LangChain Agent

IT 공부/LangChain

LangChain Agent

coiljuice 2024. 10. 30. 14:04

LangChain의 Agent는 대규모 언어 모델을 기반으로 한 지능형 시스템으로, 복잡한 작업을 효율적으로 수행하고 사용자 맞춤형 솔루션을 제공하는 강력한 AI 도구입니다. 다중 에이전트 협력, 지식 검색 증강, 모듈성 등의 특징을 통해 다양한 분야에서 빠르고 유연한 AI 애플리케이션 개발을 가능하게 합니다.

LangChain Agent 기본 구현

LangChain agent의 기본 코드셋은 다음과 같이 구성됩니다:

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate

# OpenAI API 키 설정
import os
os.environ["OPENAI_API_KEY"] = "your-api-key-here"

# 사용자 정의 도구 생성
@tool
def get_word_length(word: str) -> int:
    """단어의 길이를 반환합니다."""
    return len(word)

# 언어 모델 초기화
llm = ChatOpenAI(temperature=0)

# 프롬프트 템플릿 생성
prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 유용한 AI 어시스턴트입니다. 주어진 도구를 사용하여 사용자의 질문에 답하세요."),
    ("human", "{input}")
])

# 도구 목록 생성
tools = [get_word_length]

# Agent 생성
agent = create_openai_functions_agent(llm, tools, prompt)

# AgentExecutor 생성
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# Agent 실행
result = agent_executor.invoke({"input": "LangChain이라는 단어의 길이는 얼마인가요?"})
print(result["output"])

이 코드셋은 LangChain agent의 기본적인 구조를 보여줍니다. 주요 구성 요소는 다음과 같습니다:

1. 필요한 모듈 임포트
2. API 키 설정
3. 사용자 정의 도구 생성
4. 언어 모델 초기화
5. 프롬프트 템플릿 생성
6. 도구 목록 생성
7. Agent 생성
8. AgentExecutor 생성
9. Agent 실행 및 결과 출력

이 기본 구조를 바탕으로 필요에 따라 도구를 추가하거나 프롬프트를 수정하여 다양한 작업을 수행하는 agent를 만들 수 있습니다.

LangChain Agent의 작동 원리

LangChain Agent의 작동 원리는 복잡한 문제를 해결하기 위해 여러 구성 요소와 기술을 조합하는 것에 기반합니다. 다음은 Agent의 주요 작동 원리입니다:

동적 프로그래밍: Agent는 학습 단계에서 동적 프로그래밍과 유전 알고리즘을 활용하여 비용 테이블을 생성합니다. 이 테이블은 실시간 의사결정 단계에서 확률 분포 테이블을 통해 최적의 행동을 선택하는 데 사용됩니다.
검색 증강 생성(RAG): Agent는 외부 데이터베이스나 지식 소스에서 관련 정보를 검색하고 이를 바탕으로 응답을 생성합니다. 이 기술은 정보의 정확성과 신뢰성을 높이는 데 기여합니다.
다중 소스 융합: 여러 진단 추천 전략이나 데이터 소스를 결합하여 더 정확한 결과를 도출합니다. 예를 들어, 희귀 질병 진단 시스템에서는 GPT-4, PheLR, 표현형 매칭 등 다양한 전략을 통합하여 진단 정확도를 향상시킵니다.
모듈식 구조: Agent는 다양한 구성 요소와 체인으로 이루어져 있어, 특정 작업에 맞게 쉽게 조정할 수 있습니다. 이를 통해 복잡한 작업을 관리 가능한 하위 작업으로 분해할 수 있습니다.
다중 에이전트 협업: 여러 전문화된 에이전트가 협력하여 복잡한 문제를 해결합니다. 각 에이전트는 특정 역할을 맡아 전체 시스템의 성능을 향상시킵니다.
자동화된 의사결정: Agent는 주어진 정보를 분석하고 최적의 행동 경로를 결정합니다. 이는 사이버 보안, 의료 진단, 데이터 분석 등 다양한 분야에서 활용됩니다.
자연어 처리: Agent는 사용자의 자연어 입력을 이해하고 적절한 응답을 생성합니다. 이를 통해 사용자와의 상호작용을 원활하게 합니다.

이러한 작동 원리를 통해 LangChain Agent는 복잡한 문제를 효율적으로 해결하고, 다양한 분야에서 높은 성능을 발휘할 수 있습니다.

LangChain Agent 응용 사례

LangChain Agent는 다양한 분야에서 혁신적인 솔루션을 제공하고 있습니다. 다음은 LangChain Agent의 주요 응용 사례들입니다:

의료 분야
- RDguru: 희귀 질병 진단을 위한 대화형 지능형 에이전트로, GPT-3.5-turbo를 기반으로 합니다. 다중 소스 융합 진단 모델을 통해 진단 정확도를 향상시켰습니다. [https://pubmed.ncbi.nlm.nih.gov/39298307/]
- 응급실 의사결정 지원 시스템: Llama-3-70b를 기반으로 한 다중 에이전트 시스템으로, 환자 분류, 치료 계획 수립, 응급 진료 관리를 지원합니다. [https://arxiv.org/abs/2408.07531]
사이버 보안
- BreachSeek: AI 기반 다중 에이전트 자동화 침투 테스트 플랫폼으로, 취약점 식별, 사이버 공격 시뮬레이션, 보안 보고서 생성 등의 기능을 수행합니다. [https://arxiv.org/abs/2409.03789]
데이터 분석
- SaaS 데이터 분석 자동화: LangChain 에이전트를 활용하여 탐색적, 단변량, 이변량 분석 및 가설 검정을 자동화하는 시스템을 개발했습니다. [https://www.semanticscholar.org/paper/384de8864dbe21d5ae6514961b2b66aaf26876e4]
역사 및 문화 정보 제공
- 서울 역사 유적지 챗봇: 영어로 서울의 문화유산 정보를 제공하는 대화형 에이전트로, 서울시 제공 데이터를 활용합니다. [https://arxiv.org/abs/2402.06929]
부동산 정보 제공
- LangChain 기반 부동산 에이전트: 부동산 정보 검색 및 제공을 위한 AI 에이전트 시스템입니다. [https://www.semanticscholar.org/paper/6093282caf33157affec5c26ee6763d3d79439e9]
제조업
- 공장 문제 해결 인터페이스: AI와 생성형 AI를 결합한 하이브리드 챗봇으로, 산업 5.0 맥락에서 공장 가동 중단 시간을 개선하기 위해 개발되었습니다. [https://www.semanticscholar.org/paper/2f58d0e43f43c0ade16645119c067a7f8cb56ed3]
전산유체역학(CFD)
- MetaOpenFOAM: 자연어 입력만으로 CFD 시뮬레이션 작업을 완료할 수 있는 다중 에이전트 협업 프레임워크입니다. [https://arxiv.org/abs/2407.21320]

이러한 응용 사례들은 LangChain Agent가 복잡한 문제 해결과 지능형 시스템 구축에 있어 다양한 분야에서 활용될 수 있음을 보여줍니다.

LangChain Agent의 장단점 분석

LangChain Agent는 강력한 기능을 제공하지만 동시에 몇 가지 단점도 가지고 있습니다. 다음은 LangChain Agent의 주요 장단점을 상세히 나열한 것입니다:

장점:

유연성과 확장성: LangChain은 다양한 언어 모델과 쉽게 통합할 수 있으며, 사용자의 필요에 따라 모델을 확장하고 조정할 수 있는 높은 확장성을 제공합니다.
데이터 통합: 실시간 데이터, API, 데이터베이스, 파일 시스템 등 다양한 데이터 소스와의 통합을 지원하여 복잡한 애플리케이션 구축이 가능합니다.
프롬프트 엔지니어링: 사용자가 필요에 따라 애플리케이션의 동작을 세밀하게 조정할 수 있는 프롬프트 엔지니어링 기능을 제공합니다.
빠른 프로토타이핑: LangChain을 사용하면 빠르게 프로토타입을 만들고 테스트할 수 있어, 초기 단계에서 유용합니다.
모듈화: 각 도구는 독립적으로 정의되며, 재사용이 가능하여 동일한 도구를 여러 에이전트에서 사용할 수 있습니다.

단점:

복잡성: LangChain의 높은 추상화 수준은 초기에는 유용하지만, 복잡한 요구사항이 생기면서 코드 이해와 유지보수가 어려워질 수 있습니다.
학습 곡선: LangChain을 처음 사용하는 개발자들에게는 다소 복잡하게 느껴질 수 있으며, 효과적으로 사용하기 위해서는 깊이 있는 이해가 요구됩니다.
디버깅 어려움: LangChain의 내부 구조를 이해하고 디버깅하는 데 많은 시간이 소요될 수 있습니다.
오버헤드: LangChain은 대부분의 인기 있는 사용 사례에서 오버헤드와 복잡성을 증가시킬 수 있습니다.
제한된 통제: 에이전트 방식을 사용하면 문제를 푸는 과정을 알 수도 없고 통제할 수도 없어, 디버깅이 불가능할 수 있습니다.
실행 시간 예측 불가: 에이전트가 알고리즘을 스스로 선택함에 따라 사용자는 실행 시간을 전혀 예측할 수 없으며, 때로는 무한 루프에 빠질 수 있습니다.
특화된 기능 부족: 특정 산업에서 요구하는 고도로 특화된 기능이 LangChain에서 기본적으로 제공되지 않을 수 있어, 추가적인 커스터마이징이 필요할 수 있습니다.

이러한 장단점을 고려할 때, LangChain Agent는 빠른 프로토타이핑과 다양한 데이터 소스 통합에 강점을 가지지만, 복잡한 프로덕션 환경에서는 추가적인 고려사항이 필요할 수 있습니다.

LangChain Agent 대체 도구 비교 분석

LangChain Agent와 유사한 기능을 제공하는 여러 모듈과 툴이 있습니다. 각각의 장단점, 유료/무료 여부, 그리고 비용별 서비스를 상세히 살펴보겠습니다:

1. Haystack

장점:
     - 대규모 문서 처리에 최적화
     - 다양한 검색 알고리즘과 모델 지원
     - 활발한 오픈소스 커뮤니티
단점:
- LangChain에 비해 에이전트 기능이 제한적
- 초기 설정이 복잡할 수 있음
가격:
- 오픈소스로 무료 사용 가능
- 엔터프라이즈 지원은 별도 문의 필요

2. Rasa

장점:
     - 대화형 AI 개발에 특화
     - 뛰어난 자연어 이해(NLU) 기능
     - 맞춤형 대화 관리 가능
단점:
- 일반적인 AI 애플리케이션 개발에는 제한적
- 높은 학습 곡선 (초기 진입장벽이 상대적으로 높음)
가격:
- Rasa Open Source: 무료
- Rasa Pro: 사용자 수에 따라 가격 책정, 별도 문의 필요

3. AutoGPT

장점:
     - 뛰어난 자율적 작업 수행 능력
     - GPT-4 기반의 높은 성능
     - 다양한 플러그인 지원
단점:
- 결과 예측이 어려울 수 있음
- 세밀한 제어가 어려움
가격:
- 오픈소스로 무료 사용 가능
- GPT-4 API 사용 시 별도 비용 발생

4. Semantic Kernel

장점:
     - Microsoft의 안정적인 지원
     - 다양한 프로그래밍 언어 지원
     - AI 모델과 기존 코드의 쉬운 통합
단점:
- 상대적으로 작은 생태계
- Microsoft 제품 중심의 통합
가격:
- 오픈소스로 무료 사용 가능
- Azure 서비스와 연동 시 별도 비용 발생

5. LlamaIndex (GPT Index)

장점:
     - 대규모 데이터 인덱싱과 검색에 특화
     - LangChain과의 쉬운 통합
     - 다양한 데이터 소스 지원
단점:
- 에이전트 기능이 제한적
- 주로 데이터 처리와 검색에 초점
가격:
- 오픈소스로 무료 사용 가능
- 클라우드 호스팅 서비스는 별도 요금 부과

6. OpenAI GPT-3.5/GPT-4 API

장점:
     - 최신 언어 모델 사용 가능
     - 다양한 태스크에 적용 가능한 유연성
     - 지속적인 모델 업데이트
단점:
- API 호출 비용 발생
- 데이터 프라이버시 우려
가격:
- GPT-3.5: $0.002/1K 토큰
- GPT-4: $0.03/1K 토큰 (8K 컨텍스트), $0.06/1K 토큰 (32K 컨텍스트)

7. Hugging Face Transformers

장점:
     - 다양한 사전 학습 모델 제공
     - 커스텀 모델 학습 및 배포 용이
     - 활발한 커뮤니티 지원
단점:
- 일부 고급 기능은 유료
- 자체 인프라 구축 필요할 수 있음
가격:
- 오픈소스 라이브러리: 무료
- Inference API: 사용량에 따라 과금 (시작가 $9/월)

8. Google Vertex AI

장점:
     - 구글의 강력한 AI/ML 인프라 활용
     - 엔드-투-엔드 ML 워크플로우 지원
     - 다양한 사전 학습 모델 제공
단점:
- 구글 클라우드 플랫폼에 종속될 수 있음
- 복잡한 가격 구조
가격:
- 기본 Vertex AI: 사용량에 따라 과금
- 커스텀 모델 학습 및 배포: 별도 요금 체계

이러한 도구들은 각각의 강점과 약점을 가지고 있으며, 프로젝트의 요구사항과 예산에 따라 적절한 선택이 필요합니다. 무료 오픈소스 옵션부터 엔터프라이즈급 유료 서비스까지 다양한 선택지가 있으므로, 개발자와 기업은 자신들의 니즈에 가장 적합한 솔루션을 선택할 수 있습니다.

LangChain Agent의 함수 실행 과정

LangChain에서 지원하는 함수들은 LangChain Agent를 통해 다음과 같은 과정으로 사용됩니다:

1. 함수 로드:

`load_tools()` 함수를 사용하여 필요한 도구들을 로드합니다.
예시 : `tools = load_tools(["ddg-search", "llm-math", "python_repl"])`

2. Agent 초기화:

로드된 도구들과 언어 모델(LLM)을 사용하여 Agent를 초기화합니다.
예시 : `agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)`

3. 프롬프트 처리:

사용자의 입력을 받아 Agent의 프롬프트 템플릿에 삽입합니다.
프롬프트에는 사용 가능한 도구들의 설명이 포함됩니다.

4. 사고 과정 (Thought):

Agent는 LLM을 사용하여 주어진 작업을 수행하기 위해 어떤 도구를 사용할지 결정합니다.

5. 도구 선택 (Action):

Agent는 사고 과정을 바탕으로 적절한 도구를 선택합니다.

6. 도구 실행 (Action Input):

선택된 도구에 필요한 입력을 생성하고 도구를 실행합니다.

7. 결과 관찰 (Observation):

도구 실행 결과를 관찰하고 다음 단계를 결정합니다.

8. 반복 또는 최종 응답:

목표가 달성되지 않았다면 4-7 단계를 반복합니다.
목표가 달성되었다면 최종 응답을 생성합니다.

9. 결과 반환:

Agent는 최종 결과를 사용자에게 반환합니다.

이 과정을 통해 LangChain Agent는 다양한 도구를 유연하게 활용하여 복잡한 작업을 수행할 수 있습니다. Agent는 각 단계에서 자율적으로 판단하고 행동하며, 필요에 따라 여러 도구를 조합하여 문제를 해결합니다.

LangChain Agent 내장 함수 목록 [https://python.langchain.com/docs/integrations/tools/]

LangChain Agent는 다양한 내장 함수들을 제공하여 개발자들이 AI 애플리케이션을 쉽게 구축할 수 있도록 지원합니다. 이러한 함수들은 Agent의 기능을 확장하고 다양한 작업을 수행할 수 있게 해줍니다.

이러한 내장 함수들은 LangChain의 `load_tools()` 함수를 통해 쉽게 로드하고 사용할 수 있습니다. 예를 들어:

from langchain.agents import load_tools

tools = load_tools(["ddg-search", "llm-math", "python_repl"])

각 함수는 특정 작업에 최적화되어 있어, 개발자는 필요에 따라 적절한 함수를 선택하여 사용할 수 있습니다. 또한, LangChain은 개발자가 자신만의 커스텀 도구를 만들고 통합할 수 있는 유연성을 제공하여, 특정 도메인이나 사용 사례에 맞는 고유한 기능을 Agent에 추가할 수 있습니다.

이러한 다양한 내장 함수들은 개발자들이 복잡한 AI 애플리케이션을 빠르고 효율적으로 구축할 수 있도록 도와줍니다. 각 함수는 특정 작업에 최적화되어 있어, 개발자는 필요에 따라 적절한 함수를 선택하여 사용할 수 있습니다.

LangChain Agent 사용자 함수 적용

LangChain Agent에서 사용자 정의 함수를 적용하는 방법은 크게 두 가지로 나눌 수 있습니다: Tool로 등록하여 사용하는 방법과 RunnableLambda를 이용하는 방법입니다.

1. Tool로 등록하여 사용하는 방법

이 방법은 Agent가 직접 호출할 수 있는 Tool로 사용자 정의 함수를 등록합니다.

from langchain.agents import Tool, AgentExecutor, LLMSingleActionAgent
from langchain.prompts import StringPromptTemplate
from langchain_openai import ChatOpenAI

def get_text_length(text: str) -> int:
    """주어진 문자열의 길이를 반환하는 함수"""
    return len(text)

tools = [
    Tool(
        name="TextLengthTool",
        func=get_text_length,
        description="문자열의 길이를 계산합니다."
    )
]

llm = ChatOpenAI(temperature=0)
agent = LLMSingleActionAgent(llm=llm, tools=tools)
agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, verbose=True)

result = agent_executor.run("'LangChain'의 길이는 얼마인가요?")
print(result)

이 예시에서 `get_text_length` 함수를 Tool로 등록하여 Agent가 사용할 수 있게 합니다.

2. RunnableLambda를 이용하는 방법

RunnableLambda는 사용자 정의 함수를 LangChain의 실행 가능한 컴포넌트로 변환합니다.

from langchain_core.runnables import RunnableLambda
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

def length_function(text):
    return len(text)

prompt = ChatPromptTemplate.from_template("문자열 '{text}'의 길이는 {length}입니다.")
model = ChatOpenAI()

chain = (
    {"text": lambda x: x, "length": RunnableLambda(length_function)}
    | prompt
    | model
)

result = chain.invoke("LangChain")
print(result)

이 방법에서는 `length_function`을 RunnableLambda로 감싸 체인의 일부로 사용합니다.

두 방법 모두 사용자 정의 함수를 LangChain Agent에 통합할 수 있게 해주지만, 사용 목적에 따라 선택할 수 있습니다. Tool 방식은 Agent가 직접 함수를 호출할 때 유용하고, RunnableLambda 방식은 체인 내에서 함수를 더 유연하게 사용할 때 적합합니다.

또한, 복잡한 로직이 필요한 경우 여러 함수를 조합하여 사용할 수도 있습니다. 예를 들어:

def multiple_length_function(text1, text2):
    return len(text1) * len(text2)

chain = (
    {
        "a": lambda x: x["input_1"],
        "b": {
            "text1": lambda x: x["input_1"],
            "text2": lambda x: x["input_2"]
        } | RunnableLambda(multiple_length_function)
    }
    | prompt
    | model
)

result = chain.invoke({"input_1": "Hello", "input_2": "World"})
print(result)

이러한 방식으로 여러 입력을 처리하는 복잡한 함수도 LangChain Agent에 통합할 수 있습니다.

LangChain Agent 함수 실행

LangChain 0.3 버전에서는 Agent를 생성하고 함수를 실행하는 방식이 이전 버전과 약간 다릅니다. 다음은 LangChain 0.3 버전에 맞춘 코드셋 예제입니다:

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate

# OpenAI API 키 설정
import os
os.environ["OPENAI_API_KEY"] = "your-api-key-here"

# 사용자 정의 도구 생성
@tool
def get_word_length(word: str) -> int:
    """단어의 길이를 반환합니다."""
    return len(word)

# 언어 모델 초기화
llm = ChatOpenAI(temperature=0)

# 프롬프트 템플릿 생성
prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 유용한 AI 어시스턴트입니다. 주어진 도구를 사용하여 사용자의 질문에 답하세요."),
    ("human", "{input}")
])

# 도구 목록 생성
tools = [get_word_length]

# Agent 생성
agent = create_openai_functions_agent(llm, tools, prompt)

# AgentExecutor 생성
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# Agent 실행
result = agent_executor.invoke({"input": "LangChain이라는 단어의 길이는 얼마인가요?"})
print(result["output"])

이 코드에서 주목할 점은 다음과 같습니다:

`langchain_openai`에서 `ChatOpenAI`를 임포트합니다. 이는 0.3 버전에서의 변경 사항입니다.
`create_openai_functions_agent` 함수를 사용하여 Agent를 생성합니다. 이 함수는 OpenAI의 함수 호출 기능을 활용합니다.
`@tool` 데코레이터를 사용하여 사용자 정의 도구를 생성합니다. 이 방식은 이전 버전과 유사하지만, 0.3 버전에서도 계속 지원됩니다.
`AgentExecutor`를 사용하여 Agent를 실행합니다. `invoke` 메서드를 사용하여 Agent에 입력을 전달하고 결과를 받습니다.
프롬프트 템플릿은 `ChatPromptTemplate.from_messages`를 사용하여 생성합니다. 이는 대화형 프롬프트를 더 쉽게 만들 수 있게 해줍니다.

이 코드는 사용자가 입력한 질문에 대해 Agent가 적절한 도구를 선택하고 실행하여 답변을 생성하는 과정을 보여줍니다. 예를 들어, "LangChain이라는 단어의 길이는 얼마인가요?"라는 질문에 대해 Agent는 `get_word_length` 도구를 사용하여 답변을 생성할 것입니다.

LangChain 0.3 버전에서는 이전 버전에 비해 더 유연하고 강력한 방식으로 Agent를 구성하고 실행할 수 있습니다. 특히 OpenAI의 함수 호출 기능을 활용한 `create_openai_functions_agent`는 더 효율적인 도구 선택과 실행을 가능하게 합니다.

AgentExecutor 주요 기능

LangChain의 AgentExecutor는 Agent를 실행하고 관리하는 핵심 도구입니다. 주요 메서드와 속성은 다음과 같습니다:

주요 메서드:

invoke(): Agent를 실행하여 단일 입력에 대한 응답을 생성합니다.
예시 : result = agent_executor.invoke({"input": "질문"})
batch(): 여러 입력에 대해 병렬로 Agent를 실행합니다.
예시 : results = agent_executor.batch([{"input": "질문1"}, {"input": "질문2"}])
stream(): Agent의 중간 단계와 최종 결과를 스트리밍 방식으로 반환합니다.
예시 : for step in agent_executor.stream({"input": "질문"}): print(step)
arun(): Agent를 비동기적으로 실행합니다.
예시 : result = await agent_executor.arun({"input": "질문"})

주요 속성:

agent: 실행할 Agent 객체입니다.
tools: Agent가 사용할 수 있는 도구 목록입니다.
max_iterations: Agent 실행의 최대 반복 횟수를 설정합니다.
- 기본값은 15이며, 무한 루프 방지에 사용됩니다.
max_execution_time: Agent 실행의 최대 시간을 초 단위로 설정합니다.
- 기본값은 None이며, 시간 제한이 없음을 의미합니다.
early_stopping_method: Agent 실행 중단 방법을 지정합니다.
- "force"(강제 중단) 또는 "generate"(최종 응답 생성) 중 선택할 수 있습니다.
handle_parsing_errors: 파싱 오류 처리 방법을 지정합니다.
- True로 설정하면 오류 발생 시 Agent에 재시도를 요청합니다.
return_intermediate_steps: 중간 단계 결과 반환 여부를 설정합니다.
- True로 설정하면 Agent의 사고 과정과 도구 사용 내역을 확인할 수 있습니다.
callbacks: Agent 실행 중 특정 이벤트에 대한 콜백 함수를 설정합니다.
- 로깅, 모니터링 등에 활용할 수 있습니다.

AgentExecutor는 이러한 메서드와 속성을 통해 Agent의 실행을 세밀하게 제어하고 모니터링할 수 있게 해줍니다. 예를 들어, max_iterations와 max_execution_time을 설정하여 Agent의 실행 시간을 제한하거나, return_intermediate_steps를 활용하여 Agent의 의사결정 과정을 분석할 수 있습니다.

### 자료 출처 ###

LangChain이란 무엇인가요?

RunnableLambda

에이전트(Agent)

LangChain Agent와 Tool 사용법

LLM 로컬 실행 및 배포 & RAG 실습

SenseAct: Dynamic Programming of Genetic Algorithms for Reinforced Learning in Measurement-based Decisions

RDguru: A Conversational Intelligent Agent for Rare Diseases

Leveraging LangChain agents to automate data analysis for SaaS.

Making a prototype of Seoul historical sites chatbot using Langchain

Limitations of LLMs and Langchain, Problems of Agent, and TAG

'IT 공부 > LangChain' 카테고리의 다른 글

LangGraph (4)	2024.11.04
AI의 LangChain 설명 (15)	2024.10.28

현재글LangChain Agent

coiljuice 님의 블로그

IT 초보의 공부 블로그

Today :
Yesterday :

coiljuice 님의 블로그

LangChain Agent

LangChain Agent 기본 구현

LangChain Agent의 작동 원리

LangChain Agent 응용 사례

LangChain Agent의 장단점 분석

장점:

단점:

LangChain Agent 대체 도구 비교 분석

1. Haystack

2. Rasa

3. AutoGPT

4. Semantic Kernel

5. LlamaIndex (GPT Index)

6. OpenAI GPT-3.5/GPT-4 API

7. Hugging Face Transformers

8. Google Vertex AI

LangChain Agent의 함수 실행 과정

LangChain Agent 내장 함수 목록 [https://python.langchain.com/docs/integrations/tools/]

LangChain Agent 사용자 함수 적용

1. Tool로 등록하여 사용하는 방법

2. RunnableLambda를 이용하는 방법

LangChain Agent 함수 실행

AgentExecutor 주요 기능

주요 메서드:

주요 속성:

'IT 공부 > LangChain' 카테고리의 다른 글

'IT 공부/LangChain'의 다른글

티스토리툴바

« 2026/04 »
일	월	화	수	목	금	토
			1	2	3	4
5	6	7	8	9	10	11
12	13	14	15	16	17	18
19	20	21	22	23	24	25
26	27	28	29	30

LangChain Agent

LangChain Agent 기본 구현

LangChain Agent의 작동 원리

LangChain Agent 응용 사례

LangChain Agent의 장단점 분석

장점:

단점:

LangChain Agent 대체 도구 비교 분석

1. Haystack

2. Rasa

3. AutoGPT

4. Semantic Kernel

5. LlamaIndex (GPT Index)

6. OpenAI GPT-3.5/GPT-4 API

7. Hugging Face Transformers

8. Google Vertex AI

LangChain Agent의 함수 실행 과정

LangChain Agent 내장 함수 목록 [https://python.langchain.com/docs/integrations/tools/]

LangChain Agent 사용자 함수 적용

1. Tool로 등록하여 사용하는 방법

2. RunnableLambda를 이용하는 방법

LangChain Agent 함수 실행

AgentExecutor 주요 기능

주요 메서드:

주요 속성:

'IT 공부 > LangChain' 카테고리의 다른 글

'IT 공부/LangChain'의 다른글

관련글

티스토리툴바