LangGraph 로 나를 에이전트로 만들자 - 레고 에이전트 PART1
2024.11.12

소개
나와 같은 사람이 한명 더 있다면? 혹은 나보다 더 뛰어나고 나보다 더 부지런한 사람이 있다면?
귀찮은거? 대신 해줄 사람이 있다면? 그게 누구일까? 복제인간???
위 물음표를 시작으로 늦은감은 잊지만, AI 기술을 활용해 나를 어느정도 대체 해 줄 수 있는 모둘형 에이전트를 만들고자 했습니다.
그리하여 나자신의 AI 에이전트를 만들어가는 여정을 공유하려고 해요.
진행 방법
1. 프로젝트 개요
1.1 목적
이 프로젝트의 핵심 목표는 사용자 질문의 의도를 정확히 파악해 전문화된 에이전트로 라우팅하는 거예요.
질문 유형에 따라 각 에이전트가 전문적인 응답을 생성하며, 확장 가능한 설계를 통해 새로운 요구사항에도 쉽게 대응 가능하답니다.
1.2 주요 기능
의도 분석 (Intent Recognition): 질문의 목적과 주제를 파악하여 적합한 에이전트로 연결합니다.
담당자 찾기 (Task Owner Search): 조직 내 적합한 담당자를 식별하고 정보를 제공합니다.
API 문서 검색 (API Documentation Search): Swagger와 같은 API 문서를 탐색해 필요한 정보를 추출합니다.
구현 가능성 검토 (Implementation Feasibility Check): 특정 기능이나 요청의 기술적 타당성을 검토하고 실행 방법을 제안합니다.
2. 아키텍처 설계
2.1 컴포넌트 기반 설계
컴포넌트 기반 구조로 설계된 이 에이전트는 기능별로 분리되어 있어 유지보수와 확장이 용이합니다.
아래는 디렉토리 구조예요:
plaintext
코드 복사
my_agent/
├── components/
│ ├── base.py # 공통 기능 정의
│ ├── intent_analyzer.py # 의도 분석
│ ├── task_owner.py # 담당자 찾기
│ ├── api_docs.py # API 문서 검색
│ └── coding_feasibility.py # 구현 가능성 검토
├── node/
│ ├── api_docs_agent.py # API 문서 관련 에이전트
│ ├── task_owner_agent.py # 담당자 찾기 에이전트
│ └── coding_feasibility_agent.py # 구현 가능성 에이전트
└── agent.py # 메인 에이전트 관리
2.2 워크플로우
아래는 사용자 입력이 처리되는 워크플로우입니다:
mermaid
코드 복사
graph TD
A[사용자 입력] --> B[의도 분석]
B --> C[담당자 찾기]
B --> D[API 문서 검색]
B --> E[구현 가능성 검토]
E --> D
B --> F[일반 대화]
3. 핵심 컴포넌트 설명
3.1 BaseComponent
모든 컴포넌트는 BaseComponent를 상속받아 일관된 인터페이스를 제공합니다.
이를 통해 새로운 기능 추가와 통합이 용이합니다.
python
코드 복사
class BaseComponent:
def process(self, state: dict) -> str:
raise NotImplementedError("이 메서드는 서브클래스에서 구현되어야 합니다.")
3.2 의도 분석기 (IntentAnalyzerComponent)
사용자의 질문을 분석하여 다음의 카테고리로 분류합니다:
담당자 찾기
API 관련 질문
구현 가능성 검토
일반 질문
3.3 담당자 찾기 (TaskOwnerComponent)
조직 내 담당자를 식별하고 정보를 반환합니다.
예를 들어, 사용자가 "결제 시스템 담당자가 누구인가요?"라고 질문하면, 해당 팀 담당자를 제공합니다.
3.4 API 문서 검색 (APIDocsComponent)
Swagger 기반 문서를 탐색하고 API 엔드포인트 및 예제 정보를 제공합니다.
예를 들어, "결제 API의 엔드포인트가 어떻게 되나요?"라는 질문에 관련 정보를 찾아줍니다.
3.5 구현 가능성 검토 (CodingFeasibilityComponent)
요청된 기능이나 기술적 요구사항의 타당성을 검토합니다.
필요할 경우, API 문서 정보를 참조하여 더 구체적인 구현 제안을 제공합니다.
4. 확장 가능성
4.1 새로운 컴포넌트 추가
새로운 기능을 추가하고 싶다면 BaseComponent를 상속받아 간단히 구현할 수 있어요:
python
코드 복사
class NewFeatureComponent(BaseComponent):
def process(self, state: Dict[str, Any]) -> str:
# 새로운 기능 구현
return "next_node"
4.2 워크플로우 확장
agent.py에서 새로운 노드와 엣지를 추가하여 워크플로우를 확장할 수 있습니다:
python
코드 복사
workflow.add_node("new_feature", new_feature_component.process)
workflow.add_edge("intent_analyzer", "new_feature")
5. 사용 예시
5.1 담당자 찾기
질문: "결제 시스템 담당자가 누구인가요?"
응답: "담당자를 찾았습니다: 김철수 (결제시스템팀)"
5.2 API 문서 검색
질문: "결제 API의 엔드포인트가 어떻게 되나요?"
응답: "/api/v1/payment에서 결제 관련 API를 사용할 수 있습니다..."
5.3 구현 가능성 검토
질문: "카카오페이 결제 연동이 가능한가요?"
응답:"구현 가능합니다. 필요한 기술 스택:
Python/Django
카카오페이 SDK주의사항: API 키 발급이 필요합니다..."
6. 향후 개선 방향
Llama 3 Fine Tuning (+RAG)
멀티턴 대화 지원: 사용자의 추가 질문을 기억하고 맥락을 유지합니다.
컨텍스트 관리 강화: 대화 기록을 기반으로 더 정확한 답변을 제공합니다.
더 많은 전문 에이전트 추가: 다양한 분야를 커버할 수 있도록 에이전트를 확장합니다.
성능 모니터링 시스템 구축: 에이전트의 응답 속도와 정확도를 실시간으로 모니터링합니다.
결론
이처럼 레고 블록처럼 모듈형으로 설계된 에이전트는 다양한 환경에서 활용될 수 있어요.
유지보수가 쉽고, 확장이 용이하며, 재사용성이 높은 구조 덕분에 빠르게 변화하는 요구사항에도 대응할 수 있답니다.
관련 태그
#AI에이전트 #모듈형설계 #의도분석 #API문서검색 #구현가능성검토 #확장가능한구조
결과와 배운 점
회사 내 프로젝트로 정신없이 보내는 와중에 스터디 사례 발표 글 작성이란 함께하는 동료와의 약속을 지키겠다는 신념!!! 이거 하나로 만족 합니다. 스터디의 매력인가요? 못지키면 어쩌지 ㅜㅜ
작게 여러번 완성에 목표를 두자!!.
그런데 다시한번 커서 AI에 감탄!!!



레고님 진짜 좋은 사례 정말 감사합니다...! 이걸 보고 제가 랭그래프로 뭘 해야할지 큰 깨달음을 얻었습니다
자신을 복제한 에이전트,,, 정말 좋은 아이디어입니다...!
레고님 오프때 와주셔서 정말 감사했고, 좋은 아이디어로 실행까지 해주셔서 감사합니다
실례가 안된다면 약간의 아이디어를 차용하여 저도 몰래 저의 분신을 만들어서 슬랙으로 저를 맨션한다면 일단 그 메세지의 의도를 파악하고, 처낼 수 있는 일이라면 바로 답변해주는 그런 에이전트 만들고 싶네요...