2nd/10_Wiki/Topics_AI/LLM_Fundamentals.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit
P-REINFORCE-WIKI-AI-LLM-FUNDAMENTALS	대규모 언어 모델 (LLM) 기반 코드 공학	10_Wiki/🤖 Topics_AI	verified		LLM AI 엔진 Large Language Model		A	0.98	LLM AI_Engineering Code_Comprehension RAG MCP	Datacollector_Export_2026-05-02	2026-05-02

대규모 언어 모델 (LLM) 기반 코드 공학

1. 개요

LLM(대규모 언어 모델)은 방대한 소스 코드와 문서를 학습하여 자연어 질의응답, 코드 리뷰, 버그 탐지 및 문서화를 수행하는 AI 시스템의 핵심 엔진이다. 단순한 텍스트 생성을 넘어 복잡한 코드베이스의 구조적 맥락을 분석하고 설계 의도를 추론하는 능력을 갖추고 있다.

2. 주요 활용 분야

• 통합 지식 베이스: 코드, Jira 티켓, DB 스키마, 기술 문서를 모두 인덱싱하여 '살아있는 지식 저장소' 구축.
• 아키텍처 평가: 단순 문법 검사를 넘어 보안 취약점, 모듈 간 결합도, API 계약 준수 여부 등 심층 평가 제공.
• 의도 파악 (Intent Detection): PR 설명, 커밋 메시지 등 자연어 아티팩트를 분석하여 코드가 작성된 '이유'와 '목적'을 설명.

3. 트레이드오프 및 주의사항

• 환각 (Hallucination): 존재하지 않는 로직을 사실처럼 주장할 위험이 있어 LaaJ(LLM-as-a-Judge) 및 정적 분석 도구(SonarQube 등)와의 교차 검증 필수.
• 컨텍스트 윈도우 제약: 대규모 PR(50개 이상 파일 변경)에서는 세부 맥락을 놓칠 수 있는 한계 존재.
• 실행 능력 부재: 코드를 실행하거나 디버깅하는 것은 불가능하므로 실제 환경 테스트를 대체할 수 없음.

4. 지식 연결 (Related)

• Model_Context_Protocol_Guide: LLM이 외부 저장소 데이터에 접근하기 위한 표준 인터페이스.
• LLM-as-a-Judge (LaaJ): 생성된 결과물의 신뢰성을 검증하는 아키텍처 패턴.
• RAG (Retrieval-Augmented Generation): 방대한 코드베이스 검색 증강 생성 기술.

🧪 검증 상태 (Validation)

• 정보 상태: 검증 완료 (Verified)
• 출처 신뢰도: A
• 검토 이유: 소프트웨어 엔지니어링 도메인에서의 LLM 역할과 한계를 명확히 규정.