[Langchain] 랭체인 컴포넌트

Hunie_07·2025년 3월 25일

langChain

Langchain

목록 보기

1/35

📌 Langchain의 개념 및 주요 컴포넌트

1️⃣ 모델 (Models)

다양한 모델을 지원 (OpenAI, Google, Ollama 등)
텍스트 생성, 대화, 요약 등의 작업을 수행

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o-mini")
response = model.invoke("안녕하세요!")
response

- 출력

AIMessage(content='안녕하세요! 어떻게 도와드릴까요?', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 11, 'prompt_tokens': 10, 'total_tokens': 21, 'completion_tokens_details': ...})

token_usage : 토큰 사용량

# 답변 출력
print("답변: ", response.content)
print("메타데이터: ", response.response_metadata)

- 출력

답변:  안녕하세요! 어떻게 도와드릴까요?
메타데이터:  {'token_usage': {'completion_tokens': 11, 'prompt_tokens': 10, 'total_tokens': 21, ...

2️⃣ 메시지 (Messages)

모델별 고유한 메시지 형식 관계없이 다양한 채팅 모델 활용 가능

1. HumanMessage

사용자 입력을 처리

from langchain_core.messages import HumanMessage

# 사용자 메시지 생성
human_message = HumanMessage(content="Glory를 한국어로 번역해주세요.")

# 번역 요청
response = model.invoke([human_message])

# 답변 출력
print("답변: ", response.content)

- 출력

답변:  "Glory"는 한국어로 "영광"이라고 번역됩니다.

# 문자열을 입력하면, 자동으로 HumanMessage로 변환하여 요청
response = model.invoke("Glory를 한국어로 번역해주세요.")

# 답변 출력
print("답변: ", response.content)

- 출력

답변:  "Glory"를 한국어로 번역하면 "영광"입니다.

2. AIMessage

AI모델의 응답을 표현

# AI 모델의 응답 객체를 출력 
response

- 출력

AIMessage(content='"Glory"를 한국어로 번역하면 "영광"입니다.', additional_kwargs={'refusal': None}, response_metadata={'token_usage': ...

# 모델 응답 텍스트 부분을 출력
response.content

- 출력

'"Glory"는 한국어로 "영광"이라고 번역합니다.'

# 토큰 사용량 출력
response.usage_metadata

- 출력

{'input_tokens': 17,
 'output_tokens': 18,
 'total_tokens': 35,
 'input_token_details': {'audio': 0, 'cache_read': 0},
 'output_token_details': {'audio': 0, 'reasoning': 0}}

3. SystemMessage

AI모델의 동작과 제약사항을 정의하는데 사용

from langchain_core.messages import SystemMessage 

# 시스템 메시지 생성
system_msg = SystemMessage(content="당신은 영어를 한국어로 번역하는 AI 어시스턴트입니다.")

system_msg

- 출력

SystemMessage(content='당신은 영어를 한국어로 번역하는 AI 어시스턴트입니다.', additional_kwargs={}, response_metadata={})

# 번역 요청
human_message = HumanMessage(content="Glory")

messages = [system_msg, human_message]

response = model.invoke(messages)

# 답변 출력
print("답변: ", response.content)

- 출력

답변:  영광

3️⃣ 프롬프트 템플릿 (Prompt Template)

프롬프트 템플릿을 통해 일관된 입력 형식을 제공
변수를 포함한 동적 프롬프트 생성이 가능
- 딕셔너리 형태의 입력을 받아서 처리

1. 문자열 프롬프트 템플릿 (String PromptTemplate)

가장 기본적인 형태로, 단일 문자열을 형식화하는데 사용

from langchain_core.prompts import PromptTemplate

# 템플릿 생성
template = PromptTemplate.from_template("{주제}에 대한 이야기를 해줘")

# 템플릿 사용
prompt = template.invoke({"주제": "고양이"})

# 출력
prompt

- 출력

StringPromptValue(text='고양이에 대한 이야기를 해줘')

2. 채팅 프롬프트 템플릿 (ChatPromptTemplate)

여러 메시지를 포함하는 대화형 템플릿을 만들 때 사용

from langchain_core.prompts import ChatPromptTemplate

# 채팅 템플릿 생성
template = ChatPromptTemplate.from_messages([
    ("system", "당신은 도움이 되는 비서입니다"),
    ("user", "{subject}에 대해 설명해주세요")
])

# 템플릿 사용
prompt = template.invoke({"subject": "인공지능"})

# 출력
prompt

- 출력

ChatPromptValue(messages=[SystemMessage(content='당신은 도움이 되는 비서입니다', additional_kwargs={}, response_metadata={}), HumanMessage(content='인공지능에 대해 설명해주세요', additional_kwargs={}, response_metadata={})])

3. 메시지 플레이스홀더 (MessagesPlaceholder)

기존 메시지 목록을 템플릿의 특정 위치에 삽입할 때 사용

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage

# 메시지 플레이스홀더가 있는 템플릿
template = ChatPromptTemplate.from_messages([
    ("system", "당신은 도움이 되는 비서입니다"),
    MessagesPlaceholder("chat_history")
])

# 템플릿 사용
prompt = template.invoke({
    "chat_history": [HumanMessage(content="안녕하세요!")]
})

# 출력
prompt.messages

- 출력

[SystemMessage(content='당신은 도움이 되는 비서입니다', additional_kwargs={}, response_metadata={}),
 HumanMessage(content='안녕하세요!', additional_kwargs={}, response_metadata={})]

4️⃣ 출력 파서 (Output Parser)

모델의 텍스트 출력을 구조화된 데이터로 출력

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

# 기본적인 문자열 파서 사용
parser = StrOutputParser()

# 프롬프트 템플릿 설정
prompt = PromptTemplate.from_template("도시 {city}의 특징을 알려주세요")

# 모델 정의
model = ChatOpenAI(model='gpt-4o-mini')

# 체인 구성
chain = prompt | model | parser

# 체인 실행
result = chain.invoke({"city": "서울"})

# 결과 출력
print(result)

- 출력

서울은 대한민국의 수도이자 가장 큰 도시로, 여러 가지 특징을 가지고 있습니다. 다음은 서울의 주요 특징들입니다:

1. **역사와 전통**: 서울은 ...

Groq 모델 이용

# Groq

from langchain_groq import ChatGroq

model = ChatGroq(model='llama-3.3-70b-specdec')

# 체인 구성
chain = prompt | model | parser

# 체인 실행
result = chain.invoke({"city": "서울"})

# 결과 출력
print(result)

- 출력

서울은 한국의 수도이자 가장 큰 도시입니다. 서울의 특징은 다음과 같습니다.

1. **역사와 문화**: 서울은 ...

5️⃣ 메모리 (Memory)

대화기록 저장 및 관리

from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.messages import BaseMessage
from pydantic import BaseModel, Field
from typing import List

# 메모리 기반 히스토리 구현
class InMemoryHistory(BaseChatMessageHistory, BaseModel):
    messages: List[BaseMessage] = Field(default_factory=list)
    
    def add_messages(self, messages: List[BaseMessage]) -> None:
        self.messages.extend(messages)
    
    def clear(self) -> None:
        self.messages = []

# 세션 저장소
store = {}

# 세션 ID로 히스토리 가져오기
def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = InMemoryHistory()
    return store[session_id]

# 채팅 모델과 프롬프트 설정
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory

prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 {subject}에 능숙한 비서입니다"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}")
])

chain = prompt | ChatOpenAI(model='gpt-4o-mini')

# 히스토리 관리 추가
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="question",
    history_messages_key="history"
)

# 체인 실행
response = chain_with_history.invoke(
    {"subject": "수학", "question": "1+2는 얼마인가요?"},
    config={"configurable": {"session_id": "user1"}}
)

# 결과 출력
print(response)

- 출력

content='1 + 2는 3입니다.' additional_kwargs={'refusal': None} response_metadata= ...

# 세션 ID로 히스토리 가져오기
get_session_history("user1").messages

- 출력

[HumanMessage(content='1+2는 얼마인가요?', additional_kwargs={}, response_metadata={}),
 AIMessage(content='1 + 2는 3입니다.', additional_kwargs={'refusal': None}, response_metadata= ...)]

# 히스토리 이용해서 대화 진행
response = chain_with_history.invoke(
    {"subject": "수학", "question": "여기에 숫자 2를 곱하면 얼마인가요?"},
    config={"configurable": {"session_id": "user1"}}
)

# 결과 출력
print(response)

- 출력

content='3에 2를 곱하면 6입니다. (3 x 2 = 6)' additional_kwargs={'refusal': None} response_metadata= ...}

# 세션 ID로 히스토리 가져오기
get_session_history("user1").messages

- 출력

[HumanMessage(content='1+2는 얼마인가요?', additional_kwargs={}, response_metadata={}),
 AIMessage(content='1 + 2는 3입니다.', additional_kwargs={'refusal': None}, response_metadata= ...),
 HumanMessage(content='여기에 숫자 2를 곱하면 얼마인가요?', additional_kwargs={}, response_metadata={}),
 AIMessage(content='3에 2를 곱하면 6입니다. (3 x 2 = 6)', additional_kwargs={'refusal': None}, response_metadata= ...)]

Hunie_07

다음 포스트

[Langchain] 랭체인 컴포넌트

Langchain

📌 Langchain의 개념 및 주요 컴포넌트

1️⃣ 모델 (Models)

2️⃣ 메시지 (Messages)

1. HumanMessage

2. AIMessage

3. SystemMessage

3️⃣ 프롬프트 템플릿 (Prompt Template)

1. 문자열 프롬프트 템플릿 (String PromptTemplate)

2. 채팅 프롬프트 템플릿 (ChatPromptTemplate)

3. 메시지 플레이스홀더 (MessagesPlaceholder)

4️⃣ 출력 파서 (Output Parser)

5️⃣ 메모리 (Memory)

[Langchain] LCEL (LangChain Expression Language)

0개의 댓글