 위협과 떠오르는 방어

부록 (책에만 수록)

부록 A	프로덕션용 AI 보안 체크리스트
부록 B	위협 모델 템플릿 샘플
부록 C	안전한 프롬프트 설계 패턴

부록 D	LLM 애플리케이션을 위한 사고 대응 템플릿
부록 E	권장 도구와 프레임워크

Physical AI — 자매 볼륨

LLM 입문서 시리즈와 나란히 놓이는 짧은 자매 볼륨 「Physical AI」는, 언어 모델이 화면 밖으로 나와 몸을 갖게 되는 순간을 다룹니다. 로봇 공학과 센서, 그리고 물리 세계와 마주하는 AI — 인지가 텍스트 안에만 머무르지 않을 때 벌어지는 문제를 짚어 보고 싶은 분께 권합니다. LLM 시리즈의 확장편이자, 같은 저자가 같은 자세로 쓴 짧은 한 권입니다.