[1DAY 1랭그래프] memory 에 대하여 #4일차
2024.10.19
![[1DAY 1랭그래프] memory 에 대하여 #4일차 본문 이미지](/_next/image?url=https%3A%2F%2Fcdn.gpters.org%2Fexternal%2Fb624787c6f999f3b6eda93f1.jpg&w=3840&q=75)
배경 및 목적
이번 13기 AI 스터디에 앞서, 1DAY 1랭그래프, 즉 하루에 1개의 랭그래프 개념을 설명하는 부분을 기획하게 됐습니다.
-> 랭그래프 스터디에 관심이 있다면 신청해주세요!
스터디 신청링크
이 프로젝트의 목표는 랭그래프를 쉽게 입문하실 수 있게 상세한 개념부터 코드까지 함께 공부해보실 수 있게 정리해서 드릴 예정입니다.
저는 랭그래프를 처음들어봐요!, 1일차 글을 보고 싶다면!?
-> 링크로 접속하기!
참고 자료
활용 툴
파이썬, 코랩, 랭그래프, 랭체인
핵심 요약: LangGraph를 활용한 에이전트 메모리 구축
0. 핵심 내용
이번엔 3일차에 이어 agent memory 내용입니다.

여러분들이 chatGPT를 사용하면서 가장 좋게 느껴지는 부분은, 바로 위에서 채팅했던 내역을 기억하여 다음에 나올 답변에 그 맥락이 포함돼있다는 것일텐데요,
저희가 만드는 Agent에 맥락을 추가시키기 위해 agent memory 기능을 추가할 수 있습니다.

쓰레드 id를 통해, 체크포인트를 불러와서 맥락을 추가할 수 있습니다.
# 스레드를 지정합니다.
config = {"configurable": {"thread_id": "1"}}
# 입력을 지정합니다.
messages = [HumanMessage(content="Add 3 and 4.")]
# 그래프를 호출하여 메시지를 전달하고, 결과를 messages 변수에 저장합니다.
messages = react_graph_memory.invoke({"messages": messages}, config)
# 각 메시지를 예쁘게 출력합니다.
for m in messages['messages']:
m.pretty_print()
-> 위 코드가 가장 핵심적인 쓰레드를 지정하고, 그 쓰레드에 메세지를 입력하는 부분입니다.
# "Multiply that by 2."라는 메시지를 생성합니다.
messages = [HumanMessage(content="Multiply that by 2.")]
# 동일한 `thread_id`를 사용하여 그래프를 호출하고 메시지를 전달합니다.
messages = react_graph_memory.invoke({"messages": messages}, config)
# 각 메시지를 예쁘게 출력합니다.
for m in messages['messages']:
m.pretty_print()-> 그리고 위해서 계산한 3+4 = 7 의 부분에 *2를 해라라고 했을 때,
위에서 진행됐던 쓰레드 id인 1을 호출하게 되고, 맥락을 알아차려 7 * 2 가 행하게 됩니다.

더 자세한 내용은 밑에를 참고해주세요 🙂
1. 소개 및 검토
- 목표: 이전에 구축한 에이전트가 act, observe, reason 기능을 통해 도구 호출과 자연어 응답을 처리할 수 있었던 것을 바탕으로, 에이전트에 메모리를 도입하여 멀티턴 대화를 가능하게 합니다.
- 기능:
- 도구 호출 반환
- 자연어 응답 반환
2. 환경 설정
- 라이브러리 설치: langchain_openai, langchain_core, langgraph 라이브러리를 설치합니다.
%%capture --no-stderr
%pip install --quiet -U langchain_openai langchain_core langgraph
```
- API 키 설정: OpenAI와 LangChain의 API 키를 설정하여 모델과의 연동을 준비합니다.
```python
import os, getpass
def setenv(var: str):
if not os.environ.get(var):
os.environ[var] = getpass.getpass(f"{var}: ")
setenv("OPENAI_API_KEY")
setenv("LANGCHAIN_API_KEY")
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "langchain-academy"3. 도구 정의 및 바인딩
- 도구 함수 정의: 덧셈, 곱셈, 나눗셈을 수행하는 함수를 정의합니다.
from langchain_openai import ChatOpenAI
def multiply(a: int, b: int) -> int:
return a * b
def add(a: int, b: int) -> int:
return a + b
def divide(a: int, b: int) -> float:
return a / b
tools = [add, multiply, divide]
llm = ChatOpenAI(model="gpt-4o")
llm_with_tools = llm.bind_tools(tools)4. 그래프 구축
- 상태 정의: MessagesState를 통해 메시지 리스트를 상태로 관리합니다.
from langgraph.graph import MessagesState
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
# 시스템 메시지 정의
sys_msg = SystemMessage(content="You are a helpful assistant tasked with performing arithmetic on a set of inputs.")
# 에이전트 노드 정의
def assistant(state: MessagesState):
return {"messages": [llm_with_tools.invoke([sys_msg] + state["messages"])]}- 그래프 빌드: 에이전트 노드와 도구 노드를 추가하고, 조건부 에지를 통해 흐름을 제어합니다.
from langgraph.graph import StateGraph, START, END
from langgraph.prebuilt import tools_condition, ToolNode
from IPython.display import Image, display
# 그래프 빌더 초기화
builder = StateGraph(MessagesState)
# 노드 추가
builder.add_node("assistant", assistant)
builder.add_node("tools", ToolNode(tools))
# 에지 추가
builder.add_edge(START, "assistant")
builder.add_conditional_edges(
"assistant",
tools_condition,
)
builder.add_edge("tools", "assistant")
# 그래프 컴파일
react_graph = builder.compile()
# 그래프 시각화
display(Image(react_graph.get_graph(xray=True).draw_mermaid_png()))5. 그래프 실행
- 도구 호출 없이 응답 실행:
from langchain_core.messages import HumanMessage
messages = [HumanMessage(content="Add 3 and 4.")]
messages = react_graph.invoke({"messages": messages})
for m in messages['messages']:
m.pretty_print()- 도구 호출 포함 응답 실행:
messages = [HumanMessage(content="Multiply that by 2.")]
messages = react_graph.invoke({"messages": messages})
for m in messages['messages']:
m.pretty_print()6. 메모리 도입
- 지속성 설정: MemorySaver 체크포인터를 사용하여 그래프 상태를 저장하고, 멀티턴 대화를 지원합니다.
from langgraph.checkpoint.memory import MemorySaver
memory = MemorySaver()
react_graph_memory = builder.compile(checkpointer=memory)- 스레드 지정 및 그래프 호출: 동일한 thread_id를 사용하여 이전 상태를 유지하며 대화를 이어갑니다.
# 스레드를 지정합니다.
config = {"configurable": {"thread_id": "1"}}
# 초기 메시지 실행
messages = [HumanMessage(content="Add 3 and 4.")]
messages = react_graph_memory.invoke({"messages": messages}, config)
for m in messages['messages']:
m.pretty_print()
# 이어서 메시지 실행
messages = [HumanMessage(content="Multiply that by 2.")]
messages = react_graph_memory.invoke({"messages": messages}, config)
for m in messages['messages']:
m.pretty_print()7. 결론
- 메모리 도입의 효과: 지속성을 통해 에이전트가 이전 대화 상태를 기억하여 더 자연스러운 멀티턴 대화를 가능하게 합니다.
- LangGraph의 장점: 체크포인터를 통한 상태 관리로 복잡한 대화 흐름을 효과적으로 제어할 수 있습니다.
랭그래프, AI 에이전트 구현에 관심이 생겼나요?
->지금바로 랭그래프 스터디에 관심이 있다면 신청해주세요!

지피터스 13기 스터디 신청링크
