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 라우터 구축
0. 주요 개념
2일차에 진행됐던 Tool (숫자 계산 관련)을 LLM이 판단하여 라우팅을 하여 도구를 호출할지, 그냥 평범한 답을 할지 판단하게 합니다.
1. 소개 및 검토
- 목표: 이전에 구축한 메시지를 상태로 사용하는 그래프와 도구가 바인딩된 채팅 모델을 기반으로, 사용자 입력에 따라 직접 응답 또는 도구 호출을 라우팅하는 라우터를 구축합니다.
- 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 langgraph3. API 키 설정
- OpenAI API 키 설정: 환경 변수를 설정하여 OpenAI 모델을 사용할 수 있도록 합니다.
import os, getpass
def setenv(var: str):
if not os.environ.get(var):
os.environ[var] = getpass.getpass(f"{var}: ")
setenv("OPENAI_API_KEY")4. 도구 정의 및 바인딩
- 도구 예시: 두 정수를 곱하는 multiply 함수를 정의합니다.
def multiply(a: int, b: int) -> int:
"""Multiply a and b.
Args:
a: first int
b: second int
"""
return a * b- 도구 바인딩: multiply 함수를 채팅 모델에 도구로 바인딩합니다.
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o")
llm_with_tools = llm.bind_tools([multiply])
5. 그래프 구축 및 라우터 설정
- 노드 정의: 도구 호출을 수행하는 tool_calling_llm 노드를 정의합니다.
from langgraph.graph import MessagesState
def tool_calling_llm(state: MessagesState):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
- 그래프 빌드: StateGraph를 초기화하고, 노드와 에지를 추가합니다.
- ToolNode를 추가하여 도구 목록을 초기화합니다.
- tools_condition을 사용한 조건부 에지를 추가하여 도구 호출 여부에 따라 라우팅합니다.
from IPython.display import Image, display
from langgraph.graph import StateGraph, START, END
from langgraph.prebuilt import ToolNode, tools_condition
# 그래프 빌더를 초기화합니다. 상태는 MessagesState를 사용합니다.
builder = StateGraph(MessagesState)
# 'tool_calling_llm' 노드를 그래프에 추가합니다.
builder.add_node("tool_calling_llm", tool_calling_llm)
# 'tools' 노드를 ToolNode로 추가하며, multiply 도구를 전달합니다.
builder.add_node("tools", ToolNode([multiply]))
# START 노드에서 'tool_calling_llm' 노드로의 에지를 추가합니다.
builder.add_edge(START, "tool_calling_llm")
# 'tool_calling_llm' 노드에서 조건부 에지를 추가합니다.
# tools_condition을 사용하여 도구 호출 여부에 따라 'tools' 노드로 라우팅하거나 END 노드로 라우팅합니다.
builder.add_conditional_edges(
"tool_calling_llm",
tools_condition,
)
# 'tools' 노드에서 END 노드로의 에지를 추가합니다.
builder.add_edge("tools", END)
# 그래프를 컴파일하여 구조를 검증하고 최종 그래프 객체를 생성합니다.
graph = builder.compile()
# 그래프를 머메이드 다이어그램으로 시각화하여 표시합니다.
display(Image(graph.get_graph().draw_mermaid_png()))6. 그래프 시각화
- 머메이드 다이어그램: 그래프 구조를 시각적으로 확인할 수 있습니다.
display(Image(graph.get_graph().draw_mermaid_png()))7. 그래프 호출 및 결과 확인
- 도구 호출 없이 응답: "Hello!" 입력 시 LLM이 도구 호출 없이 직접 응답합니다.
from langchain_core.messages import HumanMessage
messages = [HumanMessage(content="Hello!")]
messages = graph.invoke({"messages": messages})
for m in messages['messages']:
m.pretty_print()- 결과: LLM이 자연어로 직접 응답을 반환합니다.
- 도구 호출 포함 응답: "Multiply 2 and 3" 입력 시 multiply 도구를 호출하여 결과를 반환합니다.
messages = [HumanMessage(content="Multiply 2 and 3")]
messages = graph.invoke({"messages": messages})
for m in messages['messages']:
m.pretty_print()- 결과: LLM이 multiply 도구를 호출하여 계산 결과를 반환합니다.
8. 결론
- 라우터 역할: LLM이 사용자 입력에 따라 직접 응답하거나 도구를 호출하여 제어 흐름을 관리하는 간단한 에이전트를 구현합니다.
- LangGraph 활용: 조건부 에지를 통해 그래프 흐름을 유연하게 제어하며, 외부 도구와의 상호작용을 통합할 수 있습니다.
추가 설명
- 도구 호출 로직: tools_condition을 사용하여 LLM의 응답이 도구 호출인지 아닌지를 판단하고, 이에 따라 도구 노드(`tools`)로 라우팅하거나 그래프를 종료합니다.
- StateGraph 사용: MessagesState를 통해 메시지 목록을 상태로 관리하며, 각 노드는 이 상태를 업데이트합니다.
- ToolNode: 사전에 정의된 도구들을 쉽게 추가할 수 있는 내장 노드입니다.
랭그래프, AI 에이전트 구현에 관심이 생겼나요?
->지금바로 랭그래프 스터디에 관심이 있다면 신청해주세요!
지피터스 13기 스터디 신청링크