툴을
줄 세운다.
End-to-End.

워크플로우 =
툴의 순서.

사람이 하던 업무를 LLM·툴의 직렬 호출로 재현.
이 챕터에선 우리가 직접 def workflow(): 로 순서를 적는다.

청크만으로는
부족하다.

RAG가 반환하는 건 청크 조각. 사람 단위로 보려면 resume_id 로 DB를 한 번 더.
툴 둘을 엮어야 비로소 '검색 + 조회'가 완성된다.

함수 하나에
네 단계를 박는다.

def workflow_1(user_prompt):
    # 1. RAG 검색
    rag_results = retrieve_from_rag(user_prompt)

    # 2. LLM이 적합한 후보 1명 선정 (JSON 출력)
    selected = generate_response(
        system_prompt=recommend_resume_system_prompt,
        user_prompt=f"{user_prompt}\n[검색결과]{rag_results}",
    )
    resume_id = int(json.loads(selected)["resume_ID"])

    # 3. DB에서 전체 이력서 조회
    resume = execute_sql(f"SELECT * FROM resume WHERE ID = {resume_id}")

    # 4. LLM이 요약
    summary = generate_response(
        system_prompt=resume_summary_system_prompt,
        user_prompt=f"{user_prompt}\n[이력서]{resume[0][...]}",
    )

단계 사이마다 LLM 응답을 다음 툴의 입력으로 변환.
json.loads() 로 LLM의 JSON 출력을 파이썬 객체로.

평가부터 저장·발송까지
한 번에.

아홉 단계.
그러나 직선적.

def workflow_2(user_prompt):
    sql_query     = generate_response(sql_gen_prompt, user_prompt)              # 1. SQL 생성
    resume        = execute_sql(sql_query)                                       # 2. 이력서
    jp            = execute_sql("SELECT ... FROM job_posting")                # 3. 공고
    eval_criteria = get_confluence_page_content(CRITERIA_PAGE_ID)                # 4. 기준표

    eval_result   = generate_response(eval_prompt, f"{resume}{jp}{eval_criteria}")  # 5. 평가
    json_response = generate_response(json_prompt, eval_result)                  # 6. JSON

    save_excel(json_response)                                                  # 7. 저장
    report        = generate_response(report_prompt, eval_result)                # 8. 보고서
    send_email(report)                                                         # 9. 발송

아홉 개 호출이 한 줄씩. 각 단계의 입출력이 다음 단계 입력에 정확히 들어가도록 박혀 있다.
— 이게 '고정' 워크플로우의 의미.

잘 돈다. 대신
시나리오가 바뀌면
다시 짜야 한다.