라가스 vs book-to-skill
두 AI 도구의 기능, 가격, 특징을 상세하게 비교합니다.
| 특성 | 라가스 | book-to-skill |
|---|---|---|
| 가격 유형 | 무료 + 유료 | 무료 |
| 한국어 지원 | 미지원 | 미지원 |
| 플랫폼 | API, CLI | GitHub Copilot CLI, Amp, Claude Code |
| 오픈소스 | Yes | No |
| API 제공 | 제공 | - |
| SDK | 제공 | - |
| LLM 기반 | Yes | - |
| 멀티모달 | - | - |
| AI 모델 | ||
| GitHub Stars | 14.2K | - |
| 개발사 | Exploding Gradients | - |
| 카테고리 | LLM 평가 프레임워크 | - |
| 상세보기 | 보기 | 보기 |
라가스 장단점
- RAG 평가에 특화된 정교한 지표를 제공하며, 오픈소스 기반으로 커스터마이징이 용이합니다. LangChain 등 주요 프레임워크와의 호환성이 뛰어나며 합성 데이터 생성 기능이 강력합니다.
- 평가를 위해 별도의 LLM API 호출 비용이 발생하며, 평가 지표의 신뢰도가 사용하는 판별 모델(LLM)의 성능에 크게 의존합니다.
book-to-skill 장단점
- 긴 문서를 매번 전체 컨텍스트에 넣지 않아 토큰 사용량을 줄일 수 있음
- 여러 AI 코딩 에이전트 환경에서 동일한 스킬 형식을 사용 가능
- 문서 처리가 로컬에서 이루어져 데이터 업로드를 피할 수 있음
- 다양한 문서 형식과 여러 입력 소스를 지원
- AI 에이전트와 호스트 환경이 별도로 필요함
- 일부 PDF 및 문서 형식은 추가 추출기 설치가 필요함
- 스캔 PDF는 변환 전에 OCR 처리가 필요함
라가스 주요 기능
- RAG 전용 평가 지표(충실도·답변 관련성·컨텍스트 정밀도·컨텍스트 재현율)
- 합성 테스트 데이터셋 자동 생성(Evolutions)으로 수동 라벨링 불필요
- 에이전트 행동 평가를 위한 구조화된 트레이스 기반 분석
- LLM-as-a-judge 방식의 자동화된 채점 파이프라인
- LangChain·LlamaIndex 등 주요 프레임워크 기본 통합
book-to-skill 주요 기능
- 기술 서적과 문서 폴더를 구조화된 에이전트 스킬로 변환
- 장별 문서, 용어집, 패턴, 치트시트 자동 생성
- 필요한 장만 불러오는 온디맨드 로딩
- PDF, EPUB, DOCX, HTML, RTF, Markdown 등 지원
- GitHub Copilot CLI, Amp, Claude Code 호환
- 문서와 추출 과정을 로컬에서 처리