langgraph

[langgraph] Adaptive Rag 실습 예제

udemy 강좌 내용[LangGraph- Develop LLM powered AI agents with LangGraph]의 일부를 정리한 내용입니다. 예제의 일부 내용을 수정하였습니다. 문제가 되면 삭제하겠습니다. https://www.udemy.com/course/langgraph/learn/lecture/44086612#overview이번에는 Adative RAG를 구현해보자. Adaptive RAG은 연구 논문 기반이다. Adative RAG는 질문의 내용을 보고 각기 다른 RAG flow로 질문을 라우팅하는 역할을 한다. 아래 그림에서 보는 것과 같이 start부터 두 가지로 나뉜다. 첫 번째는 websearch를 하고 generate를 하는 방식이고 두 번째 방식은 vector store의 R..

2024. 11. 5. 07:57

langgraph

[langgraph] Self RAG 실습 예제

udemy 강좌 내용[LangGraph- Develop LLM powered AI agents with LangGraph]의 일부를 정리한 내용입니다. 예제의 일부 내용을 수정하였습니다. 문제가 되면 삭제하겠습니다. https://www.udemy.com/course/langgraph/learn/lecture/43978374#overviewSelf RAG 개념이번에는 Self RAG를 구현해볼 예정이다. Self RAG 논문에서 유래되었고 모델이 생성한 답변을 평가하는 것을 의미한다. generation을 받은 다음 document와 비교를 해서 모델의 hallucination이 있는지를 확인한다. 그리고 답변이 document를 근거로 나타내는지를 체크한다.답변이 사용자의 질문에 대한 대답이라면 사용자..

2024. 11. 5. 07:54

langgraph

[langgraph] Corrective Rag 실습 예제

udemy 강좌 내용[LangGraph- Develop LLM powered AI agents with LangGraph]의 일부를 정리한 내용입니다. 예제의 일부 내용을 수정하였습니다. 문제가 되면 삭제하겠습니다. https://www.udemy.com/course/langgraph/learn/lecture/44106660#overviewCorrective Rag은 RAG에서 retrieval을 할 때 보다 답변 품질을 좋게 하는 고급 RAG 기술이다.CRAG의 기본적인 개념은 간단하다. 기존의 RAG(Retrieval-Augmented Generation)와 유사하게 정보를 검색해 응답을 생성하지만, 사용자의 질문 의도를 보다 정확하게 반영하기 위해 "수정" 과정을 추가하는 접근 방식이다. 이를 통해..

2024. 11. 5. 07:51

langgraph

[langgraph] ReAct AgentExecutor in LangGraph

udemy 강좌 내용[LangGraph- Develop LLM powered AI agents with LangGraph]의 일부를 정리한 내용입니다. 예제의 일부 내용을 수정하였습니다. 문제가 되면 삭제하겠습니다. https://www.udemy.com/course/langgraph/learn/lecture/43638176#overview예제여기서는 아래와 같이 서울의 날씨를 물어보고 거기에 3배수 하는 Agent를 만들어보자.if __name__ == "__main__": res = app.invoke( input={"input": "현재 서울 기온은 몇도야? 그리고 거기에 곱하기 3을 해줘"} )그래프의 모양은 아래와 같다.환경구성1. 패키지 설치관련 패키지를 설치하자.pip..

2024. 11. 3. 19:29

langgraph

[번역][langgraph tutorial] Quick Start - Part 7. 시간 여행(Time Travel)

langgraph의 공식문서를 번역해 놓은 자료입니다. 이해하기 쉽게 예제는 변경하였습니다. 또한 필요한 경우 부연 설명을 추가하였습니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/tutorials/introduction/Part 7: 시간 여행(Time Travel)일반적인 챗봇 워크플로우에서는 사용자가 작업을 완료하기 위해 챗봇과 1회 이상 상호작용한다. 이전 섹션에서는 메모리를 추가하고 사람을 루프에 포함시켜 그래프 상태를 체크포인팅하고 상태를 수동으로 재정의하여 향후 응답을 제어하는 방법을 살펴보았다.하지만 사용자가 이전 응답에서 시작하여 "분기"하여 별도의 결과를 탐색할 수 있도록 하려면 어떻게 해야 할까? 또는 사용자가 실수를 수정하거..

2024. 10. 15. 21:52

langgraph

[번역][langgraph tutorial] Quick Start - Part 6. 상태 커스트마이징하기

langgraph의 공식문서를 번역해 놓은 자료입니다. 이해하기 쉽게 예제는 변경하였습니다. 또한 필요한 경우 부연 설명을 추가하였습니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/tutorials/introduction/Part 6: 상태 커스트마이징하기지금까지 우리는 간단한 상태에 의존해 왔다(그것은 단순히 메시지 목록일 뿐이다). 이 간단한 상태로도 많은 것을 할 수 있지만, 메시지 목록에 의존하지 않고 복잡한 동작을 정의하려면 상태에 추가 필드를 추가할 수 있다. 이 섹션에서는 이를 설명하기 위해 우리의 챗봇을 새로운 노드로 확장할 것이다.위의 예에서 우리는 사람을 포함시켰고 그래프는 도구가 호출될 때마다 항상 중단되었다. 만약 우리의 챗..

2024. 10. 15. 21:50

langgraph

[번역][langgraph tutorial] Quick Start - Part 5. 상태(state)를 수동으로 업데이트 하기

langgraph의 공식문서를 번역해 놓은 자료입니다. 이해하기 쉽게 예제는 변경하였습니다. 또한 필요한 경우 부연 설명을 추가하였습니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/tutorials/introduction/Part 5: 상태(State)를 수동으로 업데이트 하기이전 섹션에서는 그래프를 중단하여 사람이 그 작업을 확인할 수 있는 방법을 보여주었다. 이를 통해 사람은 상태를 읽을(read) 수 있지만, 에이전트의 경로를 변경하려면 쓰기(write) 권한이 필요하다.다행히도 LangGraph를 사용하면 상태를 수동으로 업데이트할 수 있다. 상태를 업데이트하면 에이전트의 행동을 수정하여 에이전트의 궤적을 제어할 수 있다(심지어 과거를 수..

2024. 10. 15. 21:48

langgraph

[번역][langgraph tutorial] Quick Start - Part 4. Human-in-the-loop

langgraph의 공식문서를 번역해 놓은 자료입니다. 이해하기 쉽게 예제는 변경하였습니다. 또한 필요한 경우 부연 설명을 추가하였습니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/tutorials/introduction/#part-4-human-in-the-loopPart 4: Human-in-the-loop에이전트는 신뢰할 수 없을 때가 있으며, 작업을 성공적으로 수행하기 위해 사람의 개입이 필요할 수 있다. 마찬가지로, 일부 작업에 대해서는 실행하기 전에 사람의 승인이 필요할 수 있다. 이것은 모든 것이 의도대로 진행되는지 확인하기 위함이다.LangGraph는 여러 방식으로 사람이 참여하는 워크플로우를 지원한다. 이번 섹션에서는 LangGr..

2024. 10. 15. 21:46

langgraph

[번역][langgraph tutorial] Quick Start - Part 3. 챗봇에 메모리 기능 추가하기

langgraph의 공식문서를 번역해 놓은 자료입니다. 이해하기 쉽게 예제는 변경하였습니다. 또한 필요한 경우 부연 설명을 추가하였습니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/tutorials/introduction/#part-3-adding-memory-to-the-chatbotPart 3: 챗봇에 메모리 추가하기챗봇은 이제 도구를 사용하여 사용자 질문에 대답할 수 있지만, 이전 컨텍스트(Context)를 기억하지 못하기 때문에 일관된 멀티 턴 대화를 진행하는 데 한계가 있다.LangGraph는 지속적인 체크포인트(checkpointing)를 통해 이 문제를 해결한다. 그래프를 컴파일할 때 checkpointer를 제공하고, 그래프를 호출..

2024. 10. 15. 21:45

langgraph

[번역][langgraph tutorial] Quick Start - Part 2. 도구(Tool)로 챗봇 강화하기

langgraph의 공식문서를 번역해 놓은 자료입니다. 이해하기 쉽게 예제는 변경하였습니다. 또한 필요한 경우 부연 설명을 추가하였습니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/tutorials/introduction/#part-2-enhancing-the-chatbot-with-toolsPart 2: 도구(Tool)로 챗봇 강화하기챗봇이 "memory"로 답변할 수 없는 질문을 처리하기 위해, 웹 검색 도구를 사용할 것이다. 이 도구를 사용하여 챗봇이 관련 정보를 찾고 더 나은 응답을 제공할 수 있도록 할 수 있다.다음 단계는 웹 검색 도구를 챗봇에 추가하는 것이다. 이렇게 하면 사용자가 묻는 질문에 대해 더 풍부하고 정확한 정보를 제공할..

2024. 10. 15. 21:43

langgraph

[번역][langgraph tutorial] Quick Start - Part 1. 기본 챗봇 만들기

langgraph의 공식문서를 번역해 놓은 자료입니다. 이해하기 쉽게 예제는 변경하였습니다. 또한 필요한 경우 부연 설명을 추가하였습니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/tutorials/introduction/Quick StartQuick Start 가이드에서는 LangGraph를 사용하여 다음과 같은 기능을 갖춘 지원 챗봇을 구축할 것이다.웹 검색을 통해 자주 묻는 질문에 답변하기여러 호출 간 대화 상태 유지하기복잡한 질문을 사람에게 전달하여 검토받기맞춤 상태를 사용하여 챗봇의 동작 제어하기대화 내용을 되돌려보고 다른 대화 경로를 탐색하기기본 챗봇으로 시작하여 점진적으로 더 정교한 기능을 추가하면서, 주요 LangGraph 개념들을..

2024. 10. 15. 21:41

langgraph

[번역][langgraph Contextual Guides] Human in the loop

langgraph의 공식문서를 번역해 놓은 자료입니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/concepts/human_in_the_loop/Human-in-the-loop(또는 "on-the-loop")는 여러 일반적인 사용자 상호작용 패턴을 통해 에이전트의 능력을 향상시킨다.일반적인 상호작용 패턴에는 다음이 포함된다.(1) 승인(Approval) - 에이전트의 작업을 중단하고 현재 상태를 사용자에게 표시하여 사용자가 작업을 승인하도록 할 수 있다.(2) 수정(Editing) - 에이전트의 작업을 중단하고 현재 상태를 사용자에게 표시하여 사용자가 에이전트 상태를 수정할 수 있게 한다.(3) 입력(Input) - 사용자 입력을 수집하기 위한 ..

2024. 10. 11. 06:30

langgraph

[번역][langgraph Contextual Guides] Agent architectures

langgraph의 공식문서를 번역해 놓은 자료입니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/concepts/agentic_concepts/많은 LLM 애플리케이션은 LLM 호출 전후에 특정한 제어 흐름을 구현한다. 예를 들어, RAG는 질문과 관련된 문서를 검색하고, 그 문서를 LLM에 전달하여 모델의 응답을 구체화한다.고정된 제어 흐름을 하드 코딩하는 대신, 때때로 더 복잡한 문제를 해결하기 위해 스스로 제어 흐름을 선택할 수 있는 LLM 시스템을 원한다. 이것이 에이전트(agent)의 정의이다. 에이전트는 LLM을 사용하여 애플리케이션의 제어 흐름을 결정하는 시스템이다. LLM이 애플리케이션을 제어할 수 있는 방법은 여러 가지가 있다.L..

2024. 10. 11. 06:27

langgraph

[번역][langgraph Contextual Guides] LangGraph Glossary

langgraph의 공식문서를 번역해 놓은 자료입니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/concepts/low_level/Graphs본질적으로, LangGraph는 에이전트 워크플로우를 그래프로 모델링한다. 에이전트의 동작은 세 가지 주요 구성 요소를 사용하여 정의된다.상태(State): 애플리케이션의 현재 스냅샷을 나타내는 공유 데이터 구조이다. 어떤 Python 유형도 될 수 있지만, 일반적으로는 TypedDict 또는 Pydantic BaseModel이다.노드(Nodes): 에이전트의 동작방식을 정의하는 Python 함수이다. 현재 상태를 입력으로 받아 계산이나 부작용을 수행하고 업데이트된 상태를 반환한다.엣지(Edges): 현재 ..

2024. 10. 11. 06:24

langgraph

[번역][langgraph Contextual Guides] Conceptual Guides: Why LangGraph?

langgraph의 공식문서를 번역해 놓은 자료입니다. 문제가 되면 삭제하겠습니다.https://langchain-ai.github.io/langgraph/concepts/high_level/LLM(대규모 언어 모델)은 매우 강력하며, 특히 검색기(retriever)나 API와 같은 다른 시스템에 연결될 때 더욱 그 힘을 발휘한다. 이 때문에 많은 LLM 애플리케이션은 LLM 호출 전후에 단계적인 제어 흐름을 사용한다. 예를 들어, RAG는 질문에 대한 관련 문서를 검색하고 이러한 문서를 LLM에 전달하여 응답을 구체화한다. 종종 LLM이 호출되기 전후의 단계적인 제어 흐름은 "체인(chain)"이라고 불린다. 체인은 LLM을 프로그래밍하는 데 있어 인기 있는 패러다임으로, 높은 신뢰성을 제공한다. 동일..

2024. 10. 11. 06:23