LangChain vs LangGraph 차이 정리 — 체인 구조와 상태 기반 멀티에이전트

핵심 메시지

• LangChain과 LangGraph는 모두 대규모 언어 모델(LLM) 기반 애플리케이션을 만들기 위한 오픈소스 프레임워크다.
• LangChain은 여러 함수를 정해진 순서대로 잇는 '체인' 구조로, 검색→요약→답변 같은 순차적 작업에 강하다.
• LangGraph는 LangChain 생태계 안의 특화 라이브러리로, 상태를 공유하는 그래프 구조를 통해 비선형·다중 에이전트 워크플로를 다룬다.
• 가장 큰 차이는 상태 관리다. LangChain의 상태 유지는 제한적이지만, LangGraph는 모든 노드가 접근·수정하는 상태(state)를 핵심 요소로 둔다.
• 단계 순서가 분명한 작업이면 LangChain, 사용자 입력에 따라 흐름이 바뀌고 반복이 필요한 작업이면 LangGraph가 적합하다.

쉽게 이해하기

LangChain은 LLM을 활용한 애플리케이션을, 일련의 함수를 체인(chain)처럼 이어 실행하는 방식으로 만든다. 영상은 '웹사이트에서 데이터를 가져오고(retrieve), 그 내용을 요약하고(summarize), 요약을 바탕으로 사용자 질문에 답하는(answer)' 워크플로를 예로 든다. 각 단계는 LangChain이 제공하는 구성요소들로 조립된다.

예컨대 검색 단계에서는 다양한 데이터 소스에서 내용을 불러오는 '문서 로더(document loader)'를 쓰고, 문서가 크면 '텍스트 분할기(text splitter)'로 의미 단위의 작은 덩어리로 나눈다. 요약 단계에서는 체인이 프롬프트 구성요소와 LLM 구성요소를 묶어 요약을 지시한다. 답변 단계에서는 대화 이력과 맥락을 저장하는 '메모리(memory)' 구성요소까지 더해진다. 요약에 쓰는 LLM과 답변에 쓰는 LLM을 서로 다른 모델로 둘 수도 있다.

LangGraph는 상태를 가진(stateful) 다중 에이전트 시스템과, 한 방향으로만 흐르지 않는 복잡한 워크플로를 위해 설계된 라이브러리다. 영상은 작업 관리 비서 에이전트를 예로 든다. 사용자 입력을 처리하는 노드를 중심으로 '작업 추가', '작업 완료', '작업 요약' 같은 동작이 각각 노드(node)가 되고, 그 사이의 전환이 엣지(edge)가 된다.

여기서 핵심은 상태(state) 구성요소다. 작업 목록 같은 정보를 모든 상호작용에 걸쳐 유지하며, 모든 노드가 이 상태에 접근하고 수정할 수 있다. 중심의 입력 처리 노드는 LLM으로 사용자 의도를 파악해 적절한 동작 노드로 라우팅하고, 동작이 끝나면 다시 입력 처리 노드로 돌아온다. 덕분에 사용자의 요청을 정해진 순서 없이 자유롭게 처리할 수 있다.

두 프레임워크를 여러 축으로 비교하면, 구조 면에서 LangChain은 방향성 비순환 그래프(DAG)처럼 앞으로만 진행하는 체인이고, LangGraph는 루프와 이전 상태 재방문이 가능한 그래프다. 사용 사례 면에서 LangChain은 순차적 작업에, LangGraph는 오랜 대화 맥락을 유지하며 다양한 요청을 다뤄야 하는 가상 비서 같은 복잡한 시스템에 강하다.

주요 인사이트

• LangChain의 체인은 단계 순서를 미리 아는 작업에 적합하고, LangGraph의 그래프는 다음 단계가 진행 중 조건이나 사용자 입력에 따라 달라지는 상호작용형 시스템에 적합하다.
• LangGraph는 LangChain을 대체하는 별개 도구가 아니라 LangChain 생태계 안의 특화 라이브러리로, 두 도구는 목적이 다르다.
• 상태(state)를 1급 구성요소로 두느냐가 두 프레임워크를 가르는 결정적 차이다. 지속적인 맥락 유지가 필요하면 LangGraph 쪽이 유리하다.
• LangChain도 에이전트 기능으로 비순차 작업을 어느 정도 처리할 수 있지만, 본격적으로 복잡하고 적응적인 워크플로는 LangGraph의 영역이다.

자주 묻는 질문

관련 AI 소식