반응형
그렇다면 이런 AI 에이전트를 실제로 개발하려면 어떻게 해야 할까요? 다행히도 개발자를 돕는 프레임워크들이 존재합니다. 그중 LangChain은 파이썬에서 인기 있는 라이브러리로, 대규모 언어 모델(LLM)을 활용한 애플리케이션을 손쉽게 만들 수 있게 해줍니다. LangChain을 사용하면 여러 개의 언어 모델 호출이나 데이터 검색 등의 단계를 체인(chain) 형태로 엮어, 마치 레고 블록을 조립하듯 AI 애플리케이션을 구성할 수 있습니다. 예컨대 LangChain만으로도 "사용자 질문 -> 정보 검색 -> 답변 생성"과 같은 일련의 프로세스를 비교적 간단히 구현할 수 있죠.
LangGraph는 LangChain 위에 구축된 새로운 개념이자 도구로서, AI 에이전트의 워크플로를 더욱 정교하고 유연하게 설계할 수 있도록 도와줍니다. LangChain이 직선적인 체인을 만든다면, LangGraph는 위 그림과 같이 그래프(graph) 구조를 이용합니다. 그래프 구조란 위 그림과 같이 각 단계(노드)들이 여러 갈래로 뻗어 나갈 수 있고 다시 합쳐질 수도 있는 유연한 흐름을 말합니다. 쉽게 말해, LangGraph를 사용하면 에이전트의 의사결정 과정을 일종의 흐름도(flowchart)처럼 설계할 수 있습니다.
반응형
'에이전트' 카테고리의 다른 글
| 7. AI Agent 작동 방식 (1) | 2025.03.22 |
|---|---|
| 1.6. AI 에이전트 아키텍처의 주요 구성 요소 (0) | 2025.03.22 |
| 1.4-5 LangGraph를 활용한 에이전트 예시 (0) | 2025.03.16 |
| 1. 비즈니스 자동화와 AI 에이전트의 만남 (0) | 2025.03.14 |
| 비즈니스 자동화를 위한 혁신적인 AI 에이전트 (2) | 2025.03.12 |
