1.4-5 LangGraph를 활용한 에이전트 예시

좀 더 구체적으로 LangGraph의 개념을 이해하기 위해, 실 세계 시나리오를 하나 살펴보겠습니다. 다시 고객 지원 챗봇 예시로 돌아가 보죠. 이번에는 사용자의 질문에 따라 다르게 대응하는 지능형 챗봇을 LangGraph로 설계한다고 상상해봅시다. LangGraph를 활용하면 이 챗봇의 동작 흐름을 다음과 같이 구성할 수 있습니다:

1. 질문 분류 노드: 사용자의 질문을 분석해 어떤 유형의 요청인지 파악합니다 (예: 기술 지원, 계정 문의, 일반 질문 등).
2. 정보 검색 노드: 질문 유형에 맞춰 내부 지식 베이스나 데이터베이스에서 관련 정보를 찾아옵니다. 예를 들어 계정 관련 문의라면 사용자 계정 정보를 조회하고, 기술 지원 문의라면 FAQ나 매뉴얼을 검색합니다.
3. 응답 생성 노드: 찾은 정보를 바탕으로 사용자에게 전달할 답변을 생성합니다. 이 단계에서는 대규모 언어 모델(예: GPT-4)을 활용해 자연스러운 문장으로 답변을 만들어냅니다.
4. 추가 확인 노드 (선택 사항): 답변을 받은 사용자가 추가 질문을 하거나 문제가 해결되지 않았을 경우를 대비해, 추가 대화를 진행할지 여부를 판단합니다. 여기서 만족도가 낮으면 1단계로 돌아가 새로운 질문을 받거나, 필요하면 인간 상담원에게 연결할 수도 있습니다.

위 흐름에서 보듯 LangGraph를 사용하면 한 방향으로 직선처럼 흘러가는 단순한 챗봇과 달리, 상황에 따라 분기하고 반복할 수 있는 복잡한 대화 구조를 만들 수 있습니다. 예를 들어 질문 분류 단계에서 "기술 지원"으로 판단되면 바로 기술 관련 응답 생성으로 건너뛰고, 추가 확인 단계에서는 사용자의 반응에 따라 대화를 종료할지 새로운 질문을 처리할지를 결정할 수 있습니다. 이런 유연한 흐름 제어는 LangGraph가 제공하는 그래프 구조 덕분에 가능해집니다.

 

5.    LangGraph의 저수준 제어와 LangChain 대비 장점

LangGraph의 가장 큰 특징 중 하나는 저수준 제어에 있습니다. 쉽게 말해, 개발자가 에이전트의 작동 방식을 세밀하게 조정할 수 있다는 뜻입니다. LangChain만 사용할 때는 많은 부분이 라이브러리가 정해준 대로 자동 처리됩니다. 예를 들어, 상태 관리나 에이전트의 추론 과정 대부분이 내부에서 암묵적으로 진행되지요. 이러한 자동화 덕분에 간단한 애플리케이션은 빨리 만들 수 있지만, 동시에 세부 동작을 커스터마이즈 하기는 어려울 수 있습니다.

반면 LangGraph를 사용하면 각 단계의 로직과 상태를 개발자가 직접 통제할 수 있습니다. 앞서 본 그래프 예시에서, 각 노드마다 어떤 정보를 입력으로 받고 어떤 출력이나 상태 변화를 일으킬지 명시적으로 정해줄 수 있다는 의미입니다. 또한 조건부 분기(예: "만약 사용자가 A라고 말하면 X 노드로 이동")나 반복 루프(같은 과정을 필요할 때 여러 번 거치는 구조)를 구현하기도 쉽습니다. 이러한 저수준 제어를 통해 얻는 이점은 다음과 같습니다:

• 높은 유연성: 복잡한 비즈니스 로직도 자유롭게 구현 가능합니다. 미리 정해진 패턴에 얽매이지 않고, 원하는 대로 에이전트의 흐름을 설계할 수 있습니다.
• 명시적인 상태 관리: 중요한 중간 결과나 대화의 맥락을 개발자가 직접 변수에 저장하고 활용하도록 만들 수 있습니다. LangChain의 자동화된 관리와 달리 필요한 부분을 직접 관리하면 예측 가능성과 투명성이 높아집니다.
• 다중 에이전트 협업: LangGraph는 하나의 그래프 안에 여러 에이전트 노드를 포함시켜 협력하는 구조도 만들 수 있습니다. 예를 들어, 한 노드는 질문을 분석하고 다른 노드는 그림을 생성하는 식으로 전문화된 에이전트들이 함께 작업하도록 구성할 수 있습니다.
• 에러 처리 용이: 세부 흐름을 직접 제어할 수 있으므로, 예기치 않은 사용자 입력이나 오류 발생 시 특정 노드로 이동해 대처하는 등 예외 상황에 대한 대비를 체계적으로 만들기 쉽습니다.

요컨대, LangGraph는 복잡한 AI 시스템이나 다중 에이전트 시나리오를 구축하는 데 적합한 도구입니다. 반대로, 비교적 단순한 작업을 빠르게 개발해야 한다면 기존의 LangChain 방식이 더 쉬울 수도 있습니다. 이 책에서는 주로 LangGraph를 활용해 실용적인 AI 에이전트를 만드는 방법을 다룰 것이며, 필요한 경우 LangChain의 기본 기능도 함께 활용할 것입니다.