[Agent] LangChain for AI agent (Intro)

 

LangChain은 LLM의 지능을 활용하여
실제 복잡한 작업을 수행하는 AI Agent를 만들때 필요한
모든 연결 고리(Chains)와 구성 요소를 제공하는 '뼈대' 역할을 합니다.

Langchain 

• 개념 : LLM(거대 언어 모델) 기발 애플리케이션 개발을 간소화 하기 위한 오픈 소스 Python 프레임워크 
• 목적 : 개발자들이 LLM을 AI app에 통합할 수 있도록 컴포넌트(구성 요소)와 인터페이스(조작 방식)를 제공
  • 복잡한 작업 처리 : 텍스트나 여러 출처에서 정보를 검색하고(Retrieval), 추출하고(Extraction), 처리한 다음(Processing), 최종적으로 일관된 응답을 생성하는(Generation) 일련의 작업들을 연결(Chain)한다. 
  • 복잡한 프롬프트 처리: 복잡한 질문에 대한 데이터를 검색하고, 그 데이터로 요약을 생성하는 방식으로 응답 
• 주요 이점 : Langchain 이 선호되는 이유
  • 모듈성(Modularity) : 다양한 구성 요소들을 블록처럼 조립하여 애플리케이션을 만들수 있도록 설계되어 있어, 구성 요소의 재사용을 촉진하고 개발 시간과 노력을 줄여줌. 
  • 확장성(Extensibility) : 새로운 기능을 쉽게 추가하거나, 기존의 컴포넌트를 조정하고, 외부 시스템과 통합 할 수 있어 코드 변경을 최소화 함. 
  • 분해 능력(Decomposition) : 복잡한 쿼리나 작업을 더 작고 관리하기 쉬운 단계로 나누어 처리. 
  • 벡터 데이터베이스 통합: 벡터 DB와의 통합으로 의미론적 검색(Sematic Search)와 정보 검색이 가능해, 방대한 데이터 세트 내에서 관련 정보에 빠르게 접근 할 수 있도록 함. 

Langchain in AI Agent

• AI agent에서의 역할 :
  • Langchain은 AI Agent가 복잡한 목표를 달성하기 위해 추론, 계획, 외부 도구 사용 등을 체계적으로 수행할 수 있도록 하는 핵심적인 조정자(Orchestrator) 역할을 합니다. 
• Langchain 기능 
  • 복잡한 프롬프트 응답 : 에이전트가 단일 질문이 아닌 대화 전체 흐름(Context)에 기반하여 문맥에 맞는 답변 제공 
  • 분해 : 에이전트가 복잡한 작업을 작은 단계로 나누어 순차적으로 처리함으로써, Chain-of-Thougt 를 모방하고 정확도 개선
  • 데이터 검색 및 추출 : 에이전트가 특정 데이터에서 관련 정보를 정확히 찾아내고 가공하는 능력을 제공 
  • 멀티모달 지원 : 외부 라이브러리와의 통합을 통해 텍스트 외의 다양한 데이터 유형을 처리할 수 있게함. 
  • 자동화 : 기술 문서 초안 등 반복적인 쓰기 작업을 자동화 하는 AI 에이전트를 구축하는 기반을 제공 

-------------------------------------------------------------------------------------------

참고 : IBM RAG and Agentic AI - Develop Generative AI Applications: Get Started (Coursera) 

--------------------------------------------------------------------------------------------