Clip 2: PRD 프롬프트 만들기
학습 목표
CLAUDE.md를 통한 기존 코드 컨텍스트 제공 방법 익히기
Langgraph 기반 RAG 시스템의 요구사항 정리하기
Routing 기반 워크플로우 설계 이해하기
바이브 코딩에 최적화된 간결한 PRD 작성 익히기
구현 목표
Langgraph 기반 Routing RAG CLI 시스템
질문 분석하여 검색 필요 여부 판단 (Routing)
필요시 Hybrid Search로 대출 상품 검색
불필요시 LLM 직접 답변
Python CLI로 간편하게 실행
CLAUDE.md로 기존 코드 알려주기
Chapter 2에서는 Chapter 1의 Hybrid Search 구현을 재사용합니다. Claude Code에게 기존 코드의 위치와 구조를 알려주기 위해 CLAUDE.md를 작성합니다.
CLAUDE.md란?
CLAUDE.md는 Claude Code가 프로젝트를 이해하는 데 필요한 컨텍스트를 제공하는 프로젝트별 가이드 파일입니다.
역할:
프로젝트 구조와 핵심 파일 위치 안내
재사용할 코드와 함수 설명
기술 스택 및 데이터베이스 정보 제공
구현 시 주의사항 명시
CLAUDE.md 초기화 및 작성
1. CLAUDE.md 파일 생성
/init2. CLAUDE.md 맥락 주입
- 데이터베이스 관련 정보
- OpenAI GPT-5-mini 모델 정보
- (2025년 8월 출시)
- 프로젝트 목표를 RAG 개발로 수정3. Claude Code에서 CLAUDE.md 확인
Claude Code는 프로젝트 디렉토리의 CLAUDE.md를 자동으로 인식하고 참고합니다.
# Claude Code 실행
claude
# CLAUDE.md 기반으로 작업 시작
# Claude가 자동으로 Chapter 1의 코드 구조를 이해하고 재사용할 수 있음PRD 작성 전략
Chapter 1과의 차이점
Chapter 1 (Hybrid Search):
목표: Hybrid Search 엔진 구현
핵심: Vector Search + BM25 + RRF
Chapter 2 (Langgraph RAG):
목표: Routing 기반 RAG 워크플로우 구현
핵심: Langgraph + Routing + Hybrid Search 재사용
바이브 코딩용 PRD 작성법
핵심 원칙:
간결성: 핵심만 명시, 세부 구현은 AI에게
명확성: 기술 스택과 참고 자료 명확히
맥락 제공: CLAUDE.md로 기존 코드 위치와 재사용 방법 안내
PRD: Langgraph RAG CLI 구현
스펙
Python 3.10+, uv 패키지 매니저
Langgraph (워크플로우 오케스트레이션)
LangChain, langchain-openai
hybrid_search.py 사용
OpenAI GPT-5-mini (2025년 8월 출시, 라우팅 및 답변 생성)
워크플로우 설계
사용자 질문
↓
Route Node (검색 필요 여부 판단)
↓ ↓
검색 필요 일반 질문
↓ ↓
Retrieve Node Generate Node
↓ ↓
Generate Node 답변
↓
답변노드 정의:
Route Node: 질문 분석
LLM으로 검색 필요 여부 판단
"search" 또는 "direct" 반환
Retrieve Node: 컨텍스트 검색
Chapter 1의 Hybrid Search 사용
Top-3 문서 검색
Generate Node: 답변 생성
search: 검색 결과 기반 RAG 답변
direct: LLM 직접 답변
핵심 기능
1. Hybrid Search 통합
Chapter 1의 Vector Search + BM25 + RRF 로직 재사용
Top-3 문서 검색
2. Langgraph 워크플로우
Route Node: LLM으로 검색 필요 여부 판단
Retrieve Node: Hybrid Search로 컨텍스트 수집
Generate Node: 최종 답변 생성
3. State 관리
질문, 라우팅 결과, 검색 컨텍스트, 답변을 상태로 관리
CLI 동작
# 검색이 필요한 질문
uv run python langgraph_rag.py "의사 전용 대출 상품 알려줘"
# → Route: search → Hybrid Search → RAG 답변
# 일반 질문
uv run python langgraph_rag.py "안녕하세요"
# → Route: direct → LLM 직접 답변
# 디버그 모드
uv run python langgraph_rag.py "질문" --debug
# → Routing 정보와 검색된 Context 표시PRD 프롬프트 완성본
CLAUDE.md 없이 작성한 경우
스펙:
- Python 3.10+, uv
- Langgraph, LangChain, langchain-openai
- PostgreSQL (Chapter 1과 동일)
- GPT-5-mini (2025년 8월 출시)
목표:
Routing 기반 Langgraph RAG CLI 구현
워크플로우:
1. Route: 질문 분석 → search/direct 판단
2. Retrieve: Hybrid Search로 top-3 검색 (search인 경우)
3. Generate: 컨텍스트 기반 답변 또는 직접 답변
핵심 구현:
- StateGraph로 노드 정의 (route, retrieve, generate)
- conditional_edges로 routing
- Chapter 1의 Hybrid Search 로직 참고
- State: question, route, context, answer
CLI:
uv run python langgraph_rag.py "질문" [--debug]
참고:
- Langgraph: https://langchain-ai.github.io/langgraph/
- Chapter 1: hybrid_search/hybrid_search.pyCLAUDE.md 작성 후 간결한 버전
CLAUDE.md에 기존 코드 정보를 제공했으므로, PRD는 훨씬 간결해집니다.
스펙:
- Langgraph, LangChain, langchain-openai
- GPT-5-mini
목표:
Routing 기반 Langgraph RAG CLI 구현
워크플로우:
1. Route: 질문 분석 → search/direct 판단
2. Retrieve: Hybrid Search로 top-3 검색
3. Generate: 답변 생성
핵심 구현:
- StateGraph로 노드 정의 (route, retrieve, generate)
- conditional_edges로 routing
CLI:
uv run python langgraph_rag.py "질문" [--debug]
참고:
- langgraph 구현할 때에는 context7으로 최신 개발 문서 확인개선 포인트:
PostgreSQL, Chapter 1 참조 등 CLAUDE.md에 명시된 정보 제거
워크플로우 설명 간소화 (세부 조건 제거)
State 정의 생략 (구현 시 자동으로 파악 가능)
프롬프트 길이 약 40% 단축
참고 자료:
Langgraph Documentation: https://langchain-ai.github.io/langgraph/
강사 정보
작성자: 정구봉
LinkedIn: https://www.linkedin.com/in/gb-jeong/
이메일: bong@dio.so
강의 자료
강의 자료: https://goobong.gitbook.io/fastcampus
Github: https://github.com/Koomook/fastcampus-ai-agent-vibecoding
FastCampus 강의 주소: https://fastcampus.co.kr/biz_online_vibeagent
Last updated