LangChain 입문: 첫 AI 에이전트 만들기

LangChain은 프로덕션 환경에서 AI 애플리케이션을 구축하기 위한 가장 인기 있는 프레임워크입니다.

LangChain이란?

LangChain은 LLM을 사용한 애플리케이션 구축을 단순화하는 오픈소스 Python(및 JavaScript) 프레임워크입니다.

해결하는 문제:

• 대화 간 AI 메모리 관리
• 문서와 데이터베이스에 AI 연결
• 도구(웹 검색, 계산기, API)를 가진 에이전트 구축

설치

pip install langchain langchain-openai langchain-community chromadb python-dotenv

첫 번째 체인

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 도움이 되는 AI 어시스턴트입니다."),
    ("user", "{question}")
])

chain = prompt | model | StrOutputParser()
result = chain.invoke({"question": "LangChain이 무엇인가요?"})
print(result)

RAG 시스템: 문서에서 AI가 답변

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

documents = [
    Document(page_content="LearnGeni는 각 $5의 AI 가이드 30개를 제공합니다."),
    Document(page_content="가이드에는 LangChain, n8n, 프롬프트 엔지니어링 등이 포함됩니다."),
]

embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(documents, embeddings)
retriever = vectorstore.as_retriever()

prompt = ChatPromptTemplate.from_template("""
컨텍스트를 바탕으로 답변해 주세요: {context}
질문: {question}
""")

model = ChatOpenAI(model="gpt-4o-mini")
chain = ({"context": retriever, "question": RunnablePassthrough()} | prompt | model)
result = chain.invoke("LearnGeni 가이드는 얼마인가요?")
print(result.content)

메모리를 가진 대화

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()
conversation = ConversationChain(
    llm=ChatOpenAI(model="gpt-4o-mini"),
    memory=memory
)

print(conversation.predict(input="안녕하세요! 제 이름은 김민수입니다."))
print(conversation.predict(input="제 이름을 기억하시나요?"))
# → "네, 김민수 씨시군요!"라고 응답

도구를 가진 에이전트

from langchain.agents import create_openai_functions_agent, AgentExecutor
from langchain.tools import Tool
from langchain_openai import ChatOpenAI

def search_web(query: str) -> str:
    """웹 검색을 실행합니다"""
    return f"'{query}'에 대한 검색 결과..."

tools = [
    Tool(
        name="web_search",
        func=search_web,
        description="최신 정보를 검색해야 할 때 사용"
    )
]

llm = ChatOpenAI(model="gpt-4o-mini")
# 에이전트 설정 후 사용
executor = AgentExecutor(agent=agent, tools=tools)
result = executor.invoke({"input": "오늘 서울 날씨는?"})

LangChain 주요 컴포넌트

실습 프로젝트: 한국어 고객 지원 봇

# 제품 FAQ 데이터베이스를 가진 지원 봇 구축
faq_documents = [
    Document(page_content="반품은 구매 후 30일 이내에 가능합니다."),
    Document(page_content="배송비는 5만원 이상 주문 시 무료입니다."),
    Document(page_content="고객 지원은 평일 오전 9시~오후 6시에 운영됩니다."),
]

vectorstore = Chroma.from_documents(faq_documents, OpenAIEmbeddings())

support_prompt = ChatPromptTemplate.from_template("""
당신은 친절한 고객 지원 담당자입니다.
다음 FAQ 정보를 참고하여 답변하세요:
{context}

고객 질문: {question}
""")

chain = ({"context": vectorstore.as_retriever(), "question": RunnablePassthrough()}
         | support_prompt 
         | ChatOpenAI(model="gpt-4o-mini"))

print(chain.invoke("환불이 가능한가요?").content)

LangChain을 기초부터 응용까지 배우고 싶으신가요? LearnGeni의 완전 가이드에는 실제 프로젝트가 포함되어 있습니다. 모든 가이드 보기.