LangChain 에이전트 완전 정리: ReAct 추론·도구 호출·프롬프트 유형까지

핵심 메시지

• LangChain은 무료로 쓸 수 있는 오픈소스 프레임워크로, 일반 애플리케이션뿐 아니라 LLM을 핵심에 둔 에이전트까지 만들 수 있다.
• 에이전트는 ReAct 패턴으로 동작한다. RE(reasoning)는 추론, ACT(action)는 도구를 이용한 실제 실행을 담당한다.
• 복잡한 문제는 하나의 거대한 앱이 아니라 영역별 에이전트로 나누면 책임 소재와 성능 면에서 유리하다.
• LLM은 자연어를 바로 이해하지 않으며, 임베딩·토큰화·청킹을 수행하는 파서를 반드시 거친다.
• zero-shot·one-shot·few-shot·conversational 등 프롬프트 방식에 따라 에이전트의 응답 품질이 달라진다.

쉽게 이해하기

Edureka 라이브 세션에서 강사 Arindam은 LangChain을 “LLM을 핵심에 두고 그 위에 올린 래퍼 형태의 프레임워크”로 설명한다. 라이브러리로 내려받아 노트북에 임포트해 쓸 수 있고, 누구나 무료로 사용할 수 있다는 점을 강조한다. 일반 애플리케이션 개발은 물론 에이전트 빌딩까지 지원하는 ‘에이전틱 프레임워크’라는 점이 핵심이다.

강사는 병원을 예로 든다. 안과·심장·폐·응급 등 진료 영역마다 별도의 에이전트를 두는 구조가, 모든 기능을 하나로 합치는 것보다 낫다고 말한다. 영역을 분리하면 어느 부분에서 문제가 생겼는지 책임 소재를 추적하기 쉽고, 한곳에 부하가 몰리는 것을 피할 수 있기 때문이다.

LangChain 에이전트는 ReAct 패턴으로 동작한다. 질의가 들어오면 먼저 LLM이 추론(reasoning)을 만들고, 그 추론을 바탕으로 어떤 도구를 쓸지 결정(action)한다. 예로 “애플의 현재 주가를 확인하고 지난 5일 평균을 계산하라”는 질문은, 웹 검색(DuckDuckGo 등)으로 수치를 가져온 뒤 파이썬 도구로 평균을 계산해 사용자에게 결과를 돌려주는 흐름으로 처리된다.

LLM은 입력된 단어를 곧바로 이해하지 못한다. 강사는 자연어를 임베딩 값으로 바꾸는 파서가 중간 단계로 반드시 필요하며, 임베딩·토큰화·청킹이 함께 처리돼야 LLM이 다음 작업을 수행한다고 설명한다. 이 때문에 “파서 없이는 어떤 로직도 만들 수 없다”고 강조한다.

마지막으로 LangChain의 구성 요소를 정리한다. LLM(OpenAI GPT, Anthropic Claude, Hugging Face, Ollama, Cohere 등), 프롬프트(정적 프롬프트·프롬프트 템플릿), 체이닝(단순·복합, LLM의 컨텍스트 윈도에 직접 연결), 도구(파이썬 계산기, 웹 검색 API, 날씨 API, SQL 실행기 등), 그리고 어떤 도구를 쓸지 결정하는 에이전트가 그것이다.

주요 인사이트

• 강사는 현재 60개가 넘는 LLM 옵션이 있어 모두 외우기는 불가능하며, 대신 OpenAI·Google·Amazon·Anthropic·Meta·Mistral·Stability 같은 ‘제공사’ 단위로 파악하라고 조언한다. 이 숫자는 계속 늘어 내년 이맘때면 150개 이상이 될 것이라고 내다본다.
• 모델마다 잘하는 영역이 다르다. 강사는 코드 생성에는 Claude/Sonnet이, 문서 생성에는 GPT 계열이 더 효율적이었다고 본인의 구축 경험을 들어 말한다.
• 프롬프트에 예시를 함께 주면(one-shot, few-shot) LLM이 그 형식을 따라 더 정제된 답을 내놓는다. 예시 없이 묻는 zero-shot과 달리, 원하는 응답 패턴을 학습시키는 셈이다.
• 단순 체인(simple chain)만으로도 대부분의 애플리케이션을 충분히 만들 수 있어 복합 체인은 잘 쓰이지 않는다. 체인은 사용하는 LLM의 컨텍스트 윈도 크기에 직접 좌우된다.

자주 묻는 질문

관련 AI 소식