[루닥스 블로그] 연습만이 살길이다 - [루닥스 블로그] 연습만이 살길이다

[루닥스 블로그] 연습만이 살길이다

[LangChain 번역] AgentExecutor를 사용한 레거시 LangChain 에이전트 사용법 (How to use legacy LangChain Agents - AgentExecutor)

중요 알림이 섹션에서는 레거시 LangChain AgentExecutor를 사용한 구축 방법을 다룹니다. 이러한 방법은 시작하기에는 좋지만, 특정 지점을 넘어서면 이들이 제공하지 않는 유연성과 제어가 필요할 것입니다. 더 고급 에이전트 작업을 위해서는 LangGraph Agents나 마이그레이션 가이드를 확인하는 것을 권장합니다.개념 (Concepts)에이전트는 LLM(Large Language Model)을 추론 엔진으로 사용하여 수행할 작업과 해당 작업에 대한 입력을 결정하는 시스템입니다. 에이전트는 도구 호출(tool calling)을 지원하는 언어 모델을 사용하여 구축할 수 있습니다.이 튜토리얼에서는 로컬 데이터베이스와 검색 엔진과 상호작용할 수 있는 에이전트를 구축하는 방법을 보여줍니다.핵심 개..

2025. 8. 9. 21:12

[LangChain 번역] 런타임에 콜백 전달하는 방법 (How to pass in callbacks at runtime)

출처: https://python.langchain.com/docs/how_to/callbacks_runtime/전제 조건 (Prerequisites)이 가이드는 다음 개념에 대한 이해가 있다고 가정합니다:콜백 (Callbacks)사용자 정의 콜백 핸들러 (Custom callback handlers)개요이 문서는 LangChain 객체를 실행할 때 런타임에 콜백 핸들러를 전달하는 방법을 설명합니다. callbacks 키워드 인수를 통해 CallbackHandlers를 전달하면, 실행에 관련된 모든 중첩 객체에 대해 핸들러가 발행됩니다.코드 예제다음은 런타임에 콜백을 사용하는 방법을 보여주는 예제입니다:from typing import Any, Dict, Listfrom langchain_anthropi..

2025. 8. 9. 21:12

[LangChain 번역] 긴 텍스트 처리 방법 (How to handle long text)

개요 (Overview)이 가이드는 언어 모델의 컨텍스트 윈도우를 초과하는 긴 문서에서 정보를 추출하는 전략을 보여줍니다.주요 전략 (Key Strategies)모델 변경 (Change LLM): 더 큰 컨텍스트 윈도우를 가진 모델 사용무차별 대입 (Brute Force): 문서를 청크로 나누고 각 청크에서 콘텐츠 추출RAG (검색 증강 생성): 문서를 청크로 나누고, 인덱싱한 후, 관련 부분집합에서 추출구현 방법 (Implementation Approaches)1. 모델 변경 접근법from langchain_openai import ChatOpenAIfrom langchain_anthropic import ChatAnthropic# 더 큰 컨텍스트 윈도우를 가진 모델 사용long_context_llm ..

2025. 8. 9. 21:11

[LangChain 번역] 스트리밍 방법 (How to stream)

개요이 가이드는 LangChain에서 Runnable 객체들의 출력을 스트리밍하는 방법을 설명합니다. 스트리밍을 사용하면 응답을 기다리는 동안 부분적인 결과를 실시간으로 받을 수 있어 더 나은 사용자 경험을 제공합니다.스트리밍 접근 방식LangChain은 세 가지 주요 스트리밍 방식을 제공합니다:동기 stream: 최종 출력을 동기적으로 스트리밍비동기 astream: 최종 출력을 비동기적으로 스트리밍 비동기 astream_events: 중간 단계와 최종 출력을 모두 스트리밍기본 스트리밍 예제채팅 모델 스트리밍from langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessage# 채팅 모델 초기화model = Chat..

2025. 8. 9. 21:11

[LangChain 번역] 사용자별 검색을 수행하는 방법 (How to do per-user retrieval)

개요이 가이드는 사용자별로 문서 접근을 제한하는 검색 체인을 구성하는 방법을 설명합니다. 멀티테넌트 애플리케이션에서 각 사용자가 자신의 문서만 접근할 수 있도록 보장하는 것은 중요한 보안 요구사항입니다.핵심 개념사용자별 검색을 구현하기 위한 주요 단계:다중 사용자를 지원하는 검색기 확인검색 체인에 설정 가능한 매개변수 추가런타임에 사용자별 설정 적용기본 설정필요한 라이브러리 설치pip install langchain langgraph langchain-openai pinecone-clientPinecone 벡터 저장소 설정import osfrom pinecone import Pineconefrom langchain_pinecone import PineconeVectorStorefrom langchain_..

2025. 8. 9. 21:11

[LangChain 번역] 메시지 히스토리를 추가하는 방법 (How to add message history)

개요이 가이드는 LangChain 애플리케이션에 메시지 히스토리를 추가하는 방법을 설명합니다. 대화형 AI 애플리케이션에서는 이전 메시지들을 기억하여 맥락을 유지하는 것이 중요합니다.선행 요구사항이 가이드를 따르기 전에 다음 개념들에 익숙해야 합니다:Runnable 체이닝프롬프트 템플릿 채팅 메시지LangGraph 지속성권장사항: LangGraph 사용⚠️ 중요: RunnableWithMessageHistory보다 LangGraph의 지속성(persistence) 기능을 사용하는 것을 강력히 권장합니다. LangGraph는 다음과 같은 장점을 제공합니다:여러 사용자와 스레드 지원상태의 지속성더 유연한 상태 관리방법 1: 메시지 입력 사용기본 설정from typing import Sequencefrom ..

2025. 8. 9. 21:10

[LangChain 번역] LangChain 객체를 저장하고 로드하는 방법 (How to save and load LangChain objects)

개요LangChain은 객체의 직렬화(serialization)와 역직렬화(deserialization)를 위한 표준적인 방법을 제공합니다. 이는 애플리케이션 내에서 LangChain 객체를 저장하고 나중에 불러오는 데 유용합니다.직렬화(Serialization)의 주요 장점:비밀정보 분리: API 키와 같은 민감한 정보가 다른 매개변수들과 분리됩니다패키지 호환성: 패키지 버전 간 호환성이 유지됩니다직렬화 메서드LangChain은 langchain-core.load 모듈에서 다음과 같은 직렬화 함수들을 제공합니다:dumpd: 객체를 JSON으로 직렬화 가능한 Python 딕셔너리로 변환dumps: 객체를 JSON 문자열로 변환load: 딕셔너리에서 객체를 로드loads: JSON 문자열에서 객체를 로드예..

2025. 8. 9. 21:10

[LangChain 번역] Tracing (추적)

개요Tracing (추적)은 애플리케이션이 입력에서 출력까지 거치는 단계들을 기록하는 과정입니다. 복잡한 애플리케이션에서 문제를 디버깅하고 진단하는 데 필수적입니다.Trace (추적 기록)는 애플리케이션이 입력에서 출력으로 이동하는 일련의 단계입니다. 추적은 runs (실행)이라고 불리는 개별 단계들로 구성되며, 다음을 포함할 수 있습니다:Model calls (모델 호출)Retriever calls (검색기 호출) Tool calls (도구 호출)Sub-chain steps (하위 체인 단계)추적의 핵심 목적은 체인(chains)과 에이전트(agents) 내부의 관찰 가능성(observability)을 제공하는 것이며, 이는 문제 진단에 매우 중요합니다.1. LangSmith를 이용한 추적LangSm..

2025. 8. 9. 21:09

[LangChain 번역] 추적에 메타데이터와 태그 추가하기

개요LangSmith를 사용하면 추적(traces)과 함께 임의의 metadata (메타데이터)와 tags (태그)를 전송할 수 있습니다.주요 개념Tags (태그): 추적을 분류하거나 레이블링하는 데 사용되는 문자열Metadata (메타데이터): 추적에 대한 추가 정보를 저장하는 키-값 쌍의 딕셔너리용도태그와 메타데이터는 추적과 함께 추가 정보를 연결하는 데 유용하며, 다음과 같은 정보를 포함할 수 있습니다:실행 환경 (development, staging, production)추적을 시작한 사용자내부 correlation ID애플리케이션 버전기능 플래그 상태Python에서 메타데이터와 태그 추가하기1. @traceable 데코레이터 사용정적 태그/메타데이터 설정import langsmith as lsf..

2025. 8. 9. 21:09

[LangChain 번역] 쿼리 검증 방법 - How to do query validation

출처: https://python.langchain.com/docs/how_to/sql_query_checking/개요SQL 질문-답변의 일부로 쿼리 검증을 수행하는 방법에 대한 가이드입니다. 이 문서는 SQL 쿼리를 검증하고 잘못된 쿼리를 처리하는 전략을 다룹니다.설정 요구사항필요한 패키지:langchainlangchain-communitylangchain-openaipip install langchain langchain-community langchain-openai예제에서는 SQLite Chinook 데이터베이스를 사용합니다.import sqlite3from langchain_community.utilities import SQLDatabase# 데이터베이스 연결db = SQLDatabase.fr..

2025. 8. 9. 21:09

[LangChain 번역] 프롬프팅을 사용하여 결과 개선하는 방법 - How to use prompting to improve results

출처: https://python.langchain.com/docs/how_to/sql_prompting/개요LangChain의 SQL 질문-답변 시스템에서 프롬프팅을 활용하여 더 나은 결과를 얻는 방법에 대한 가이드입니다. 이 문서는 다양한 프롬프팅 전략과 기법을 통해 SQL 쿼리 생성의 정확도를 향상시키는 방법을 설명합니다.주요 개념1. 방언별 프롬프팅 (Dialect-Specific Prompting)LangChain은 다양한 SQL 방언을 지원합니다:SQLiteMySQLPostgreSQLOracleMicrosoft SQL Server프롬프트는 자동으로 특정 데이터베이스 방언에 적응합니다.2. 컨텍스트 및 스키마 정보효과적인 SQL 쿼리 생성을 위해 다음 정보를 포함해야 합니다:테이블 정의 (Tab..

2025. 8. 9. 21:08

[LangChain 번역] 대용량 데이터베이스 다루는 방법 - How to deal with large databases

출처: https://python.langchain.com/docs/how_to/sql_large_db/개요SQL 질문-답변을 위한 대용량 데이터베이스 처리 방법에 대한 가이드입니다. 이 문서는 많은 테이블과 높은 카디널리티 컬럼을 가진 대규모 데이터베이스에서 효율적으로 작업하는 전략을 다룹니다.대용량 데이터베이스의 주요 과제1. 많은 테이블 관리 (Managing Many Tables)문제점: 모든 테이블 스키마를 단일 프롬프트에 포함할 수 없음토큰 제한으로 인한 컨텍스트 길이 제한관련 없는 테이블 정보로 인한 노이즈해결 방법:언어 모델을 사용한 도구 호출 (Tool-calling)테이블을 더 넓은 그룹으로 분류쿼리 컨텍스트를 기반으로 테이블 스키마 필터링from langchain_core.tools ..

2025. 8. 9. 21:08

[LangChain 번역] CSV 파일 다루는 방법 - How to deal with CSV files

출처: https://python.langchain.com/docs/how_to/sql_csv/개요CSV 파일에 대한 질문 답변 방법에 대한 가이드입니다. 이 문서는 CSV 데이터를 분석하고 질의하는 두 가지 주요 접근 방법을 다룹니다.⚠️ 보안 주의사항 ⚠️두 접근 방법 모두 상당한 위험을 수반합니다. SQL 방법이 직접 Python 실행보다 권장됩니다. 프로덕션 환경에서 사용하기 전에 적절한 보안 조치를 구현해야 합니다.주요 접근 방법1. SQL 데이터베이스 방법 (권장)장점:더 안전하고 권한 제어 가능여러 CSV 파일을 쉽게 처리표준 SQL 쿼리 사용프로덕션 환경에 적합구현 방법:import sqlite3import pandas as pdfrom langchain_community.utilities..

2025. 8. 9. 21:08

[LangChain 번역] 단일 LLM 호출로 텍스트 요약하는 방법

개요LLM(Large Language Model)은 대량의 텍스트를 포함하여 텍스트를 요약하고 원하는 정보를 추출할 수 있습니다. 특히 더 큰 컨텍스트 윈도우를 가진 모델의 경우, 단일 LLM 호출로 충분히 달성할 수 있습니다.주요 단계1. 채팅 모델 로드Google Gemini와 같은 채팅 모델을 사용합니다:# 필요한 패키지 설치pip install -qU "langchain[google-genai]"# 모델 초기화from langchain.chat_models import init_chat_modelllm = init_chat_model("gemini-2.5-flash", model_provider="google_genai")2. 문서 로드샘플 문서나 실제 데이터를 사용할 수 있습니다:from lan..

2025. 8. 9. 21:07

[LangChain 번역] QA에서 인용을 반환하는 방법 (How to return citations)

개요이 가이드는 RAG(Retrieval Augmented Generation) 애플리케이션에서 AI 답변에 대한 인용(citations)을 추가하는 다섯 가지 방법을 설명합니다. 인용을 통해 AI 답변의 신뢰성과 검증 가능성을 높일 수 있습니다.인용 방법 개요도구 호출로 문서 ID 인용 (Tool-calling to cite document IDs)도구 호출로 문서 ID와 텍스트 발췌 인용 (Tool-calling to cite document IDs with text snippets) 직접 프롬프트 (Direct prompting)검색 후처리 (Retrieval post-processing)생성 후처리 (Generation post-processing)기본 설정import uuidfrom langc..

2025. 8. 9. 21:07

[LangChain 번역] QA에서 소스를 반환하는 방법 (How to return sources)

개요이 가이드는 RAG(Retrieval Augmented Generation) 애플리케이션에서 질의응답 시 답변과 함께 참조한 소스 문서를 반환하는 방법을 설명합니다. 소스를 반환하면 AI의 답변에 대한 투명성과 검증 가능성을 제공할 수 있습니다.기본 RAG 체인 접근법필요한 라이브러리 설치pip install langchain langchain-openai langchain-chroma beautifulsoup4기본 설정import bs4from langchain_chroma import Chromafrom langchain_community.document_loaders import WebBaseLoaderfrom langchain_core.output_parsers import StrOutputP..

2025. 8. 9. 21:07

[LangChain 번역] 병렬화를 통한 텍스트 요약 방법

개요LLM(Large Language Model)은 대량의 텍스트를 포함하여 텍스트를 요약하고 원하는 정보를 추출할 수 있습니다. 특히 텍스트의 양이 모델의 컨텍스트 윈도우 크기에 비해 클 때, 요약 작업을 더 작은 구성 요소로 나누는 것이 도움이 되거나 필요할 수 있습니다.Map-Reduce 전략Map-Reduce는 병렬 요약을 위한 핵심 전략 중 하나입니다. 이 아이디어는 다음과 같습니다:Map 단계: 텍스트를 "하위 문서"로 나누고, LLM을 사용하여 각 하위 문서를 개별 요약으로 매핑Reduce 단계: 이러한 요약들을 하나의 글로벌 요약으로 축소하거나 통합참고: Map 단계는 일반적으로 입력 문서에 대해 병렬로 처리됩니다.전략의 효과성이 전략은 하위 문서의 이해가 이전 컨텍스트에 의존하지 않을 때..

2025. 8. 9. 21:06

[LangChain 번역] 지식 그래프(Knowledge Graph) 구축 방법

개요지식 그래프 구축은 텍스트에서 구조화된 정보를 추출하여 그래프 데이터베이스에 저장하는 과정입니다. LangChain의 LLM Graph Transformer를 사용하여 비구조화된 텍스트를 구조화된 그래프 데이터로 변환할 수 있습니다.주요 특징LLM Graph Transformer를 통한 구조화된 정보 추출사용자 정의 가능한 노드(Node) 및 관계(Relationship) 추출그래프 스키마 정밀도 제어구축 단계1. 설정필요한 패키지 설치:pip install langchain neo4j langchain-openai2. 그래프 데이터베이스 연결 구성Neo4j 데이터베이스와의 연결을 설정합니다.3. LLMGraphTransformer 사용# 트랜스포머 초기화llm_transformer = LLMGrap..

2025. 8. 9. 21:05

[LangChain 번역] 반복적 개선을 통한 텍스트 요약 방법

개요LLM(Large Language Model)은 대량의 텍스트를 포함하여 텍스트를 요약하고 원하는 정보를 추출할 수 있습니다. 특히 텍스트의 양이 모델의 컨텍스트 윈도우 크기에 비해 클 때, 요약 작업을 더 작은 구성 요소로 나누는 것이 도움이 되거나 필요할 수 있습니다. 반복적 개선(Iterative Refinement)은 긴 텍스트를 요약하는 전략 중 하나입니다.핵심 개념반복적 개선을 통한 텍스트 요약은 다음과 같은 과정으로 이루어집니다:텍스트를 작은 문서들로 분할첫 번째 문서를 요약각 후속 문서로 요약을 개선모든 문서가 처리될 때까지 반복전략의 특징병렬화되지 않음: 순차적 처리 방식맥락 의존적: 하위 문서의 이해가 이전 맥락에 의존할 때 특히 효과적연속성 중요: 소설이나 고유한 순서가 있는 텍스..

2025. 8. 9. 21:05

[LangChain 번역] 그래프 데이터베이스에 시맨틱 레이어(Semantic Layer) 추가하는 방법

개요이 문서는 LangChain을 사용하여 그래프 데이터베이스(특히 Neo4j)에 시맨틱 레이어를 생성하는 방법을 설명합니다. Cypher 템플릿을 사용한 사용자 정의 도구 생성과 LangGraph 에이전트 구축에 중점을 둡니다.주요 구성 요소1. 설정필요한 패키지 설치:langchainlangchain-neo4jlangchain-openaiNeo4j 자격 증명 및 데이터베이스 연결 구성이 필요합니다.2. Cypher 템플릿을 사용한 사용자 정의 도구그래프 데이터와 상호 작용하는 도구를 정의하여 시맨틱 레이어를 생성합니다.예시 도구: 영화 및 배우 정보 조회용 InformationTool미리 정의된 Cypher 쿼리를 사용하여 구조화된 데이터 가져오기3. LangGraph 에이전트LangGraph를 사용..

2025. 8. 9. 21:04

«
1
2
3
4
···
45
»

티스토리툴바