[langgraph] 도구 추가하기

[langgraph] 도구 추가하기

원문 출처: https://langchain-ai.github.io/langgraph/tutorials/get-started/2-add-tools/

이 튜토리얼에서는 챗봇이 "기억"만으로 답변할 수 없는 질문을 처리하기 위해 웹 검색 도구를 통합하는 방법을 다룹니다. 챗봇은 이 도구를 사용해 관련 정보를 찾아 더 나은 답변을 제공할 수 있습니다.

이 튜토리얼은 기본 챗봇 만들기를 기반으로 합니다.

사전 요구사항

• Tavily Search Engine의 API 키가 필요합니다.

1. 검색 엔진 설치

Tavily Search Engine을 사용하기 위한 패키지를 설치하세요:

pip install -U langchain-tavily

2. 환경 설정

검색 엔진 API 키를 환경 변수로 설정하세요:

_set_env("TAVILY_API_KEY")

TAVILY_API_KEY:  ········

3. 도구 정의

웹 검색 도구를 정의합니다:

from langchain_tavily import TavilySearch

tool = TavilySearch(max_results=2)
tools = [tool]
tool.invoke("What's a 'node' in LangGraph?")

이 결과는 챗봇이 답변에 활용할 수 있는 페이지 요약입니다.

4. 그래프 정의

이전 튜토리얼에서 만든 StateGraph에 LLM이 사용할 도구를 알려주기 위해 bind_tools를 사용합니다.

LLM 선택 예시

OpenAI

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["OPENAI_API_KEY"] = "sk-..."
llm = init_chat_model("openai:gpt-4.1")

Anthropic

pip install -U "langchain[anthropic]"

import os
from langchain.chat_models import init_chat_model

os.environ["ANTHROPIC_API_KEY"] = "sk-..."
llm = init_chat_model("anthropic:claude-3-5-sonnet-latest")

Azure

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["AZURE_OPENAI_API_KEY"] = "..."
os.environ["AZURE_OPENAI_ENDPOINT"] = "..."
os.environ["OPENAI_API_VERSION"] = "2025-03-01-preview"
llm = init_chat_model(
    "azure_openai:gpt-4.1",
    azure_deployment=os.environ["AZURE_OPENAI_DEPLOYMENT_NAME"],
)

Google Gemini

pip install -U "langchain[google-genai]"

import os
from langchain.chat_models import init_chat_model

os.environ["GOOGLE_API_KEY"] = "..."
llm = init_chat_model("google_genai:gemini-2.0-flash")

AWS Bedrock

pip install -U "langchain[aws]"

from langchain.chat_models import init_chat_model
# 자격 증명 구성: https://docs.aws.amazon.com/bedrock/latest/userguide/getting-started.html
llm = init_chat_model(
    "anthropic.claude-3-5-sonnet-20240620-v1:0",
    model_provider="bedrock_converse",
)

StateGraph에 도구 바인딩

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

class State(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

# LLM에 사용할 도구를 바인딩
llm_with_tools = llm.bind_tools(tools)

def chatbot(state: State):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

graph_builder.add_node("chatbot", chatbot)

# 도구 노드 추가 및 조건부 엣지 정의 등은 공식 문서 참고

7. 그래프 시각화 (선택 사항)

그래프를 시각화하려면 get_graph와 draw_ascii 또는 draw_png를 사용할 수 있습니다.

from IPython.display import Image, display

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    # 추가 종속성이 필요하며 선택 사항입니다
    pass

8. 챗봇에 질문하기

이제 챗봇에 훈련 데이터에 없는 질문도 할 수 있습니다.

def stream_graph_updates(user_input: str):
    for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)

while True:
    try:
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
            break
        stream_graph_updates(user_input)
    except:
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break

9. Prebuilt 사용하기

코드를 더 간결하게 만들기 위해 LangGraph의 prebuilt 컴포넌트를 사용할 수 있습니다. 예를 들어, ToolNode와 tools_condition을 활용하면 병렬 API 실행 등 내장 기능을 쉽게 사용할 수 있습니다.

from typing import Annotated
from langchain_tavily import TavilySearch
from langchain_core.messages import BaseMessage
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition

class State(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

tool = TavilySearch(max_results=2)
tools = [tool]
llm_with_tools = llm.bind_tools(tools)

def chatbot(state: State):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

graph_builder.add_node("chatbot", chatbot)

tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)

graph_builder.add_conditional_edges(
    "chatbot",
    tools_condition,
)
graph_builder.add_edge("tools", "chatbot")
graph_builder.add_edge(START, "chatbot")
graph = graph_builder.compile()

축하합니다!

이제 챗봇이 검색 엔진을 활용해 최신 정보를 찾아 답변할 수 있습니다. 더 다양한 질문에 대응할 수 있게 되었습니다.

---

다음 단계에서는 챗봇이 과거 대화를 기억할 수 있도록 메모리 기능을 추가합니다.