LangChain 기초 — 에이전트 개발 프레임워크 시작하기

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
)

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)

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?"
})

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']

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 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)

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."