LangGraph 위주로 작성하겠습니다.
둘은 철학 자체가 다르다
⛓️💥 - 체인은 서로 순서대로 연결이 되어있다.
즉 선형적으로 이루어져있다. 그렇다. 랭Chain 은 선형적인 구조를 이룬다.
파이프라인을 만든다는 것이다.
Graph - 그래프는 각자 연결이 되어있다.
알고리즘 풀면서 그래프 문제 많이 풀었을텐데 그 그래프 맞다.
즉 그래프 문제 풀면서 사이클 조정이나, 우선 순위를 조정했듯이 랭Graph 도 상황에 따라 세밀한 조정이 가능하다!!
이게 무슨 소리냐? 파이프 라인이 아닌 각 노드에 따라서 자동으로 왔다갔다 한다는 것이다!!
이해가 됐으려나?
LangGraph 단어 설명
Langgraph 는 다중 에이전트 프레임워크 입니다.
사이클 지원과 세밀한 제어가 가능하며 내장 지속성 기능으로 상태 및 흐름을 정밀하게 제어 할 수 있습니다.
이 글의 타겟을 그래프에 대해 어느 정도 이해도가 있는 개발자라고 가정하고 적겠다.
그래프 관련 단어는 생략하겠다. (노드, 엣지 등)
에이전트
에이전트 (Agent) 를 사람이라고 편하다.
당신은 LLM 을 쓸 때 어떻게 하는가?
무엇을 물어볼지 생각하고 (Thought)
물어보고 (Action)
응답을 확인하고 (Observation)
원하는 결과가 안 나오면 반복한다 (Loop).
에이전트도 똑같다. 랭체인의 에이전트는 더욱 동적인 LLM 을 위해서 상황에 따라 도구를 선택하고, 반복하여 목표에 도달 할 수 있게 설계했다.
에이전트의 컴포넌트들은 다음과 같다
| 구성 | 설명 |
| Agent | LLM 이 어떤 도구를 쓸지, 질문을 어떻게 할지 생각하게 하는 모듈 |
| Tool | 검색, 계산, DB 조회 등 Agent 가 실제로 사용할 수 있는 도구 |
| PromptTemplate | 에이전트가 어떤 방식으로 사고 / 행동 / 관찰을 할지 알려주는 프롬프트 |
| AgentExecutor | Agent + Tool 을 묶어서 실제로 사고 / 행동 / 관찰 루프를 실행하는 컴포넌트 |
에이전트의 유형은 다음과 같다
| 에이전트 타입 | 설명 |
| ZeroShotAgent | 프롬프트만으로 어떤 도구를 쓸지 결정 (제일 간단) 하는 에이전트 |
| ReActAgent | Reasoning + Acting -> 사고와 행동을 프롬프트내에서 구분해서 수행할 수 있는 에이전트 |
| ConversationalAgent | 메모리 기반 대화, 문맥을 유지하는 에이전트 |
| Plan-and-Execute | 목표를 세분화 하고 실행하는 Planing + Executor 구조의 에이전트 |
ReActAgent (가장 많이 쓰이는 Agent)
ReActAgent 를 생각한다고 하면 Grok 의 DeepSearch 를 생각하면 된다.
DeepSearch 가 ReActAgent 라고는 할 수 없지만 ReActAgent 에게 영감을 많이 받은 구조일 것이다.
- ReActAgent 예시
Question(질문): 대한민국 여행지를 추천해줘! 예산은 50만원이야
Thought(생각): 대한민국 여행지를 찾아봐야겠어... 예산은 50만원 이내로...
Action(행동): 검색[대한민국 50만원 이내 여행지 추천]
Observation(관찰): 대한민국 50만원 이내 여행지는 강원도... 부산...
Thought(생각): 흠... 이정도면 적당하네
Final Answer(최종 응답): 강원도, 부산을 추천드려요!
State (상태)
노드와 엣지가 갖고 있는 정보라고 생각하면 된다!
이 State 는 여러 정보를 가질 수 있는데, 이건 사용자가 정의하는 것이다.
- 사용자 입력
- 이전 LLM 응답
- 도구 실행 결과
- 어느 도구 선택했는지
- 어느정도 진행중인지
- 컨텍스트 캐시, 메모리, 대화 이력 등
[User Message] → State에 저장
(Node: Thought 생성)
State: {"thought": "I need to search Google"}
(Node: Action 도출 및 실행)
State: {"action": "search", "input": "current weather in Seoul"}
(Node: Observation 저장)
State: {"observation": "It is sunny in Seoul"}
(Node: Final Answer 생성)
State: {"final_answer": "It's sunny in Seoul!"}
State 는 로그라고 생각할 수도 있다.
하지만 이를 넘어서 의식의 흐름 저장소라고 생각해도 된다.
LangGraph 는 이 상태를 기준으로 어떤 노드로 갈지, 반복할지, 멈출지 선택 할 수 있다.
결국 LangGraph 는 에이전트간 대화 및 사고과정을 하나의 그래프로 설계되어 이루어져있다.
LangChain 처럼 단순한 파이프라인이 아닌 상태에 따라서 흐름을 조절할 수 있는 시스템이라고 봐도 된다.
LangGraph 위주로 작성하겠습니다.
둘은 철학 자체가 다르다
⛓️💥 - 체인은 서로 순서대로 연결이 되어있다.
즉 선형적으로 이루어져있다. 그렇다. 랭Chain 은 선형적인 구조를 이룬다.
파이프라인을 만든다는 것이다.
Graph - 그래프는 각자 연결이 되어있다.
알고리즘 풀면서 그래프 문제 많이 풀었을텐데 그 그래프 맞다.
즉 그래프 문제 풀면서 사이클 조정이나, 우선 순위를 조정했듯이 랭Graph 도 상황에 따라 세밀한 조정이 가능하다!!
이게 무슨 소리냐? 파이프 라인이 아닌 각 노드에 따라서 자동으로 왔다갔다 한다는 것이다!!
이해가 됐으려나?
LangGraph 단어 설명
Langgraph 는 다중 에이전트 프레임워크 입니다.
사이클 지원과 세밀한 제어가 가능하며 내장 지속성 기능으로 상태 및 흐름을 정밀하게 제어 할 수 있습니다.
이 글의 타겟을 그래프에 대해 어느 정도 이해도가 있는 개발자라고 가정하고 적겠다.
그래프 관련 단어는 생략하겠다. (노드, 엣지 등)
에이전트
에이전트 (Agent) 를 사람이라고 편하다.
당신은 LLM 을 쓸 때 어떻게 하는가?
무엇을 물어볼지 생각하고 (Thought)
물어보고 (Action)
응답을 확인하고 (Observation)
원하는 결과가 안 나오면 반복한다 (Loop).
에이전트도 똑같다. 랭체인의 에이전트는 더욱 동적인 LLM 을 위해서 상황에 따라 도구를 선택하고, 반복하여 목표에 도달 할 수 있게 설계했다.
에이전트의 컴포넌트들은 다음과 같다
| 구성 | 설명 |
| Agent | LLM 이 어떤 도구를 쓸지, 질문을 어떻게 할지 생각하게 하는 모듈 |
| Tool | 검색, 계산, DB 조회 등 Agent 가 실제로 사용할 수 있는 도구 |
| PromptTemplate | 에이전트가 어떤 방식으로 사고 / 행동 / 관찰을 할지 알려주는 프롬프트 |
| AgentExecutor | Agent + Tool 을 묶어서 실제로 사고 / 행동 / 관찰 루프를 실행하는 컴포넌트 |
에이전트의 유형은 다음과 같다
| 에이전트 타입 | 설명 |
| ZeroShotAgent | 프롬프트만으로 어떤 도구를 쓸지 결정 (제일 간단) 하는 에이전트 |
| ReActAgent | Reasoning + Acting -> 사고와 행동을 프롬프트내에서 구분해서 수행할 수 있는 에이전트 |
| ConversationalAgent | 메모리 기반 대화, 문맥을 유지하는 에이전트 |
| Plan-and-Execute | 목표를 세분화 하고 실행하는 Planing + Executor 구조의 에이전트 |
ReActAgent (가장 많이 쓰이는 Agent)
ReActAgent 를 생각한다고 하면 Grok 의 DeepSearch 를 생각하면 된다.
DeepSearch 가 ReActAgent 라고는 할 수 없지만 ReActAgent 에게 영감을 많이 받은 구조일 것이다.
- ReActAgent 예시
Question(질문): 대한민국 여행지를 추천해줘! 예산은 50만원이야
Thought(생각): 대한민국 여행지를 찾아봐야겠어... 예산은 50만원 이내로...
Action(행동): 검색[대한민국 50만원 이내 여행지 추천]
Observation(관찰): 대한민국 50만원 이내 여행지는 강원도... 부산...
Thought(생각): 흠... 이정도면 적당하네
Final Answer(최종 응답): 강원도, 부산을 추천드려요!
State (상태)
노드와 엣지가 갖고 있는 정보라고 생각하면 된다!
이 State 는 여러 정보를 가질 수 있는데, 이건 사용자가 정의하는 것이다.
- 사용자 입력
- 이전 LLM 응답
- 도구 실행 결과
- 어느 도구 선택했는지
- 어느정도 진행중인지
- 컨텍스트 캐시, 메모리, 대화 이력 등
[User Message] → State에 저장
(Node: Thought 생성)
State: {"thought": "I need to search Google"}
(Node: Action 도출 및 실행)
State: {"action": "search", "input": "current weather in Seoul"}
(Node: Observation 저장)
State: {"observation": "It is sunny in Seoul"}
(Node: Final Answer 생성)
State: {"final_answer": "It's sunny in Seoul!"}
State 는 로그라고 생각할 수도 있다.
하지만 이를 넘어서 의식의 흐름 저장소라고 생각해도 된다.
LangGraph 는 이 상태를 기준으로 어떤 노드로 갈지, 반복할지, 멈출지 선택 할 수 있다.
결국 LangGraph 는 에이전트간 대화 및 사고과정을 하나의 그래프로 설계되어 이루어져있다.
LangChain 처럼 단순한 파이프라인이 아닌 상태에 따라서 흐름을 조절할 수 있는 시스템이라고 봐도 된다.
