CLI 명령어 레퍼런스

전역 옵션

모든 명령어 앞에 사용할 수 있는 옵션입니다.

slf [전역 옵션] <명령어> [옵션]

--verbose와 --quiet를 동시에 지정하면 --verbose가 우선 적용됩니다.

명령어 목록

🚀 시작하기

init

새로운 slm-factory 프로젝트를 초기화합니다. 프로젝트 디렉토리, documents/, output/ 하위 디렉토리, 기본 project.yaml 설정 파일을 생성합니다.

사용법

slf init <name> [OPTIONS]

인수

옵션

예시

# 현재 디렉토리에 my-project 생성
slf init my-project

# 특정 경로에 생성
slf init policy-assistant --path /workspace/projects

출력

✓ 프로젝트 'my-project'가 생성되었습니다: ./my-project

프로젝트 구조:
  ./my-project/
  ./my-project/documents/
  ./my-project/output/
  ./my-project/project.yaml

다음 단계:
  1. ./my-project/documents 디렉토리에 학습할 문서(PDF, TXT 등)를 추가하세요

실행 (택 1):
  slf rag               RAG 채팅 즉시 시작 (30초)
  slf tune              파인튜닝 + RAG + 채팅 (30분)

참고

• 지정 경로에 project.yaml이 이미 존재하면 덮어쓰기 여부를 확인하는 프롬프트가 표시됩니다.
• 생성된 project.yaml의 project.name과 export.ollama.model_name에 name 인수가 자동으로 반영됩니다.
• 설정 파일의 모든 옵션은 설정 레퍼런스를 참조하십시오.

check

프로젝트 설정과 실행 환경을 사전 점검합니다. 파이프라인 실행 전에 실행하여 문제를 미리 확인하십시오.

사용법

slf check [OPTIONS]

옵션

점검 항목

종료 코드

예시

slf check --config my-project/project.yaml

출력 예시 (전체 통과)

                slm-factory 환경 점검
┌────────────────┬────────┬────────────────────────────────┐
│ 항목           │ 상태   │ 상세                           │
├────────────────┼────────┼────────────────────────────────┤
│ 설정 파일      │ OK     │ ./my-project/project.yaml      │
│ 문서 디렉토리  │ OK     │ 3개 파일 (./documents)         │
│ 출력 디렉토리  │ OK     │ 쓰기 가능 (./output)           │
│ Ollama 연결    │ OK     │ v0.3.12 (http://localhost:11434)│
│ 모델 사용 가능 │ OK     │ qwen3.5:9b                     │
│ 학생 모델      │ OK     │ google/gemma-3-1b-it           │
│ 컴퓨팅 디바이스│ NVIDIA GPU (CUDA) │ NVIDIA RTX 4090       │
│ 학습 정밀도    │ OK     │ bfloat16 (bf16)                │
│ 4bit 양자화    │ OK     │ 사용 가능                      │
└────────────────┴────────┴────────────────────────────────┘

모든 점검 통과!

rag

RAG 웹 채팅 서비스를 시작합니다. Qdrant 인덱스가 없으면 문서를 파싱하고 자동으로 구축합니다. 파인튜닝된 Student 모델이 Ollama에 등록되어 있으면 자동으로 해당 모델을 사용하고, 없으면 Teacher 모델(기본값: qwen3.5:9b)로 폴백합니다.

사용법

slf rag [OPTIONS]

옵션

동작 방식

• 모델 자동 선택: ① rag.ollama_model 설정값 → ② Ollama에 등록된 파인튜닝 모델(export.ollama.model_name) → ③ Teacher 모델(teacher.model) 순으로 사용합니다.
• Qdrant 인덱스(output/qdrant_db/)가 이미 존재하면 즉시 서버를 시작합니다.
• 인덱스가 없으면 문서 파싱 → RAG 데이터 내보내기 → Qdrant 인덱싱을 자동으로 수행한 후 서버를 시작합니다.
• --no-chat 사용 시 인덱스 구축만 수행하고 서버를 시작하지 않습니다.

예시

# 기본 실행 (인덱스 자동 구축 + 서버 시작)
slf rag

# 인덱스 구축만 수행 (서버 미시작)
slf rag --no-chat

# 특정 설정 파일 사용
slf rag --config my-project/project.yaml

--host와 --port 옵션이 필요한 경우 slf tool rag-serve를 사용하십시오.

⚙️ 파이프라인

tune

문서 파싱부터 모델 배포까지 전체 파이프라인을 실행합니다. --until 옵션으로 특정 단계까지만 실행하고 중단할 수 있습니다.

사용법

slf tune [OPTIONS]

옵션

**--until 단계 값**

PipelineStep 열거형 값을 사용합니다. 각 단계는 이전 단계의 출력을 입력으로 받습니다.

--until을 생략하면 위 전체 12단계를 순서대로 실행합니다. 각 단계는 해당 설정의 enabled 값에 따라 실행 여부가 결정됩니다. Iterative Refinement(refine)는 --until로 지정할 수 없으며, pipeline.run() 내부에서 eval 단계 이후 refinement.enabled 설정에 따라 자동 실행됩니다.

**--resume 동작 방식**

출력 디렉토리에서 가장 최근 중간 저장 파일을 탐색하여 해당 단계부터 재개합니다.

예시

# 전체 파이프라인 실행
slf tune

# 문서 파싱만 실행
slf tune --until parse

# QA 생성까지 실행
slf tune --until generate

# 검증까지 실행
slf tune --until validate

# 품질 평가까지 실행
slf tune --until score

# 중단된 지점에서 재개
slf tune --resume

# 특정 단계까지 재개하며 실행
slf tune --until augment --resume

# 전체 파이프라인 + RAG 서버 자동 시작
slf tune --chat

# RAG 인덱싱까지 실행 (서빙은 별도)
slf tune --until rag_index

# 평가까지만 실행
slf tune --until eval

출력 예시 (전체 파이프라인)

slm-factory — 전체 파이프라인 시작 중...

  ✓ 5개 문서 파싱 완료
  ✓ 150개 QA 쌍 생성 완료
  ✓ 검증 완료: 132개 수락, 18개 거부
  ✓ 점수 평가: 120개 통과, 12개 제거
  ✓ 데이터 증강: 120개 → 360개
  ✓ 360개 QA 쌍 분석 완료

파이프라인 완료! 모델 저장 위치: ./my-project/output/merged_model

train

LoRA 파인튜닝을 실행합니다. --data로 기존 학습 데이터를 직접 지정하거나, 생략하면 파싱부터 변환까지 전체 전처리를 자동으로 실행합니다.

사용법

slf train [OPTIONS]

옵션

동작 방식

• --data 지정: 해당 JSONL 파일로 바로 학습을 시작합니다.
• --resume 지정 (data 없음): 중간 저장 파일을 탐색하여 해당 단계부터 전처리를 재개한 뒤 학습합니다.
• 옵션 없음: 파싱부터 변환까지 전체 전처리를 실행한 뒤 학습합니다.

예시

# 전체 전처리 후 학습
slf train

# 기존 학습 데이터로 학습만 실행
slf train --data ./my-project/output/training_data.jsonl

# 외부에서 준비한 데이터로 학습
slf train --data ./custom_data.jsonl

# 중단된 전처리부터 재개하여 학습
slf train --resume

출력

훈련 완료! 어댑터 저장 위치: ./my-project/output/checkpoints/adapter

참고

• 학습 하이퍼파라미터(num_epochs, batch_size, learning_rate 등)는 project.yaml의 training 섹션에서 설정합니다. 설정 레퍼런스를 참조하십시오.
• GPU 메모리 부족 시 해결 방법은 사용 가이드를 참조하십시오.

export

훈련된 LoRA 어댑터를 기본 모델에 병합하고 Ollama Modelfile을 생성합니다. 파이프라인 전체를 재실행하지 않고 내보내기만 단독으로 수행합니다.

사용법

slf export [OPTIONS]

옵션

예시

# 기본 어댑터 경로로 내보내기
slf export

# 특정 어댑터 경로 지정
slf export --adapter ./my-project/output/checkpoints/adapter

출력

내보내기 완료! 모델 저장 위치: ./my-project/output/merged_model

생성 파일:

• output/merged_model/ — HuggingFace 형식의 병합된 모델
• output/merged_model/Modelfile — Ollama 배포용 Modelfile

참고

• Ollama 배포 설정(model_name, system_prompt 등)은 project.yaml의 export.ollama 섹션에서 설정합니다. 설정 레퍼런스를 참조하십시오.

📊 평가

eval run

학습된 모델을 QA 데이터로 평가합니다. BLEU와 ROUGE 메트릭을 계산하여 결과를 저장합니다.

사용법

slf eval run [OPTIONS]

옵션

--data 미지정 시 자동 감지 우선순위: qa_augmented.json → qa_scored.json → qa_alpaca.json

예시

# 기본 설정으로 평가
slf eval run --model my-project-model

# 특정 QA 데이터로 평가
slf eval run --model my-project-model --data ./my-project/output/qa_alpaca.json

출력

터미널에 BLEU/ROUGE 점수 요약을 출력하고, output/eval_results.json에 상세 결과를 저장합니다.

평가 완료! 결과: ./my-project/output/eval_results.json (50건)

참고

• 평가 대상 모델은 Ollama에 등록된 모델이어야 합니다. ollama list로 확인하십시오.
• 평가 설정(output_file 등)은 project.yaml의 eval 섹션에서 설정합니다. 설정 레퍼런스를 참조하십시오.

eval compare

Base 모델과 Fine-tuned 모델의 답변을 동일한 질문으로 비교합니다. 파인튜닝 전후의 성능 차이를 확인할 때 사용합니다.

사용법

slf eval compare [OPTIONS]

옵션

--data 미지정 시 자동 감지 우선순위: qa_augmented.json → qa_scored.json → qa_alpaca.json

예시

# Base 모델과 파인튜닝 모델 비교
slf eval compare \
  --base-model gemma:2b \
  --ft my-project-model

# 특정 QA 데이터로 비교
slf eval compare \
  --base-model gemma:2b \
  --ft my-project-model \
  --data ./my-project/output/qa_alpaca.json

출력

터미널에 비교 요약을 출력하고, output/compare_results.json에 각 질문별 두 모델의 답변을 저장합니다.

비교 완료! 결과: ./my-project/output/compare_results.json (50건)

🔧 도구

tool review

생성된 QA 쌍을 TUI(텍스트 기반 UI)에서 하나씩 확인하며 승인, 거부, 편집합니다. 데이터 품질을 수동으로 관리할 때 사용합니다.

사용법

slf tool review [OPTIONS]

옵션

--data 미지정 시 자동 감지 우선순위: qa_reviewed.json → qa_augmented.json → qa_scored.json → qa_alpaca.json

예시

# 자동 감지된 QA 데이터로 리뷰 시작
slf tool review

# 특정 파일로 리뷰 시작
slf tool review --data ./my-project/output/qa_alpaca.json

출력

TUI 종료 후 리뷰 결과를 출력합니다.

리뷰 완료! 승인: 98, 거부: 12, 대기: 5

생성 파일: output/qa_reviewed.json (승인된 QA 쌍만 포함)

tool convert

QA 데이터를 Student 모델의 채팅 템플릿이 적용된 훈련용 JSONL 형식으로 변환합니다. 파이프라인 전체를 재실행하지 않고 변환만 단독으로 수행합니다.

사용법

slf tool convert [OPTIONS]

옵션

**--data 미지정 시 자동 감지 우선순위**

출력 디렉토리에서 다음 순서로 파일을 탐색합니다.

1. qa_augmented.json
2. qa_scored.json
3. qa_alpaca.json

예시

# 자동 감지된 QA 데이터로 변환
slf tool convert

# 특정 파일로 변환
slf tool convert --data ./my-project/output/qa_augmented.json

출력

변환 완료! 훈련 데이터: ./my-project/output/training_data.jsonl (360개 쌍)

생성 파일: output/training_data.jsonl

tool evolve

문서 변경을 감지하고 증분 처리한 뒤, 자동으로 재학습 및 배포하는 통합 명령어입니다. 품질 게이트를 통과한 경우에만 새 모델을 배포하며, 진화 히스토리를 기록합니다.

사용법

slf tool evolve [OPTIONS]

옵션

5단계 진화 흐름

예시

# 기본 진화 (변경 감지 + 품질 게이트 적용)
slf tool evolve

# 모든 문서 재처리 (변경 감지 건너뜀)
slf tool evolve --force-update

# 품질 게이트 건너뜀 (무조건 배포)
slf tool evolve --skip-gate

# 모든 옵션 적용
slf tool evolve --force-update --skip-gate

출력 예시 (성공)

진화 시작: my-project

[1/5] 증분 업데이트
  변경 문서: 2개 감지
  새 QA: 40개 생성
  전체 QA: 190개 (전략: append)

[2/5] 검증/점수/증강
  검증: 190개 → 185개 (5개 거부)
  점수 평가: 185개 → 175개 (10개 제거)
  데이터 증강: 175개 → 525개

[3/5] 학습/내보내기
  학습 완료: 20 에포크 (early stopping)
  모델 병합 완료

[4/5] 품질 게이트
  이전 모델: rougeL=0.45
  새 모델: rougeL=0.48
  개선율: +6.7% ✓ 통과

[5/5] 정리/완료
  배포 완료: v20250220
  이전 버전 보관: v20250219, v20250218, v20250217
  히스토리 저장: evolve_history.json

진화 완료! 새 모델: my-project-model (v20250220)

출력 예시 (품질 게이트 실패)

[4/5] 품질 게이트
  이전 모델: rougeL=0.45
  새 모델: rougeL=0.44
  개선율: -2.2% ✗ 실패

배포 취소됨. 이전 모델 유지: my-project-model (v20250219)

참고

• 진화 명령은 tool update + tune --until analyze + train + export + eval compare + 버전 관리를 자동으로 수행합니다.
• 품질 게이트 설정(quality_gate, gate_metric, gate_min_improvement)은 project.yaml의 evolve 섹션에서 설정합니다. 설정 레퍼런스를 참조하십시오.
• 진화 히스토리는 evolve_history.json에 기록되며, 각 진화 단계의 메트릭과 타임스탬프를 포함합니다.
• --force-update 사용 시 모든 문서를 재처리하므로 처리 시간이 증가합니다.
• --skip-gate 사용 시 품질 검증 없이 배포되므로 신중하게 사용하십시오.
• 품질 게이트 실패 시 새로 생성된 Ollama 모델은 자동으로 삭제(ollama rm)되며 이전 모델이 유지됩니다.

tool compare-data

두 QA 데이터셋의 품질을 나란히 비교합니다. 파이프라인 설정 변경(청킹 활성화, 재생성 적용 등) 전후의 QA 품질 변화를 수치로 확인할 때 사용합니다.

사용법

slf tool compare-data [OPTIONS]

옵션

비교 항목

예시

# 청킹 전후 QA 품질 비교
slf tool compare-data \
  --baseline ./output/qa_alpaca_before.json \
  --target ./output/qa_alpaca.json

# 재생성 적용 전후 비교
slf tool compare-data \
  -b ./output/qa_scored_v1.json \
  -t ./output/qa_scored_v2.json

출력

Rich 테이블로 기본 통계, 답변 길이 변화, 카테고리 분포를 보여줍니다. 개선된 항목은 초록색, 악화된 항목은 빨간색으로 표시됩니다.

tool export-autorag

slm-factory의 파싱·QA 데이터를 RAG 인덱싱용 parquet 형식으로 내보냅니다. parsed_documents.json에서 문서 청크를 생성하고, QA 파일에서 평가 데이터를 추출하여 corpus.parquet과 qa.parquet을 생성합니다.

사용법

slf tool export-autorag [OPTIONS]

옵션

예시

# 기본 실행 (QA 파일 자동 탐색)
slf tool export-autorag

# QA 파일 직접 지정
slf tool export-autorag \
  --qa-file ./output/qa_scored.json

출력

output/autorag/
├── corpus.parquet    # 문서 청크 (검색 코퍼스)
└── qa.parquet        # QA 평가 데이터

참고

• corpus.parquet은 parsed_documents.json의 텍스트를 autorag_export.chunk_size 단위로 분할하여 생성합니다. 청크 간 중첩은 autorag_export.overlap_chars로 설정합니다.
• qa.parquet은 QA 쌍의 질문·답변·컨텍스트를 parquet 형식으로 변환합니다.
• 상세 설정은 설정 레퍼런스의 autorag_export 섹션을 참조하십시오.

tool rag-index

corpus.parquet을 sentence-transformers 모델로 임베딩한 뒤 Qdrant에 적재합니다. tool export-autorag로 생성한 코퍼스 데이터를 벡터 검색이 가능한 형태로 변환합니다.

사용법

slf tool rag-index [OPTIONS]

옵션

예시

# 기본 실행
slf tool rag-index

# 코퍼스 디렉토리 직접 지정
slf tool rag-index --corpus-dir ./output/autorag

출력

Qdrant가 output/qdrant_db/에 생성됩니다. 임베딩 모델과 벡터DB 경로는 project.yaml의 rag 섹션에서 설정합니다.

참고

• 사전 조건: tool export-autorag로 corpus.parquet을 먼저 생성해야 합니다.
• 임베딩 모델 기본값은 Qwen/Qwen3-Embedding-0.6B입니다. 비대칭 인코딩(prompt_name="query")으로 한국어 문서에 우수한 성능을 보입니다.
• uv sync --extra rag --extra validation으로 의존성을 설치하세요.
• 기존 컬렉션에 재실행하면 upsert(갱신/추가)됩니다.

tool rag-serve

Qdrant 벡터 검색과 Ollama SLM 생성을 결합한 RAG API 서버를 실행합니다. tool rag-index로 구축한 벡터 DB에서 관련 문서를 검색하고, SLM이 문서 기반 답변을 생성합니다.

서버는 foreground로 실행됩니다. Ctrl+C로 종료할 수 있습니다.

사용법

slf tool rag-serve [OPTIONS]

옵션

예시

# 기본 실행
slf tool rag-serve

# 포트 지정
slf tool rag-serve --port 9000

API 엔드포인트

API 호출 예시

# 일반 응답
curl -X POST http://localhost:8000/v1/query \
  -H "Content-Type: application/json" \
  -d '{"query": "도메인 질문", "top_k": 5}'

# SSE 스트리밍 응답 (토큰 단위 실시간 전송)
curl -N -X POST http://localhost:8000/v1/query \
  -H "Content-Type: application/json" \
  -d '{"query": "도메인 질문", "stream": true}'

응답 형식

{
  "answer": "문서 기반 답변...",
  "sources": [
    {"content": "관련 문서 청크...", "doc_id": "...", "score": 0.85}
  ],
  "query": "도메인 질문"
}

SSE 스트리밍 응답 형식 ("stream": true 요청 시)

data: {"token": "문서"}
data: {"token": " 기반"}
data: {"token": " 답변..."}
data: {"sources": [...], "query": "도메인 질문", "done": true}

참고

• 사전 조건: tool rag-index로 Qdrant를 먼저 구축해야 합니다.
• Ollama가 실행 중이어야 합니다 (ollama serve).
• SLM 모델은 rag.ollama_model 또는 export.ollama.model_name에서 결정됩니다.
• uv sync --extra rag --extra validation으로 의존성을 설치하세요.

tool eval-retrieval

RAG 검색 품질을 평가합니다. qa.parquet의 질문으로 Qdrant를 검색하고, 검색된 결과가 원본 문서를 얼마나 정확하게 찾아내는지 Hit@1, Hit@K, MRR(Mean Reciprocal Rank), Recall@K 메트릭으로 측정합니다.

사용법

slf tool eval-retrieval [OPTIONS]

옵션

예시

# 기본 실행 (qa.parquet 자동 감지)
slf tool eval-retrieval

# 상위 10개 결과로 평가
slf tool eval-retrieval --top-k 10

# QA 파일 직접 지정
slf tool eval-retrieval --qa-file ./output/autorag/qa.parquet

참고

• 사전 조건: tool export-autorag로 qa.parquet을 생성하고, tool rag-index로 Qdrant를 구축해야 합니다.
• slf rag 실행 시 qa.parquet이 존재하면 자동으로 검색 평가를 수행하고 결과를 출력합니다.

tool update

문서 디렉토리를 스캔하여 변경된 파일만 감지하고, 새 QA를 생성하여 기존 QA와 병합합니다. 문서를 추가하거나 수정했을 때 전체 파이프라인을 재실행하지 않고 증분 처리할 수 있습니다.

사용법

slf tool update [OPTIONS]

옵션

동작 방식

1. IncrementalTracker가 각 문서 파일의 해시값을 계산합니다.
2. 이전 실행 시 저장된 해시값과 비교하여 변경된 파일을 감지합니다.
3. 변경된 파일만 파싱하고 QA를 생성합니다.
4. project.yaml의 incremental.merge_strategy 설정에 따라 기존 qa_alpaca.json과 병합합니다.

예시

# 변경된 문서만 증분 처리
slf tool update

출력

증분 업데이트: 2개 변경 문서 감지

증분 업데이트 완료! 변경 문서: 2개, 새 QA: 40개, 전체 QA: 190개 (전략: append)

변경된 문서가 없으면 "변경된 문서가 없습니다" 메시지를 출력하고 종료합니다.

참고

• 병합 전략(merge_strategy)은 project.yaml의 incremental 섹션에서 설정합니다. 설정 레퍼런스를 참조하십시오.

ℹ️ 정보

status

파이프라인 각 단계의 진행 상태를 확인합니다. 출력 디렉토리의 파일 존재 여부와 항목 수를 테이블로 표시합니다.

사용법

slf status [OPTIONS]

옵션

예시

slf status

출력 예시

              파이프라인 진행 상태
┌──────────┬──────────────────────────┬────────┬──────────────┐
│ 단계     │ 파일                     │ 상태   │ 건수         │
├──────────┼──────────────────────────┼────────┼──────────────┤
│ parse    │ parsed_documents.json    │ 존재   │ 5개 문서     │
│ generate │ qa_alpaca.json           │ 존재   │ 150개 쌍     │
│ score    │ qa_scored.json           │ 없음   │ -            │
│ augment  │ qa_augmented.json        │ 없음   │ -            │
│ analyze  │ data_analysis.json       │ 없음   │ -            │
│ convert  │ training_data.jsonl      │ 없음   │ -            │
│ train    │ checkpoints/adapter/     │ 없음   │ -            │
│ export   │ merged_model/            │ 없음   │ -            │
└──────────┴──────────────────────────┴────────┴──────────────┘

다음 --resume 실행 시 validate부터 재개됩니다

모든 단계가 완료된 경우 "모든 단계가 완료되었습니다" 메시지를 출력합니다.

clean

출력 디렉토리의 중간 생성 파일을 정리합니다. 삭제 전 확인 프롬프트가 표시됩니다.

사용법

slf clean [OPTIONS]

옵션

**기본 동작 vs --all 동작**

예시

# 중간 파일만 정리
slf clean

# 모든 출력 파일 정리 (학습 결과 포함)
slf clean --all

출력

삭제 대상:
  ./my-project/output/qa_scored.json
  ./my-project/output/qa_augmented.json
  ./my-project/output/data_analysis.json

삭제하시겠습니까? [y/N]:

          삭제 결과
┌──────────────────────────────────┬────────┐
│ 파일                             │ 상태   │
├──────────────────────────────────┼────────┤
│ ./my-project/output/qa_scored... │ 삭제됨 │
│ ...                              │ 삭제됨 │
└──────────────────────────────────┴────────┘

3개 항목 삭제 완료

version

slm-factory의 현재 버전을 출력합니다.

사용법

slf version

출력

slm-factory 0.1.0

출력 파일 구조

파이프라인 실행 후 output/ 디렉토리에 생성되는 파일 목록입니다.

output/
├── parsed_documents.json       # parse 단계 출력
├── qa_alpaca.json              # generate + validate 단계 출력
├── qa_scored.json              # score 단계 출력 (선택)
├── qa_augmented.json           # augment 단계 출력 (선택)
├── qa_reviewed.json            # tool review 출력 (선택)
├── data_analysis.json          # analyze 단계 출력 (선택)
├── eval_results.json           # eval run 출력 (선택)
├── compare_results.json        # eval compare 출력 (선택)
├── training_data.jsonl         # convert 단계 출력
├── checkpoints/
│   └── adapter/                # train 단계 출력
│       ├── adapter_config.json
│       ├── adapter_model.safetensors
│       └── ...
├── autorag/                    # tool export-autorag 출력 (선택)
│   ├── corpus.parquet          # 문서 청크 (검색 코퍼스)
│   └── qa.parquet              # QA 평가 데이터
├── qdrant_db/                     # rag_index 단계 출력 (선택)
│   └── ...                        # Qdrant 벡터 인덱스
└── merged_model/               # export 단계 출력
    ├── config.json
    ├── model.safetensors
    ├── tokenizer.json
    ├── tokenizer_config.json
    └── Modelfile

파일별 설명

관련 문서: 설정 레퍼런스 · 사용 가이드 · 아키텍처