LLM/ML 스터디·지식공유 큐레이션 — 검증된 강의·논문·자료 링크 (by @melocream · marblo.app)
See the code
트랜스포머부터 GPT·Claude, 에이전트·MCP·RAG까지 — LLM 시대를 스스로 공부하는 분들께 도움이 되고자 직접 읽고, 보고, 검증한 자료만 모았습니다. 이 저장소의 모든 링크는 실제로 열어 보고 살아있는 것만 담았습니다. (죽은 링크·추측 URL 없음)
An opinionated Korean-first, source-verified map for learning LLMs: foundations, building models, agents and MCP, RAG, evaluation, observability, and staying current. Start with the four-stage roadmap below; every resource is labelled with a prerequisite level and a first-pass time (or 참고용 for reference material you dip into as needed). Contributions are welcome in Korean or English.
자료가 많은 것보다 다음에 무엇을 할지 아는 것이 중요합니다. 아래 순서대로 한 단계씩 끝내고, 관심 분야의 섹션으로 확장하세요.
| 단계 | 목표 | 먼저 볼 자료 | 권장 기간 |
|---|---|---|---|
| 1. 작동 원리 잡기 | 토큰·어텐션·다음 토큰 예측을 말로 설명한다 | 3Blue1Brown, Illustrated Transformer | 1–2주 |
| 2. 직접 만들어 보기 | 작은 언어 모델을 학습·평가한다 | Karpathy Zero to Hero, CS336 | 3–6주 |
| 3. 제품으로 연결하기 | 구조화 출력·RAG·툴 호출을 조합한다 | 에이전트·MCP, RAG | 2–4주 |
| 4. 운영 가능한 시스템 만들기 | 평가·관측·서빙·비용·보안을 함께 설계한다 | Evals·관측, 로컬 실행, 보안, 비용 | 지속 |
[입문]·[중급]·[심화]는 사전지식 기준, 시간은 첫 회독·1회 실습의 대략적 투자량입니다.
참고용 은 완주 개념이 없어 필요할 때 찾아보는 채널·레퍼런스 문서·라이브러리 문서입니다.
트랜스포머 → GPT → instruction tuning → 현재까지, "안에서 무슨 일이 벌어지는가"를 그림과 애니메이션으로 이해하기.
밑바닥부터 직접 구현하며 배우는 정통 커리큘럼 위주.
"모델이 스스로 도구를 쓰게" 만드는 패턴과, 그 표준이 된 MCP. MCP로 뛰기 전에 구조화 출력·함수 호출부터 계단을 밟으세요.
터미널에서 사는 코딩 에이전트들 — 여러 벤더의 공식 문서와 실전 베스트 프랙티스. (마블로처럼 이기종 CLI를 섞어 쓰는 흐름과 맞닿아 있습니다.)
잘 물어보는 법(Prompt)에서, 무엇을 컨텍스트 윈도우에 넣을지 설계하는 법(Context)으로.
모델의 지식 한계를 외부 검색으로 메우는 파이프라인 설계. 첫 결정은 파이프라인이 아니라 "어떤 임베딩 모델을 쓰나"입니다.
사전학습 모델을 "사람이 원하는 대로" 다듬는 방법 — SFT, RLHF, DPO, LoRA.
LLM 시대를 만든 논문들. 모든 arXiv 링크는 abs 페이지를 직접 열어 논문 제목이 표기와 일치하는지 대조했습니다 (ID만 그럴듯하게 적힌 항목이 없도록).
지금 모델들이 왜 이렇게 생겼는지를 설명하는 네 갈래. 위 랜드마크를 읽은 뒤에 보세요.
MoE (Mixture of Experts) — 파라미터는 키우되 계산은 아끼기
롱컨텍스트 — 컨텍스트 윈도우는 어떻게 늘어났고, 늘어난 만큼 쓸 수 있나
Test-time compute · 추론 모델 — 학습이 아니라 추론에 연산을 더 쓰기
SSM — 어텐션 바깥의 계보
만든 모델·프롬프트·에이전트가 정말 좋아졌는지 재현 가능하게 확인하고, 여러 개를 돌릴 때 어디서 터졌는지 보이게 만드는 방법.
에이전트가 여러 개면 "어디서 왜 터졌는지"가 안 보이는 순간 운영이 무너집니다. 4단계 운영의 필수 축.
API 호출을 넘어 내 컴퓨터와 서버에서 모델을 돌리고, 속도·메모리·품질을 교환하는 법.
도구를 쓰고 데이터를 읽는 모델에서는 프롬프트 인젝션을 포함한 보안 설계가 기능의 일부입니다.
좋은 제품은 품질뿐 아니라 토큰·지연 시간·캐시·모델 선택 비용을 함께 관리합니다. (1번 토크나이저를 먼저 보면 감이 옵니다.)
텍스트만 다루던 LLM이 이미지·음성·문서를 이해하고 생성하는 흐름. 로드맵 3단계 "제품으로 연결하기"의 확장 — 이미지 입력이 필요한 제품을 만들 때 봅니다.
한국어로 깊게 파고들 수 있는, 지금도 살아있는 자료만.
이 저장소를 관리하는 데이터가 답이다(동원킴, @melocream) 의 한국어 시작 자료. Claude Code·마블로를 처음 켜는 분들께.
큐레이션 레포는 낡습니다. 이 리스트도 6개월 뒤엔 낡아요 — 그래서 "무엇을 구독해 스스로 갱신할지"를 남깁니다.
현재는 README를 검증된 인덱스로 유지합니다. 노트·실습이 실제로 쌓일 때만 아래 구조를 만듭니다.
01-foundations/ # 개념 노트와 시각화
02-courses/ # 강의 수강 노트와 실습
03-agents-mcp/ # 툴콜·MCP 실험
06-rag/ # 검색 증강 생성 실습
08-papers/ # 논문 요약
🔗 잘못된 링크나 추가하면 좋을 자료가 있으면 이슈/PR 환영합니다. 기여 방법은 CONTRIBUTING.md, 이용 조건은 CC BY 4.0을 참고하세요. Maintained by 데이터가답이다(동원킴) · @melocream · Built with marblo.app
LLM/ML 스터디·지식공유 큐레이션 — 검증된 강의·논문·자료 링크 (by @melocream · marblo.app)
See the code
트랜스포머부터 GPT·Claude, 에이전트·MCP·RAG까지 — LLM 시대를 스스로 공부하는 분들께 도움이 되고자 직접 읽고, 보고, 검증한 자료만 모았습니다. 이 저장소의 모든 링크는 실제로 열어 보고 살아있는 것만 담았습니다. (죽은 링크·추측 URL 없음)
An opinionated Korean-first, source-verified map for learning LLMs: foundations, building models, agents and MCP, RAG, evaluation, observability, and staying current. Start with the four-stage roadmap below; every resource is labelled with a prerequisite level and a first-pass time (or 참고용 for reference material you dip into as needed). Contributions are welcome in Korean or English.
자료가 많은 것보다 다음에 무엇을 할지 아는 것이 중요합니다. 아래 순서대로 한 단계씩 끝내고, 관심 분야의 섹션으로 확장하세요.
| 단계 | 목표 | 먼저 볼 자료 | 권장 기간 |
|---|---|---|---|
| 1. 작동 원리 잡기 | 토큰·어텐션·다음 토큰 예측을 말로 설명한다 | 3Blue1Brown, Illustrated Transformer | 1–2주 |
| 2. 직접 만들어 보기 | 작은 언어 모델을 학습·평가한다 | Karpathy Zero to Hero, CS336 | 3–6주 |
| 3. 제품으로 연결하기 | 구조화 출력·RAG·툴 호출을 조합한다 | 에이전트·MCP, RAG | 2–4주 |
| 4. 운영 가능한 시스템 만들기 | 평가·관측·서빙·비용·보안을 함께 설계한다 | Evals·관측, 로컬 실행, 보안, 비용 | 지속 |
[입문]·[중급]·[심화]는 사전지식 기준, 시간은 첫 회독·1회 실습의 대략적 투자량입니다.
참고용 은 완주 개념이 없어 필요할 때 찾아보는 채널·레퍼런스 문서·라이브러리 문서입니다.
트랜스포머 → GPT → instruction tuning → 현재까지, "안에서 무슨 일이 벌어지는가"를 그림과 애니메이션으로 이해하기.
밑바닥부터 직접 구현하며 배우는 정통 커리큘럼 위주.
"모델이 스스로 도구를 쓰게" 만드는 패턴과, 그 표준이 된 MCP. MCP로 뛰기 전에 구조화 출력·함수 호출부터 계단을 밟으세요.
터미널에서 사는 코딩 에이전트들 — 여러 벤더의 공식 문서와 실전 베스트 프랙티스. (마블로처럼 이기종 CLI를 섞어 쓰는 흐름과 맞닿아 있습니다.)
잘 물어보는 법(Prompt)에서, 무엇을 컨텍스트 윈도우에 넣을지 설계하는 법(Context)으로.
모델의 지식 한계를 외부 검색으로 메우는 파이프라인 설계. 첫 결정은 파이프라인이 아니라 "어떤 임베딩 모델을 쓰나"입니다.
사전학습 모델을 "사람이 원하는 대로" 다듬는 방법 — SFT, RLHF, DPO, LoRA.
LLM 시대를 만든 논문들. 모든 arXiv 링크는 abs 페이지를 직접 열어 논문 제목이 표기와 일치하는지 대조했습니다 (ID만 그럴듯하게 적힌 항목이 없도록).
지금 모델들이 왜 이렇게 생겼는지를 설명하는 네 갈래. 위 랜드마크를 읽은 뒤에 보세요.
MoE (Mixture of Experts) — 파라미터는 키우되 계산은 아끼기
롱컨텍스트 — 컨텍스트 윈도우는 어떻게 늘어났고, 늘어난 만큼 쓸 수 있나
Test-time compute · 추론 모델 — 학습이 아니라 추론에 연산을 더 쓰기
SSM — 어텐션 바깥의 계보
만든 모델·프롬프트·에이전트가 정말 좋아졌는지 재현 가능하게 확인하고, 여러 개를 돌릴 때 어디서 터졌는지 보이게 만드는 방법.
에이전트가 여러 개면 "어디서 왜 터졌는지"가 안 보이는 순간 운영이 무너집니다. 4단계 운영의 필수 축.
API 호출을 넘어 내 컴퓨터와 서버에서 모델을 돌리고, 속도·메모리·품질을 교환하는 법.
도구를 쓰고 데이터를 읽는 모델에서는 프롬프트 인젝션을 포함한 보안 설계가 기능의 일부입니다.
좋은 제품은 품질뿐 아니라 토큰·지연 시간·캐시·모델 선택 비용을 함께 관리합니다. (1번 토크나이저를 먼저 보면 감이 옵니다.)
텍스트만 다루던 LLM이 이미지·음성·문서를 이해하고 생성하는 흐름. 로드맵 3단계 "제품으로 연결하기"의 확장 — 이미지 입력이 필요한 제품을 만들 때 봅니다.
한국어로 깊게 파고들 수 있는, 지금도 살아있는 자료만.
이 저장소를 관리하는 데이터가 답이다(동원킴, @melocream) 의 한국어 시작 자료. Claude Code·마블로를 처음 켜는 분들께.
큐레이션 레포는 낡습니다. 이 리스트도 6개월 뒤엔 낡아요 — 그래서 "무엇을 구독해 스스로 갱신할지"를 남깁니다.
현재는 README를 검증된 인덱스로 유지합니다. 노트·실습이 실제로 쌓일 때만 아래 구조를 만듭니다.
01-foundations/ # 개념 노트와 시각화
02-courses/ # 강의 수강 노트와 실습
03-agents-mcp/ # 툴콜·MCP 실험
06-rag/ # 검색 증강 생성 실습
08-papers/ # 논문 요약
🔗 잘못된 링크나 추가하면 좋을 자료가 있으면 이슈/PR 환영합니다. 기여 방법은 CONTRIBUTING.md, 이용 조건은 CC BY 4.0을 참고하세요. Maintained by 데이터가답이다(동원킴) · @melocream · Built with marblo.app