427paul 님의 블로그

RAG를 LangGraph으로 구현해 봅시다.Case1 : 간단한 RAGLangChain의 RetrievalQA 함수로 구현된 RAG를 LangGraph로 구성Case2 : Vector DB를 tool로 사용Vector DB를 tool로 지정해서 RAG를 LangGraph로 구성Case1 : 간단한 RAGVector DB# CSV 파일 로드csv_path = "sample.csv"csv_loader = CSVLoader(file_path= path+csv_path)documents_csv = csv_loader.load()# 벡터 DB 정의embedding = OpenAIEmbeddings(model="text-embedding-ada-002")vectorstore = Chroma.from_documen..

Short-term memory : MemorySaverMemory SaverLangGraph에서 제공하는 체크포인트(Checkpoint) 저장소그래프 실행 중 생성되는 상태(state)를 자동으로 저장하고 필요 시 복원할 수 있게 해주는 메모리 기반 저장소주요 특징용도 : 그래프의 실행 상태(state)를 저장하고 복원저장 위치 : Python의 메모리(RAM)안에 저장(디스크 X)사용 방식 : LangGraph compile() 시 checkpointer로 넘김이어서 실행 : 이전 실행의 마지막 상태부터 재실행 가능한계 : 세션이 종료되면 저장된 상태는 사라짐(휘발성)메모리 세팅 절차메모리 준비from langgraph.checkpoint.memory importMemorySaver # MemoryS..

AI Agent의 일반적인 구조LLM은 사용자의 입력을 받아 응답을 생성필요 시외부에서 정보를 검색하거나(Retrieval)툴을 사용하거나(Tool)메모리를 읽고 쓰며(Memory)결과를 종합해서 응답을 생성AI Agent : 간단한 Chatbot 만들기State 정의LangGraph에서 LLM 메시지 히스토리를 자동으로 관리하기 위한 방식목록이 업데이트될 때 덮어쓰지 않고 새롭게 추가class State(TypedDict): messages: Annotated[list, add_messages]Node 정의언어 모델을 gpt-4.1-mini로 설정응답을 다시 리스트에 감싸서 “messages”에 넣어 반환llm = ChatOpenAI(model="gpt-4.1-mini")def chatbot(state..

간단한 그래프그래프 실행입력 : State 딕셔너리 형식. 특정 키만 입력출력 : STate 딕셔너리 형식State 다루기State 정의State는 Agent의 각 단계에서 주고 받는 정보State의 구조를 설계하고 정보를 기록하는 일은 매우 중요합니다class State(TypedDict): text: str user_id: str step: int history: list[str]Node 정의text에 값 붙이기step에 값 증가history 리스트에 값 추가def node_1(state: State): print("node_1 실행 전 상태:", state) state["text"] += " → node_1 처리 완료" state["step"] += 1 state["history"].append(..

AI Agent란?스스로 의사 결정하며, 도구를 사용하여, 목표를 달성하는 시스템도구 사용이나 다단계 추론을 활용LLM을 중심으로 다양한 외부 도구를 연결하여 구축AI Agent = GPT + Tool 사용 능력 + 상태 유지문제를 스스로 해결하는 시스템주요 구성 요소Goal : “무엇을 해야 할까?” - 사용자의 요청이나 해결할 문제Reasoning Engine : GPT 같은 모델 → 계획을 세움Toolset : 외부 기능(검색, 계산 API 등)Memory / State : 이전 정보 저장, 진행 상황 추적LangGraph란?LangGraphAI Agent 간의 협업을 그래프 기반으로 설계하는 프레임워크워크플로우(Workflow) : AI 에이전트들이 특정 목표를 위해 수행하는 일련의 과정 의미복잡..