AI SRE 에이전트의 난제 정리: 하루 페타바이트 관측 데이터와 검색 설계 이야기
랭체인이 트래버설 창업자들과 나눈 대담에서 장애 원인 분석 에이전트를 만들며 부딪힌 난점을 짚었다. 정답 데이터의 부재와 하루 페타바이트 규모의 검색 설계, 그리고 새로 등장한 비용 제약까지 정리했다.
핵심 내용 읽기 →
AI TOPIC
LangChain 최신 뉴스와 핵심 해설
LangChain 관련 핵심 뉴스와 활용 인사이트 33편을 최신순으로 모았습니다.
코딩 에이전트에 목표 부여하기: /goal 명령으로 큰 기능을 한 번에 완주시키는 방법 정리
LangChain이 공개한 오픈소스 코딩 에이전트의 /goal 명령 시연 정리. 수용 기준을 먼저 합의하고 실행 도중에도 조건을 고쳐가며 네 시간짜리 대형 작업을 사람 개입 없이 완주시키는 방식을 살펴본다.
핵심 내용 읽기 →
LangSmith로 Cursor 에이전트 추적하기: 플러그인 설치부터 트레이스 구조까지
코딩 에이전트가 무엇을 했는지 사후에 확인하기 어렵다면 추적이 답이다. LangChain 제품팀이 시연한 Cursor 연동 절차와, 모델 실행 아래 도구 호출이 붙는 LangSmith 트레이스 구조를 정리했다.
핵심 내용 읽기 →
하니스 엔지니어링이란? LLM을 실전 AI 에이전트로 바꾸는 미들웨어 기법
codebasics가 바람과 풍차 비유로 하니스 엔지니어링을 설명한다. 모델·프롬프트를 그대로 둔 채 LangChain 미들웨어로 로그인 가드·검증 루프를 추가해 실패하던 깃허브 에이전트를 정상 작동시키는 과정을 실습으로 보여준다.
핵심 내용 읽기 →
딥 에이전트(Deep Agents) 개념 정리 — 계획·서브에이전트·파일시스템·요약
LangChain 메인테이너가 설명하는 딥 에이전트. 일반 에이전트와 무엇이 다른지, 계획 도구·서브 에이전트·파일 시스템·요약 등 하네스의 핵심 요소와 배포 시 고려사항을 정리했다.
핵심 내용 읽기 →
AI 에이전트 지속 메모리 구현: LangChain·PostgreSQL 실습 가이드
LangChain과 PostgreSQL로 AI 에이전트에 지속 메모리를 붙이는 방법을 단계별로 정리한다. 인메모리 세이버와의 차이, 도커로 PostgreSQL 실행, 체크포인터 코드 수정과 기억 데모까지 다룬다.
핵심 내용 읽기 →
AI 에이전트 메모리 구현: LangGraph 단기 기억과 스레드 ID로 대화 기억시키기
AI 에이전트가 대화를 기억하게 만드는 단기 메모리를 LangGraph의 InMemorySaver와 스레드 ID로 구현하는 방법을, 6가지 메모리 유형과 함께 코드로 정리했다.
핵심 내용 읽기 →
LangChain이란 무엇인가 — AI 에이전트 프레임워크·메모리·상태 관리 핵심 정리
AI 에이전트를 만들 때 LangChain이 어떤 역할을 하는지, 모델 추상화·도구 연결·체인 개념부터 대화 버퍼·요약·엔티티 등 여섯 가지 메모리 유형과 상태 관리, LLM과의 차이까지 입문자 눈높이로 정리했다.
핵심 내용 읽기 →
LangChain AI 에이전트 만들기: 프롬프트 템플릿·커스텀 도구·Ollama 실습 가이드
LangChain으로 첫 AI 에이전트를 직접 코딩하는 실습. 프롬프트 템플릿의 역할, 커스텀 도구 4개 정의, create agent와 Ollama 로컬 LLM 연결, 그리고 응답 메시지에서 도구 호출을 읽어내는 과정을 단계별로 정리했다.
핵심 내용 읽기 →
에이전트 AI 프레임워크 선택 가이드: 5가지 시스템 유형별 정리(LangChain·CrewAI·AutoGen)
LangChain부터 CrewAI, AutoGen까지 무엇을 골라야 할지 막막하다면, IBM이 제시하는 5가지 에이전트 시스템 유형별 프레임워크 선택법을 정리했다.
핵심 내용 읽기 →
AI 코딩 에이전트 거버넌스: LangChain dcode를 NemoClaw 샌드박스에서 실행하는 법
LangChain의 터미널 코딩 에이전트 dcode를 NVIDIA NemoClaw가 관리하는 OpenShell 샌드박스 안에서 실행해, 개발자 편의와 조직의 감사·통제를 동시에 확보하는 워크플로를 정리했다.
핵심 내용 읽기 →
OpenWiki: 코딩 에이전트를 위한 저장소 문서 자동화 오픈소스 도구 (LangChain)
LangChain이 공개한 OpenWiki는 명령어 하나로 저장소 문서를 만들고 Git 커밋을 추적해 매일 자동으로 갱신한다. 코딩 에이전트가 참고할 문서를 손 안 대고 최신으로 유지하는 방식을 정리했다.
핵심 내용 읽기 →
AI 추론 모델(o1·o3) 이해와 활용법: 챗 모델과 무엇이 다르고 어떻게 프롬프트해야 하나
LangChain이 정리한 추론 모델 활용 가이드다. 다음 단어 예측과 강화학습 기반 추론의 차이, o1·o3를 챗봇처럼 프롬프트하면 안 되는 이유, 그리고 코딩·계획·리서치 등 실제 활용처까지 하나씩 짚는다.
핵심 내용 읽기 →
AI 에이전트 과금 설정: LangChain·Kong으로 토큰 사용량 미터링·빌링
에이전트 코드를 바꾸지 않고 LangChain 콜백으로 입·출력 토큰을 집계해 Kong으로 보내고, 고객별 사용량 기반 청구서를 만드는 과정을 단계별로 정리했다.
핵심 내용 읽기 →
Ollama 로컬 LLM 실행 가이드: 데이터 프라이버시와 개발자 활용법
클라우드 없이 노트북에서 대형 언어모델을 실행하는 오픈소스 도구 Ollama의 설치·사용법과, 로컬 모델을 애플리케이션에 연동하는 방법을 IBM 기술 영상 내용을 바탕으로 정리했다.
핵심 내용 읽기 →
LangGraph로 직접 만드는 AI 에이전트와 워크플로우 5가지 핵심 패턴 완전 정리
LangChain의 Lance가 Anthropic의 '효과적인 에이전트 만들기' 글을 바탕으로 워크플로우와 에이전트의 차이, 그리고 프롬프트 체이닝·병렬화·라우팅 등 핵심 패턴을 LangGraph로 직접 구현해 설명했다.
핵심 내용 읽기 →
에이전틱 AI 완전정복: 개념·진화 3단계·LangChain 등 대표 프레임워크 총정리
질문에 답만 하던 AI를 넘어, 스스로 계획하고 도구를 써서 작업을 완수하는 에이전틱 AI의 개념과 진화 단계, LangChain·AutoGen·CrewAI 같은 대표 프레임워크의 구조를 정리한 입문 해설입니다.
핵심 내용 읽기 →
RAG 챗봇 만들기: Gemini·LangChain·ChromaDB로 PDF 문서 질의응답 구축하기
500쪽 사내 문서를 업로드하면 질문에 답하는 RAG 챗봇을, 라이브러리에 의존하지 않고 청킹·임베딩·ChromaDB·Gemini 파이프라인으로 한 줄씩 직접 구현하는 방법을 정리했다.
핵심 내용 읽기 →
생성형 AI 기초 완전 정리 — LLM 원리, 트랜스포머, 임베딩과 LangChain 입문
생성형 AI의 개념부터 LLM의 작동 원리, 트랜스포머와 임베딩·벡터 DB, 그리고 LangChain으로 증권 뉴스 리서치·유통 Q&A 같은 실제 애플리케이션을 만드는 흐름까지 입문자 눈높이로 정리한 강좌 요약.
핵심 내용 읽기 →
벡터 검색·RAG 튜토리얼: 임베딩으로 내 데이터를 LLM과 결합하는 법
벡터 임베딩과 시맨틱 검색의 개념부터 영화 검색, RAG 질의응답, 문서 기반 챗봇까지. 임베딩으로 내 데이터를 LLM과 연결하는 방법을 세 가지 프로젝트로 정리했다.
핵심 내용 읽기 →
LangChain 에이전트 완전 정리: ReAct 추론·도구 호출·프롬프트 유형까지
LangChain이 무엇이고 왜 에이전트 개발에 쓰이는지, ReAct 기반 추론과 도구 호출, 파서·프롬프트 유형, LLM·체인·도구 구성 요소를 강연 내용 그대로 정리했습니다.
핵심 내용 읽기 →
RAG(검색 증강 생성) 입문: 데이터 주입·청킹·임베딩·벡터DB·검색 파이프라인
LangChain으로 배우는 RAG 크래시 코스. 환각과 비공개 데이터 문제를 RAG가 어떻게 푸는지, 데이터 주입과 검색이라는 두 파이프라인, 문서 구조·청킹·임베딩·벡터 DB·검색기까지 실습 흐름으로 정리한다.
핵심 내용 읽기 →
LangChain vs LangGraph 차이 정리 — 체인 구조와 상태 기반 멀티에이전트
LangChain은 LLM 작업을 순서대로 잇는 체인 구조, LangGraph는 상태를 공유하는 그래프 구조로 복잡한 멀티에이전트 워크플로를 다룬다. 두 오픈소스 프레임워크의 차이를 IBM 설명으로 정리한다.
핵심 내용 읽기 →
랭체인(LangChain) 입문: AI 에이전트·챗봇을 쉽게 만드는 프레임워크
랭체인은 LLM·메모리·벡터DB·RAG 같은 요소를 미리 만들어진 컴포넌트로 묶어, AI 에이전트와 챗봇을 적은 코드로 구축하도록 돕는 추상화 계층입니다. 핵심 개념을 정리했습니다.
핵심 내용 읽기 →
벡터 데이터베이스란? 임베딩과 유사도 검색, ChromaDB·Pinecone·Weaviate 입문
이미지·텍스트·오디오 같은 비정형 데이터를 임베딩 벡터로 바꿔 저장하고 유사도 검색으로 다루는 벡터 데이터베이스의 원리와, 대표 도구 ChromaDB·Pinecone·Weaviate를 정리했다.
핵심 내용 읽기 →
파이썬 AI 에이전트 만들기 — LangChain·도구 연동·구조화 출력 입문 가이드
LangChain과 GPT·Claude로 위키피디아·웹 검색 도구를 쓰는 리서치 비서 에이전트를 파이썬으로 처음부터 만드는 과정을 단계별로 정리했다.
핵심 내용 읽기 →
지식 그래프 추출 with GPT-4o: 텍스트를 노드·관계 그래프로 변환하기
책·기사·위키 같은 비정형 텍스트를 LLM으로 지식 그래프로 바꾸는 방법을 정리했다. 지식 그래프의 개념과 활용, LangChain 그래프 변환기를 이용한 실제 구현까지 다룬다.
핵심 내용 읽기 →
로컬 AI 에이전트 구축: Ollama·LangChain·ChromaDB로 RAG 구현하기
OpenAI 계정 없이 내 컴퓨터에서 완전히 로컬로 동작하는 AI 에이전트를 Ollama, LangChain, ChromaDB로 만드는 과정을 RAG 검색 흐름과 함께 정리했다.
핵심 내용 읽기 →
딥 에이전트 입문: LangChain·LangGraph로 계획·서브에이전트·메모리 구현
ChatGPT·Claude Code의 딥 리서치 기능을 가능케 하는 '딥 에이전트'의 개념과, LangChain의 deepagents 라이브러리로 계획·서브 에이전트·파일시스템 메모리를 구현하는 방법을 정리했습니다.
핵심 내용 읽기 →
AI 에이전트 기초 총정리: LLM·컨텍스트 윈도우·RAG·벡터DB·LangChain·MCP 한 번에
하나의 사내 챗봇 프로젝트로 LLM, 컨텍스트 윈도우, 임베딩, RAG, 벡터 DB, LangChain, LangGraph, MCP, 프롬프트 엔지니어링까지 AI 에이전트의 기초 개념을 처음부터 끝까지 정리했습니다.
핵심 내용 읽기 →
LangChain LCEL 순차 체인: RunnablePassthrough·itemgetter로 맥락 손실 해결하기
LangChain의 파이프 연산자는 출력 하나만 전달해 다단계 LLM 파이프라인에서 맥락이 사라진다. dict 단계와 RunnablePassthrough, itemgetter로 변수를 분기마다 라우팅해 이 문제를 해결하는 방법을 정리했다.
핵심 내용 읽기 →
LangChain 프롬프트 템플릿·LCEL로 production AI 만들기
프롬프트가 늘어날수록 코드가 엉키는 문제를, LangChain의 프롬프트 템플릿과 LCEL 파이프로 모듈화·테스트·운영까지 해결하는 방법을 정리했습니다.
핵심 내용 읽기 →
LangChain 1.0 입문 — 실전용 AI 에이전트 구조 설계 가이드
대부분의 AI 에이전트가 실전에서 실패하는 이유는 모델이 아니라 코드 구조에 있습니다. LangChain 1.0의 세 기둥과 설계 원칙을 정리했습니다.
핵심 내용 읽기 →