본문 바로가기

AI

(3)
LangGraph 기반 AI 채팅의 상태 관리: Branching과 Custom Reducer의 역할 LangGraph를 활용하여 AI 챗봇이나 대화형 애플리케이션을 만들 때, 상태(State) 관리는 가장 중요한 요소 중 하나입니다.✅ 어떻게 이전 메시지를 기억하고, 새 메시지를 추가할 것인가?✅ 병렬 실행 중 충돌을 방지하고 안정적인 대화 흐름을 유지하는 방법은?LangGraph는 기본적으로 상태를 관리하는 여러 가지 방법을 제공합니다.하지만, 기본 동작(Default Overwriting State)을 이해하지 않으면, 메시지가 예상치 못하게 사라지거나 덮어씌워질 수도 있습니다.이 글에서는 LangGraph에서 상태가 어떻게 업데이트되는지를 살펴보고,Branching(분기), Custom Reducer, 그리고 add_messages Reducer를 활용해 AI 챗봇의 대화 상태를 안전하게 유지하는..
LangGraph에서 Router, Agent, ReAct, State, 그리고 Memory 이해하기 💡 LangGraph를 활용하여 LLM을 보다 스마트하게 만들기 위한 핵심 개념들 – Router, Agent, ReAct, State, 그리고 Memory – 에 대해 알아보겠습니다.1️⃣ Router: LLM이 어떻게 경로를 결정하는가?LangGraph에서 Router(라우터)는 입력된 메시지를 보고 적절한 처리 방식을 결정하는 역할을 합니다.✅ Router의 실행 흐름Start → Step 1: 첫 번째 단계 실행Step 1 → LLM: LLM이 입력을 분석LLM이 판단:Step 2로 이동 → 자연어 응답 반환Step 3로 이동 → Tool 호출 후 결과 반환즉, Router는 LLM이 단순 응답을 할지, Tool을 활용할지 결정하는 중요한 요소입니다.✅ Tool을 사용하면 어떻게 동작이 달라질까..
LangChain에서 LLM을 더 강력하게 만드는 방법: Control Flow와 Agent 개념 정리 1. 단순한 LLM만으로는 한계가 있다!💡 "LLM(대형 언어 모델) 하나만으로는 실무에서 활용하기 어렵다!"✔ AI 모델 하나만 가지고는 실제 업무를 수행하기 어려움 ✔ 추가적인 기능이 필요함 (예: 검색, 계산, 문서 분석 등) ✔ 여러 단계의 작업(멀티스텝 워크플로우)을 자동화할 필요가 있음📌 즉, 단순한 AI 모델로는 복잡한 작업을 수행하기 어렵기 때문에, 더 강력한 구조가 필요하다! ✅2. Control Flow(제어 흐름)의 필요성💡 "많은 LLM 애플리케이션이 Control Flow를 사용한다!"✔ LLM이 단순한 응답을 넘어서, 여러 단계를 거쳐 작업을 수행할 수 있도록 Control Flow를 추가해야 함 ✔ LLM 호출 전/후에 다양한 작업(도구 호출, 검색, 데이터 조회 등)이 ..