# 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.md**를 작성합니다.
### CLAUDE.md란?
**CLAUDE.md**는 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**
```
/init
```
**2. CLAUDE.md 맥락 주입**
```markdown
- 데이터베이스 관련 정보
- OpenAI GPT-5-mini 모델 정보
- (2025년 8월 출시)
- 프로젝트 목표를 RAG 개발로 수정
```
**3. Claude Code에서 CLAUDE.md 확인**
Claude Code는 프로젝트 디렉토리의 CLAUDE.md를 자동으로 인식하고 참고합니다.
```bash
# Claude Code 실행
claude
# CLAUDE.md 기반으로 작업 시작
# Claude가 자동으로 Chapter 1의 코드 구조를 이해하고 재사용할 수 있음
```
## PRD 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:**
1. **간결성**: 핵심만 명시, 세부 구현은 AI에게
2. **명확성**: 기술 스택과 참고 자료 명확히
3. **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
↓
답변
```
**노드 정의:**
1. **Route Node**: 질문 분석
* LLM으로 검색 필요 여부 판단
* "search" 또는 "direct" 반환
2. **Retrieve Node**: 컨텍스트 검색
* Chapter 1의 Hybrid Search 사용
* Top-3 문서 검색
3. **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
```bash
# 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 표시
```
## PRD 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.py
```
### CLAUDE.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 확인
```
**개선 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:
***
## 강사 정보
* 작성자: 정구봉
* LinkedIn:
* 이메일:
## 강의 자료
* 강의 자료:
* Github:
* FastCampus 강의 주소: