🚀 LangChain 시작하기
LangChain은 요즘 핫한 AI 애플리케이션 개발을 도와주는 오픈소스 라이브러리이다. 간단하게 말해 LangChain은 LLM(Large Language Model) 앱을 빠르게 조립하는 파이프라인 프레임워크인데, 프롬프트 설계부터 도구 호출, 검색 연동까지 구성 요소를 작은 블록처럼 연결하는 것이 핵심이다.
위 그림은 LangChain에서 사용하는 도구들을 나눈 것이라 생각하면 된다.
한번 역할을 간단하게 살펴보겠다.
코드 환경에서는 LangChain을 통해 개발을 진행하게 된다. 그리고 LangGraph를 통해 HIP(Human In the Loop)이라는 방법으로 고도화 작업이 가능하다고 하는데,
이 부분은 나중에 알아보도록 하자.
또한 LangSmith를 통해 품질 모니터링과 테스트 같은 활동이 가능하다.
마지막으로 LangGraph Platform은 실제 제품화를 위한 API 추출과 Assistant화를 도와준다고 한다.
나는 일단 LangChain을 통해 코드 환경에서 간단한 실습을 진행하고, 프로젝트화를 통해 기능을 넣을 생각이다.
💬 Chatbot 만들기
이제 Chatbot 실습을 진행하겠다.
langchain
langchain-core
langgraph>0.2.27
dotenv먼저 필요한 패키지다.
pip install -qU "langchain[google-genai]"이 명령은 google-genai를 사용하게 해주는 LangChain 키트를 설치하는 명령어다.
이 명령어는 꼭 별도로 설치해야 한다. 그렇지 않으면 의존성 오류가 발생한다.
import os
from dotenv import load_dotenv
load_dotenv()
key = os.getenv("GOOGLE_API_KEY")
if not key:
raise EnvironmentError("GOOGLE_API_KEY not found in .env")
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, AIMessage
model = init_chat_model("gemini-2.5-flash", model_provider="google_genai")
resp = model.invoke(
[
HumanMessage(content="Hello, my name is choihyeok"),
AIMessage(content="Hello choihyeok! How can I assist you today?"),
HumanMessage(content="What's my name?"),
]
)
print(resp.content)위 코드를 보면 from langchain.chat_models import init_chat_model을 통해 Chatbot 모델 기능을 사용 가능하다. 여기에 API 키를 넣어 사용하면 되며, 여기서는 Google-Gemini 2.25-flash 모델을 사용했다.
invoke를 통해 모델에 메시지를 삽입하고, HumanMessage와 AIMessage로 사람과 AI의 대화를 구분한다. 마지막에 resp.content를 출력하면 텍스트 응답만 확인할 수 있다.
📌 실행 예시
Your name is **choihyeok**.그런데 우리가 원하는 것은 프로세스 환경에서 실시간 대화다.
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import START, MessagesState, StateGraph
workflow = StateGraph(state_schema=MessagesState)
def call_model(state: MessagesState):
response = model.invoke(state["messages"])
return {"messages": response}
workflow.add_edge(START, "model")
workflow.add_node("model", call_model)
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)
config = {"configurable": {"thread_id": "abc123"}}
query = "Hi! I'm HYK."
input_messages = [HumanMessage(query)]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print()
query = "What's my name?"
input_messages = [HumanMessage(query)]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print()call_model 메서드를 선언해 state를 설정하고, LangGraph의 State 기능을 통해 대화 상태를 기억하게 한다.
여기서 LangGraph의 강력한 기능을 알 수 있는데, 바로 State로 워크플로를 관리하는 것이다. LangGraph는 하나의 프로세스를 정의해서 해당 모델이 어떠한 상태를 가지고 있는지 정의한다.
workflow = StateGraph(state_schema=MessagesState)해당 코드가 핵심인데, StateGraph를 MessagesState로 정의하는 워크프로를 생성한다는 의미이다. 이제 모델은 해당 워크플로안에서 유지되면서 메세지를 받게된다.
workflow.add_edge(START, "model")
workflow.add_node("model", call_model)
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)워크플로는 노드와 엣지 형태로 모델의 시작점과 진행 사항을 연결 및 유지 해준다.
위와 같이 구현하면 모델은 대화를 메모리에 저장하며 진행한다. 다만 현재는 프로세스를 종료하면 쓰레드가 정리되어 기록이 사라진다.
config = {"configurable": {"thread_id": "abc123"}}이 코드로 쓰레드를 설정해 대화 세션을 구분할 수 있다.
📌 실행 예시
================================== Ai Message ==================================
Hi HYK! It's nice to meet you.
How can I help you today?
================================== Ai Message ==================================
Your name is HYK! You told me that when you first introduced yourself.
================================== Ai Message ==================================
I don't know your name. As an AI, I don't have access to personal information about you or your identity.
How can I help you today?
================================== Ai Message ==================================
Your name is HYK! I remember you told me that when we first started chatting.위 출력에서 보듯, 첫 번째 메시지에서 이름을 알려줬지만 세번째 쓰레드에서는 이름을 모른다.
기본적인 구현은 위와 같으며, 다음에는 프롬프트 엔지니어링을 알아보겠다.
