LangChain 기초 — 에이전트 개발 프레임워크 시작하기

LangChain을 쓰는 이유

OpenAI API를 직접 써도 에이전트를 만들 수 있습니다. 그런데 LangChain을 쓰면:

LLM, 도구, 프롬프트, 메모리를 표준화된 인터페이스로 조합
복잡한 체인을 선언적으로 구성
다양한 LLM 제공사를 동일한 코드로 사용
에이전트·RAG·평가 도구 등 생태계 활용

flowchart LR
    subgraph LANGCHAIN["LangChain 핵심 구성"]
        P["Prompt\n프롬프트 템플릿"]
        L["LLM\nChatOpenAI 등"]
        O["OutputParser\n응답 파싱"]
        T["Tools\n도구 모음"]
        M["Memory\n대화 기록"]
    end

    P --> L --> O
    T --> L
    M --> L

설치와 설정

pip install langchain langchain-openai langchain-community python-dotenv

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()

llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7,
    # api_key 자동으로 OPENAI_API_KEY 환경변수 사용
)

첫 번째 체인: LCEL

LCEL (LangChain Expression Language) 은 | 연산자로 컴포넌트를 연결합니다.

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 프롬프트 템플릿
prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 친절한 한국어 어시스턴트입니다."),
    ("human", "{question}")
])

# 2. 체인 구성 (LCEL)
chain = prompt | llm | StrOutputParser()

# 3. 실행
result = chain.invoke({"question": "파이썬이란 무엇인가요?"})
print(result)

flowchart LR
    I["입력\n{question}"] --> P["ChatPromptTemplate"]
    P --> L["ChatOpenAI"]
    L --> O["StrOutputParser"]
    O --> R["문자열 결과"]

프롬프트 템플릿 심화

from langchain_core.prompts import ChatPromptTemplate

# 시스템 + 사용자 메시지
prompt = ChatPromptTemplate.from_messages([
    ("system", """당신은 {role} 전문가입니다.
다음 규칙을 따르세요: {rules}"""),
    ("human", "{question}")
])

chain = prompt | llm | StrOutputParser()

result = chain.invoke({
    "role": "파이썬 튜터",
    "rules": "초보자에게 설명하듯이, 예제 코드 포함",
    "question": "리스트 컴프리헨션이란?"
})

출력 파서: 구조화된 응답

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
from typing import List

class BlogIdea(BaseModel):
    title: str = Field(description="블로그 제목")
    summary: str = Field(description="한 줄 요약")
    tags: List[str] = Field(description="관련 태그 3개")

parser = JsonOutputParser(pydantic_object=BlogIdea)

prompt = ChatPromptTemplate.from_messages([
    ("system", "다음 형식으로만 응답하세요.\n{format_instructions}"),
    ("human", "주제: {topic}")
]).partial(format_instructions=parser.get_format_instructions())

chain = prompt | llm | parser

result = chain.invoke({"topic": "AI 에이전트 활용법"})
print(result.title)    # AI 에이전트로 업무 자동화하기
print(result.tags)     # ['AI', '자동화', '에이전트']

체인 연결: 순차 파이프라인

flowchart LR
    T["주제 입력"] --> C1["아이디어 생성 체인"]
    C1 --> C2["블로그 초안 작성 체인"]
    C2 --> C3["SEO 최적화 체인"]
    C3 --> R["최종 결과"]

from langchain_core.runnables import RunnablePassthrough

# 체인 1: 개요 생성
outline_chain = (
    ChatPromptTemplate.from_template("'{topic}' 주제의 블로그 개요를 3줄로")
    | llm
    | StrOutputParser()
)

# 체인 2: 본문 작성 (체인 1의 출력을 입력으로)
draft_chain = (
    ChatPromptTemplate.from_template("이 개요로 500자 블로그 초안 작성:\n{outline}")
    | llm
    | StrOutputParser()
)

# 순차 연결
full_chain = (
    {"topic": RunnablePassthrough()}
    | {"outline": outline_chain}
    | draft_chain
)

result = full_chain.invoke("LangChain 에이전트 입문")

스트리밍

# 스트리밍 출력
for chunk in chain.stream({"question": "머신러닝이란?"}):
    print(chunk, end="", flush=True)

# 비동기 스트리밍
async def stream_answer(question: str):
    async for chunk in chain.astream({"question": question}):
        print(chunk, end="", flush=True)

메모리: 대화 기록 관리

from langchain_core.chat_history import BaseChatMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 세션별 히스토리 저장소
store = {}

def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# 프롬프트에 히스토리 추가
prompt_with_history = ChatPromptTemplate.from_messages([
    ("system", "당신은 친절한 어시스턴트입니다."),
    ("placeholder", "{chat_history}"),  # 대화 기록 삽입
    ("human", "{input}")
])

chain_with_history = RunnableWithMessageHistory(
    prompt_with_history | llm | StrOutputParser(),
    get_session_history,
    input_messages_key="input",
    history_messages_key="chat_history"
)

# 같은 session_id로 대화 유지
config = {"configurable": {"session_id": "user-123"}}

print(chain_with_history.invoke({"input": "내 이름은 철수야"}, config=config))
print(chain_with_history.invoke({"input": "내 이름이 뭐야?"}, config=config))
# → "철수님이라고 하셨습니다."

LCEL 핵심 메서드

메서드	설명	사용 상황
`.invoke()`	동기 단건 실행	일반 호출
`.stream()`	동기 스트리밍	CLI 출력
`.batch()`	여러 입력 일괄 처리	대량 처리
`.ainvoke()`	비동기 단건	FastAPI 등
`.astream()`	비동기 스트리밍	웹 서비스

다음 단계: LangGraph

복잡한 멀티스텝 에이전트는 LangChain 체인만으로 한계가 있습니다. LangGraph는 상태 기반 그래프로 더 복잡한 흐름을 표현합니다.

flowchart LR
    LC["LangChain\n선형 파이프라인\nA→B→C"] -->|"복잡한 분기·루프"| LG["LangGraph\n상태 그래프\nA→B↔C→D"]

다음 편에서 LangGraph로 실제 에이전트를 구현합니다.

정리

개념	내용
LCEL	`
ChatPromptTemplate	시스템·사용자 메시지 템플릿 구성
OutputParser	LLM 응답을 원하는 형식으로 파싱
RunnableWithMessageHistory	세션별 대화 기록 자동 관리
`.stream()` / `.astream()`	실시간 스트리밍 출력

다음 편에서는 도구 설계와 에이전트 구현 — LangGraph로 실제 도구를 사용하는 에이전트를 만듭니다.