파이썬 AI 에이전트 만들기 — LangChain·도구 연동·구조화 출력 입문 가이드

핵심 메시지

• AI 에이전트는 LLM에 도구 사용 능력과 정해진 출력 형식을 더한 것으로, 파이썬과 LangChain만 있으면 몇 분 만에 기본형을 만들 수 있다.
• 가상환경(venv)으로 의존성을 격리하고 .env 파일에 OpenAI 또는 Anthropic API 키를 넣은 뒤, 코드에서 사용할 LLM을 한 줄로 바꿔 끼울 수 있다.
• Pydantic 모델로 응답 구조(주제·요약·출처·사용 도구)를 정의하고 출력 파서로 강제하면, LLM의 결과를 코드에서 예측 가능하게 다룰 수 있다.
• 위키피디아·웹 검색 같은 기성 도구뿐 아니라, 평범한 파이썬 함수를 감싸 직접 만든 커스텀 도구도 에이전트에 자유롭게 붙일 수 있다.
• 이 예제는 전체 에이전트 활용의 약 80%를 차지하는 핵심 구성요소를 다루므로, 여기서 출발해 더 복잡한 응용으로 확장하기 좋다.

쉽게 이해하기

영상은 파이썬 초보자도 따라 할 수 있도록 '리서치 비서' 에이전트를 처음부터 만드는 과정을 보여준다. 사용자가 조사할 주제를 입력하면 에이전트가 위키피디아와 웹 검색으로 자료를 찾고, 결과를 주제·요약·출처·사용한 도구로 정리해 텍스트 파일로 저장하는 형태다.

준비물은 파이썬 3.10 이상과 VS Code 같은 편집기다. requirements.txt에 필요한 패키지를 적고 venv 가상환경을 만들어 활성화한 뒤 의존성을 설치한다. 이렇게 하면 프로젝트별로 환경이 격리돼 충돌을 피할 수 있다.

코드는 main.py(핵심 로직)와 tools.py(도구), .env(API 키)로 나눈다. LangChain의 ChatOpenAI 또는 ChatAnthropic 중 하나로 LLM을 만들고, .env에 넣은 키를 load_dotenv로 불러온다. 발표자는 OpenAI 사용량 제한 때문에 Claude(claude-3-5-sonnet)를 예시로 사용한다.

출력을 다루기 위해 Pydantic BaseModel로 ResearchResponse 클래스를 정의해 topic·summary·sources·tools_used 필드와 타입을 명시하고, PydanticOutputParser로 LLM이 그 형식대로 답하도록 시스템 프롬프트에 형식 지침을 주입한다. create_tool_calling_agent와 AgentExecutor로 에이전트를 실행한다.

마지막으로 DuckDuckGo 웹 검색, 위키피디아 조회, 그리고 결과를 파일로 저장하는 직접 만든 함수까지 세 가지 도구를 붙인다. 함수에 인자 타입을 명시해야 모델이 도구를 올바르게 호출할 수 있다는 점이 강조된다.

주요 인사이트

• 에이전트의 핵심은 '도구 목록 + 시스템 프롬프트 + 구조화된 출력'이다. 도구마다 이름(공백 금지)과 설명을 달아 주면, 모델이 언제 어떤 도구를 쓸지 스스로 판단한다.
• Pydantic으로 출력 스키마를 고정하면 평문 대신 파이썬 객체로 결과를 받아 structured_response.topic처럼 필드 단위로 안전하게 활용할 수 있다.
• 모델이 형식을 어길 수 있으므로 파싱 부분을 try/except로 감싸 오류와 원본 응답을 함께 출력하는 방어 코드가 권장된다.
• 기성 도구는 API 키가 없어도 쓸 수 있지만 과도하게 호출하면 속도 제한에 걸리며, 어떤 파이썬 함수든 Tool로 감싸면 API 호출 같은 고급 기능까지 에이전트에 더할 수 있다.

자주 묻는 질문

관련 AI 소식