Skip to content

06-agent.md

Latest commit

 

History

History
157 lines (109 loc) · 5.36 KB

06-agent.md

File metadata and controls

157 lines (109 loc) · 5.36 KB

LangChain - 에이전트(Agent) 개요

  • LLM을 의사결정 엔진으로 사용하여 작업을 수행하는 시스템임
  • 모델은 입력된 데이터를 분석하여 맥락에 맞는 의사결정을 수행함
  • 시스템은 사용자의 요청을 이해하고 적절한 해결책을 제시함
  • 복잡한 작업을 자동화하여 업무 효율성을 높일 수 있음

Smithery

MCP

Tool Calling

  • 🔗 LangChain 문서 Tool calling

  • 모델은 외부 시스템 (DB, API 등)과 직접 소통할 수 없어 LangChain은 이를 위한 Tool Calling 기능을 제공함

  • Tool Calling은 모델이 사전에 정의된 도구나 함수를 호출해 외부 시스템과 상호작용하도록 돕는 매커니즘임

  • 구조화된 출력과 스키마 기반 응답을 통해 시스템 요구사항을 충족하고 효율적인 통신을 가능하게 함


사용 흐름

단계 설명
1. Tool Creation @tool 데코레이터를 사용하여 모델이 사용할 수 있는 도구로 정의함
📌 도구로 정의하는 함수에는 설명이 입력되어야 함
2. Tool Binding 정의한 도구를 모델에 연결하여 입력 스키마를 인식시킴
3. Tool Calling 모델이 적절한 도구를 선택하고, 호출에 필요한 입력값을 생성함
4. Tool Execution 모델이 선택한 도구를 실행하고 결과를 받아 응답 생성에 활용함

유의 사항

  • Tool Calling 기능은 모델의 구조화 출력 능력에 의존하므로 모델 선택이 중요함
  • 도구의 설명과 입력이 직관적일수록 모델이 잘 활용함
  • 과다한 도구는 모델의 성능 저하를 유발하므로 5개 이하로 사용하는 것이 이상적임

예시 코드

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

# Tool creation
@tool
def multiply(a: int, b: int) -> int:
    """Multiply a and b."""
    return a * b

tools = [multiply]

# Tool binding
model = ChatOpenAI(model="gpt-4.1-mini", temperature=0)
model_with_tools = model.bind_tools(tools)

# Tool calling
response = model_with_tools.invoke("3과 4를 곱해줘")
print(response.tool_calls[0])
# > Output: {'name': 'multiply', 'args': {'a': 3, 'b': 4}, 'id': '...', 'type': 'tool_call'}

# Tool execution
result = multiply.invoke(response.tool_calls[0])
print(result.content)
# > Output: 12

AgentExecutor

  • LangChain의 기본 에이전트 실행 시스템임
  • 에이전트의 계획-실행-관찰 사이클을 자동으로 관리함
  • 에이전트의 행동을 모니터링하고 결과를 반환함

사용 흐름

  1. Tool Creation : @tool 데코레이터를 사용하여 모델이 사용할 수 있는 도구를 정의함
  2. 추론 체인 구성 : 에이전트의 기본 행동과 응답 방식을 정의하는 프롬프트 템플릿과 핵심 추론 엔진 모델을 정의함
  3. 에이전트 생성 : 모델과 도구를 통합하여 복잡한 작업을 수행하는 에이전트를 생성함 (도구 실행 결과를 분석하여 최종 응답을 생성하는 워크플로우를 구현함)
  4. 에이전트 실행기 생성 : 에이전트의 작업 흐름을 관리하고 결과를 처리하는 AgentExecutor 컴포넌트를 활용함
    • 사용자 입력부터 최종 출력까지의 전체 프로세스를 조율하고 제어함
    • 에러 처리, 로깅, 결과 포매팅 등 시스템 운영에 필요한 기능을 제공함

예시 코드

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent
from langchain.agents import AgentExecutor

# 프롬프트 템플릿 정의
prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 사용자의 요청을 처리하는 AI Assistant입니다."),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])

# 모델 정의
llm = ChatOpenAI(model="gpt-4.1-mini",temperature=0)

# 도구 목록 생성 
tools = [get_weather, calculate]

# 에이전트 생성 (도구 호출)
agent = create_tool_calling_agent(llm, tools, prompt)

# 에이전트 실행기 생성
agent_executor = AgentExecutor(
    agent=agent,      # 도구 호출 에이전트
    tools=tools,      # 도구 목록
    verbose=True,     # 상세 로그 출력
    return_intermediate_steps=True  # 중간 단계 반환 (기본값 False)
)

# 에이전트 실행
response = agent_executor.invoke(
    {"input": "서울의 날씨는 어떤가요?"},
)

# 중간 단계 출력
for msg in response['intermediate_steps']:
    pprint(msg[0])
    pprint(msg[1])

QA 체인

  • QA 페인을 구성하여 질의응답 시스템을 체계화할 수 있음
  • 도구 사용을 통해 사용자가 원하는 정보를 컨텍스트로 활용 가능함

MCP

(https://modelcontextprotocol.io/introduction) (https://github.com/modelcontextprotocol/python-sdk) (https://github.com/langchain-ai/mcpdoc/tree/main) (https://github.com/thedaviddias/llms-txt-hub)

공식 MCP 서버 목록 (GitHub)

ReAct