RAG 이용한 Agent [4] ReAct

Leejaegun·2025년 4월 5일

rag

목록 보기

4/4

1. ✅ ReAct 에이전트 개념 정리

ReAct (Reasoning + Acting) 에이전트는
"추론(Reasoning)"과 "행동(Acting)"을 반복하는 방식으로 작동하는 LLM 기반 에이전트입니다.

🔁 작동 방식 요약

추론 (Reasoning)
- 주어진 상황을 분석하고 적절한 행동(또는 도구 사용)을 결정합니다.
행동 (Acting)
- 선택한 도구를 실행하거나, 직접 응답을 생성합니다.
관찰 (Observation)
- 행동 결과를 관찰하고 그 결과를 바탕으로 다시 추론합니다.
반복 (Feedback Loop)
- 이 과정을 반복하며 문제를 점점 더 깊이 해결해 나갑니다.

💡 핵심 특징

단순 텍스트 생성이 아닌, 환경과 상호작용하며 도구(tool)를 사용합니다.
결과에 대한 피드백을 바탕으로 새로운 추론을 하여 점점 더 정확한 행동을 하게 됩니다.
복잡한 문제 해결에 적합한 구조입니다.

2. ✅ 프로젝트 개요

목적: 리액트 기반의 랭그래프(LangGraph) 메모리 프로젝트에서, 도구(tool)를 정의하고 LLM과 바인딩하여 다양한 유저 요청을 처리하는 파이프라인 구성.

1️⃣ 초기 셋업

가상환경 커널 선택.
.env 등 환경 변수 로딩.
기본적인 라이브러리 및 유틸 불러오기.

2️⃣ 도구 정의 (Tools)

🔧 1. `search_menu`

목적: 레스토랑 메뉴 벡터 DB에서 유사도 검색
동작 방식:
- 벡터 DB에서 관련 메뉴 최대 2개 유사도 기반 검색.
- 검색된 결과를 태그 구조로 포맷팅.
- @tool 데코레이터로 정의.

🔧 2. `search_web`

목적: 웹 검색을 통해 최신/일반 정보 검색
동작 방식:
- Tavily Search API 사용.
- 최대 3개의 문서 검색 후, 본문 및 URL을 포함하여 포맷팅.
- @tool 데코레이터로 정의.

3️⃣ LLM 설정 및 도구 바인딩

모델: GPT-4 Omni Mini
LLM에 위 두 도구(search_menu, search_web)를 bind_tools를 통해 연결.
LLM이 자연어 입력을 분석해 적절한 도구를 선택하도록 설정.

4️⃣ 도구 호출 예시 및 동작

✅ 예시 1: “스테이크 메뉴 가격?”

도구: search_menu 호출됨.
이유: 메뉴에 대한 정보는 내부 DB에서 검색하는 게 적절하다고 LLM이 판단.

✅ 예시 2: “랭그래프는 무엇인가요?”

도구: search_web 호출됨.
이유: 일반 정보이므로 웹 검색이 적절하다고 판단.

✅ 예시 3: “3 + 3은?”

도구 호출 없음.
이유: 단순 연산 질문이므로 LLM 자체 처리.

5️⃣ LangGraph에서 도구 노드 사용

LangGraph의 ToolNode 컴포넌트를 사용해 도구 노드를 그래프에 삽입.
동작:
- 최근 AI 메시지에서 tool_calls 항목 추출.
- 병렬(parallel)로 각 도구 호출 실행.
- 결과를 ToolMessage로 구성하여 반환.

6️⃣ LangGraph 동작 확인

메시지를 LLM에 전달 → AI 메시지로부터 도구 호출 정보 추출.
ToolNode에 메시지를 전달 → 도구 병렬 실행.
결과:
- 예: 스테이크 → 시그니처/안심 스테이크 검색 결과 출력.
- 예: 랭그래프 → 관련 웹 문서 3개 포맷팅 결과 출력.

📌 요약

구성요소	기능 설명
`search_menu`	벡터 DB 기반 메뉴 검색 도구
`search_web`	웹 검색 도구 (Tavily 기반)
`LLM`	GPT-4 Omni Mini 사용, 도구 자동 선택
`ToolNode`	LangGraph에서 병렬 도구 실행 처리

3. ✅ 프로젝트 04번: LangGraph + React Memory 에이전트 구성 흐름

(1). 환경 설정

가상환경 커널 선택
환경 변수 임포트
필수 라이브러리 불러오기

(2). 도구 정의 (Tools Definition)

🔧 1) `Search Menu` 도구 (레스토랑 메뉴 검색)

벡터 저장소(Vector DB)에서 유사도 기준으로 관련 문서 2개 검색
검색 결과를 <tag> 기반 포맷으로 정리
@tool 데코레이터로 도구로 등록

🔧 2) `Search Web` 도구 (웹 일반 검색)

인터넷에서 일반 정보 또는 최신 정보 검색
Tavily Search를 활용, 최대 3개 문서 검색
URL 포함한 <tag> 포맷으로 정리하여 반환

(3). LLM 설정 및 도구 바인딩

GPT-4 Omni Mini 모델 사용
위에서 정의한 두 개의 도구를 bind_tools로 모델에 연결
에이전트가 도구를 사용할 준비 완료

(4). 도구 호출 테스트 (Tool Call Test)

사용자 질문	사용된 도구	작동 결과 요약
"스테이크 메뉴 가격은?"	`Search Menu`	벡터 DB 검색 수행 후 결과 출력
"랭그래프는 무엇인가요?"	`Search Web`	웹 검색 결과 3개 문서 출력
"3 더하기 3은?"	도구 미사용	도구 없이 직접 답변 출력 (6)

(5). LangGraph 내 ToolNode 사용

ToolNode는 에이전트 그래프 내에서 도구 호출을 병렬 처리하는 노드
가장 최근 AI 메시지에서 tool_calls 추출하여 실행
각 도구 호출 결과를 ToolMessage로 변환하여 반환
병렬 실행으로 효율적이며 빠른 응답 가능

(6). ToolNode 테스트

질문 내용	작동 결과 요약
"스테이크 메뉴 가격은?"	`Search Menu` 도구 실행 → 시그니처 스테이크/안심스테이크 가격 정보 출력
"랭그래프는 무엇인가요?"	`Search Web` 도구 실행 → 웹 검색 결과 3개 문서 출력

4. ✅ LangGraph + ReAct Memory 프로젝트 정리

이 프로젝트는 LangGraph 기반의 ReAct 에이전트를 구성하여, 사용자 질의에 따라 적절한 도구(tool)를 호출하고, 그 결과를 바탕으로 응답을 생성하는 구조입니다.

(1). ✅ 기본 구성

가상환경 커널 선택
환경 변수 로드
필요한 라이브러리 임포트

(2). 🛠️ 도구 정의 (Tools)

📌 [1] 메뉴 검색 도구: `search_menu`

벡터DB에서 유사한 레스토랑 메뉴 문서 2개 검색
결과를 <document> 태그 형식으로 포맷팅
@tool 데코레이터로 툴 정의

📌 [2] 웹 검색 도구: `search_web`

일반적인 질문/최신 정보에 사용
Tavily 검색 API를 사용해 최대 3개의 문서 검색
URL과 내용을 포함한 결과를 <document> 태그 형식으로 포맷팅

(3). 🤖 LLM 설정

GPT-4 Omni-mini 모델 사용
bind_tools로 위에서 정의한 두 도구(search_menu, search_web)를 모델에 바인딩

(4). 🧪 도구 호출 테스트

📍 예시 1: "스테이크 메뉴 가격이 어떻게 되나요?"

search_menu 도구가 호출됨 (메뉴 관련 질문이므로 웹검색이 아닌 메뉴 검색 판단)

📍 예시 2: "LangGraph가 무엇인가요?"

search_web 도구 호출 (일반 정보 검색용)

📍 예시 3: "3 + 3은?"

도구 호출 없이 직접 응답 생성 (툴 사용 불필요 판단)

(5). 🧩 ToolNode 활용 (LangGraph 전용 노드)

ToolNode는 LangGraph에서 도구 호출을 실행하는 노드
최근 AI 메시지의 tool_calls 추출 → 실행
여러 도구 호출은 병렬(parallel) 실행 가능
실행 결과는 tool_messages 형태로 정리됨

(6). 🔁 실제 실행 흐름 요약

사용자 질문 입력
LLM이 툴 호출 여부 판단
툴 호출 시 → ToolNode에서 실행
결과 메시지 생성 및 반환
최종 응답 생성

📌 결론

이 LangGraph ReAct 시스템은:

도구 호출 기반의 에이전트 시스템
상황에 따라 적절한 도구를 선택하고, 결과를 바탕으로 응답을 생성
복잡한 질의 처리, 최신 정보 검색, 내부 DB 연동 등 다양한 작업 수행 가능

5. ✅ 프로젝트 04번: LangGraph 리액트 메모리 정리

1️⃣ 환경 구성

리액트 메모리 프로젝트 파일 임포트
가상환경 커널 선택
환경 변수(.env 등) 임포트
기본 라이브러리 불러오기

2️⃣ 도구 정의 (Tools)

📌 1. `search_menu`

목적: 레스토랑 메뉴 정보 검색
동작
- 벡터 DB에서 메뉴와 관련된 유사도 높은 문서 2개 검색
- 검색 결과를 태그 기반 포맷으로 정리
- @tool 데코레이터로 도구 등록

📌 2. `search_web`

목적: 최신 정보 및 일반 웹 검색
동작
- Tavily Search API 사용
- 최대 3개의 문서를 검색하고, 각 문서의 본문(content)과 URL 추출
- 태그 포맷으로 구성 후 반환
- @tool 데코레이터로 도구 등록

3️⃣ LLM 모델 설정 및 바인딩

모델: GPT-4 Omni Mini
바인딩: bind_tools()를 통해 위 두 도구 바인딩
LLM은 사용자의 질문에 따라 적절한 도구(search_menu, search_web) 선택 가능

4️⃣ 도구 호출 시나리오 예시

✅ 질문 1: “스테이크 메뉴 가격?”

선택된 도구: search_menu
이유: 메뉴 관련 질문 → 벡터 DB 검색이 적절

✅ 질문 2: “LangGraph는 무엇인가요?”

선택된 도구: search_web
이유: 일반 정보 → 웹 검색 필요

✅ 질문 3: “3 + 3은?”

도구 호출 없음
이유: 단순 연산이므로 LLM 자체 응답 처리

5️⃣ LangGraph 내에서 도구 실행 노드 구성

📌 `ToolNode` 사용

LangGraph의 프리빌트 모듈에서 제공
역할: LLM이 생성한 tool_calls 요청을 병렬로 실행
과정
1. AI 메시지에서 도구 호출 정보 추출
2. 여러 개의 도구 요청이 있을 경우 병렬로 실행
3. 결과를 ToolMessage 형태로 에이전트 그래프에 반환

6️⃣ 실행 결과 확인

▶ 스테이크 메뉴 질문

AI 메시지에 도구 호출 포함됨
ToolNode에서 호출 처리
결과: 시그니처/안심 스테이크 등 메뉴 정보가 포맷 형태로 출력

▶ LangGraph 질문

웹 검색 도구 실행
결과: 관련된 문서 3개가 정리된 텍스트로 반환

🧩 정리 표

구성 요소	설명
`search_menu`	벡터 DB 기반 메뉴 검색 도구
`search_web`	Tavily API 기반 일반 웹 검색 도구
GPT-4 Omni Mini	LLM, 도구 자동 선택 및 응답
`ToolNode`	도구 호출 병렬 실행 처리 노드
AI 메시지	도구 호출 포함 결과 혹은 직접 응답

6. ✅ 프로젝트 04: LangGraph + React Memory 기반 에이전트 구현

(1). 초기 설정

프로젝트 파일(LangGraph React Memory) 임포트
가상환경 커널 선택
환경 변수 로딩
필수 라이브러리 불러오기

(2). 도구 정의 (Tools)

🧩 1) `Search Menu`: 메뉴 검색 도구

목적: 벡터 DB에서 레스토랑 메뉴 검색
과정:
- 벡터 저장소로부터 유사한 메뉴 2개 검색
- 검색 결과를 <태그> 구조 포맷으로 정리
결과: @tool 데코레이터로 Search Menu라는 도구 생성

🧩 2) `Search Web`: 웹 검색 도구

목적: 일반적/최신 정보 검색
과정:
- Tavily 검색 API 사용
- 최대 3개 문서를 검색
- 본문 + URL을 포함한 <태그> 포맷으로 정리
결과: Search Web 도구 생성

(3). LLM 설정 및 도구 바인딩

모델: GPT-4 Omni Mini
작업:
- bind_tools를 통해 두 도구를 LLM에 연결
- 에이전트가 상황에 따라 적절한 도구 선택 가능

(4). 도구 호출 테스트

사용자 질문	도구 선택	동작 설명
"스테이크 메뉴 가격은?"	Search Menu	메뉴 벡터 DB에서 검색 수행
"랭그래프는 무엇인가요?"	Search Web	일반 정보이므로 웹 검색 수행
"3 더하기 3은?"	없음	도구 사용 없이 직접 답변 (6 출력)

(5). LangGraph 내 ToolNode 사용

🧱 `ToolNode`: 도구 실행 전용 노드

용도: 그래프 구조 내에서 AI가 요청한 도구를 병렬로 실행
작동 방식:
- AI 메시지에서 tool_calls 추출
- 여러 도구 요청을 병렬(Parallel)로 처리
- 결과는 ToolMessage 형태로 반환

(6). ToolNode 실행 테스트

질문 내용	결과 요약
"스테이크 메뉴 가격은?"	Signature 스테이크 / 안심 스테이크 가격 정보 포맷 출력
"랭그래프는 무엇인가요?"	Tavily 웹 검색 결과 3개 문서가 포맷 형태로 출력

💡 핵심 요약

LLM은 사용자의 질문에 따라 적절한 도구(Search Menu 또는 Search Web)를 자동 판단
도구 호출은 LangGraph의 ToolNode를 통해 병렬로 실행되어 빠르고 유연하게 처리됨
단순 질문은 도구 호출 없이 LLM이 직접 답변

7. ✅ LangGraph + ReAct + Gradio 에이전트 구현 정리

이 구현은 LangGraph 그래프 + ReAct 메모리 에이전트를 Gradio UI를 통해 사용자와 상호작용 가능한 형태로 만들고, 대화 맥락 유지(메모리) 기능을 포함합니다.

(1). 📦 초기 설정

메모리 세이버 준비
LangGraph 컴파일 시, checkpoint에 메모리 설정 → 대화 상태 유지 가능
Gradio 인터페이스 구성
예제 질문 3가지 제공
→ 인터페이스 초기화 시 사용

(2). 🧠 메시지 처리 함수: `process_message`

사용자 입력 메시지와 Gradio의 history (튜플 형태)를 받아 처리
내부적으로 LangGraph 실행 시 스레드 ID(thread_id)를 설정하여 대화 지속성 유지
입력 메시지를 config에 담아 LangGraph에 전달
실행 결과에서 AI 메시지 중 최종 응답(콘텐츠)을 추출하여 반환

(3). 🧾 스레드 ID 고정 방식: `ChatBot` 클래스 정의

UUID로 고유한 thread_id를 클래스 초기화 시 생성
클래스 내부 메서드 chat(message, history)에서 thread_id와 함께 process_message 호출
이렇게 하면 각 인스턴스마다 고유한 대화 흐름이 유지됨

(4). 🧪 Gradio 연결

Gradio의 chat_interface()의 실행 함수로 ChatBot 클래스의 chat 메서드 전달
UI에서 메시지를 입력하면 process_message → LangGraph 실행 → AI 응답 반환

(5). 💬 동작 예시

질문 1: "채식주의자를 위한 메뉴를 추천해줘."

→ 메뉴 도구(search_menu) 호출
→ 가든 샐러드와 버섯 크림 수프 추천

질문 2: "이 중에서 가격이 더 저렴한 메뉴는?"

→ 이전 대화를 기억하고 비교
→ 버섯 크림 수프가 더 저렴하다고 응답 + 가격 비교 포함

→ ✅ LangGraph가 메모리를 활용해 이전 대화를 기억하고 있는 것 확인

🧩 핵심 정리

구성 요소	설명
LangGraph + ReAct	Reasoning + Acting 기반 도구 호출형 에이전트
메모리 기능	동일한 thread_id로 이전 대화 유지
Gradio 연동	실시간 채팅 인터페이스 구축
클래스 구조	여러 인스턴스의 독립된 대화 흐름 가능

Leejaegun

Lee_AA

이전 포스트

RAG 이용한 Agent [4] ReAct

rag

1. ✅ ReAct 에이전트 개념 정리

🔁 작동 방식 요약

💡 핵심 특징

2. ✅ 프로젝트 개요

1️⃣ 초기 셋업

2️⃣ 도구 정의 (Tools)

🔧 1. search_menu

🔧 2. search_web

3️⃣ LLM 설정 및 도구 바인딩

4️⃣ 도구 호출 예시 및 동작

✅ 예시 1: “스테이크 메뉴 가격?”

✅ 예시 2: “랭그래프는 무엇인가요?”

✅ 예시 3: “3 + 3은?”

5️⃣ LangGraph에서 도구 노드 사용

6️⃣ LangGraph 동작 확인

📌 요약

3. ✅ 프로젝트 04번: LangGraph + React Memory 에이전트 구성 흐름

(1). 환경 설정

(2). 도구 정의 (Tools Definition)

🔧 1) Search Menu 도구 (레스토랑 메뉴 검색)

🔧 2) Search Web 도구 (웹 일반 검색)

(3). LLM 설정 및 도구 바인딩

(4). 도구 호출 테스트 (Tool Call Test)

(5). LangGraph 내 ToolNode 사용

(6). ToolNode 테스트

4. ✅ LangGraph + ReAct Memory 프로젝트 정리

(1). ✅ 기본 구성

(2). 🛠️ 도구 정의 (Tools)

📌 [1] 메뉴 검색 도구: search_menu

📌 [2] 웹 검색 도구: search_web

(3). 🤖 LLM 설정

(4). 🧪 도구 호출 테스트

📍 예시 1: "스테이크 메뉴 가격이 어떻게 되나요?"

📍 예시 2: "LangGraph가 무엇인가요?"

📍 예시 3: "3 + 3은?"

(5). 🧩 ToolNode 활용 (LangGraph 전용 노드)

(6). 🔁 실제 실행 흐름 요약

📌 결론

5. ✅ 프로젝트 04번: LangGraph 리액트 메모리 정리

1️⃣ 환경 구성

2️⃣ 도구 정의 (Tools)

📌 1. search_menu

📌 2. search_web

3️⃣ LLM 모델 설정 및 바인딩

4️⃣ 도구 호출 시나리오 예시

✅ 질문 1: “스테이크 메뉴 가격?”

✅ 질문 2: “LangGraph는 무엇인가요?”

✅ 질문 3: “3 + 3은?”

5️⃣ LangGraph 내에서 도구 실행 노드 구성

📌 ToolNode 사용

6️⃣ 실행 결과 확인

▶ 스테이크 메뉴 질문

▶ LangGraph 질문

🧩 정리 표

6. ✅ 프로젝트 04: LangGraph + React Memory 기반 에이전트 구현

(1). 초기 설정

(2). 도구 정의 (Tools)

🧩 1) Search Menu: 메뉴 검색 도구

🧩 2) Search Web: 웹 검색 도구

(3). LLM 설정 및 도구 바인딩

(4). 도구 호출 테스트

(5). LangGraph 내 ToolNode 사용

🧱 ToolNode: 도구 실행 전용 노드

(6). ToolNode 실행 테스트

💡 핵심 요약

7. ✅ LangGraph + ReAct + Gradio 에이전트 구현 정리

(1). 📦 초기 설정

(2). 🧠 메시지 처리 함수: process_message

(3). 🧾 스레드 ID 고정 방식: ChatBot 클래스 정의

(4). 🧪 Gradio 연결

(5). 💬 동작 예시

질문 1: "채식주의자를 위한 메뉴를 추천해줘."

질문 2: "이 중에서 가격이 더 저렴한 메뉴는?"

🧩 핵심 정리

RAG 이용한 Agent [3] 랭그래프 (LangGraph) 기본기 다지기2

0개의 댓글

🔧 1. `search_menu`

🔧 2. `search_web`

🔧 1) `Search Menu` 도구 (레스토랑 메뉴 검색)

🔧 2) `Search Web` 도구 (웹 일반 검색)

📌 [1] 메뉴 검색 도구: `search_menu`

📌 [2] 웹 검색 도구: `search_web`

📌 1. `search_menu`

📌 2. `search_web`

📌 `ToolNode` 사용

🧩 1) `Search Menu`: 메뉴 검색 도구

🧩 2) `Search Web`: 웹 검색 도구

🧱 `ToolNode`: 도구 실행 전용 노드

(2). 🧠 메시지 처리 함수: `process_message`

(3). 🧾 스레드 ID 고정 방식: `ChatBot` 클래스 정의