🧭 LangGraph 완전 정복 ③ — 상태 관리와 피드백: Reducer & MessageGraph

“한 번의 대화가 아니라, 지속적인 맥락을 가진 흐름으로.”
LangGraph를 ‘상태 기반 에이전트’로 발전시키는 핵심 단계.

---

🧩 1. 왜 상태(State)가 중요한가?

LLM을 단순 호출기로만 쓰면, “질문 → 답변 → 끝”에서 멈춥니다.
하지만 LangGraph는 상태를 전이시키며 LLM의 대화를 이어가게 만듭니다.

예를 들어,

• 이전 답변을 기억하고
• 새로운 입력과 통합하며
• 상황에 따라 재평가하는 흐름이 가능하죠.

이 모든 걸 관리하는 것이 바로 Reducer와 MessageGraph입니다.

---

⚙️ 2. Reducer란 무엇인가?

Reducer는 “상태를 누적 관리하는 함수”입니다.
여러 노드의 결과를 하나의 상태로 합치거나 갱신할 때 사용됩니다.

📘 참고: 이름은 React의 useReducer 패턴과 유사합니다.

예를 들어, 대화 기록을 누적하려면 다음과 같이 합니다.

from langgraph.graph import StateGraph

class ChatState:
    history: list[str]
    user_input: str
    bot_reply: str

def reducer(prev: ChatState, new: ChatState):
    prev.history.append(f"User: {new.user_input}")
    prev.history.append(f"Bot: {new.bot_reply}")
    return prev

이 Reducer를 그래프에 등록하면,
각 노드 실행 후 상태가 누적 저장됩니다.

---

🧠 3. MessageGraph – 메시지 기반 상태 흐름

LangGraph의 MessageGraph는
LLM과 사용자 메시지를 “상태 객체”로 관리합니다.

기존 LangChain의 ConversationBufferMemory와 유사하지만,
LangGraph에서는 “그래프 단위”로 상태를 제어할 수 있습니다.

---

🎯 예시: 간단한 대화 그래프

from langgraph.graph import MessageGraph
from langchain_openai import ChatOpenAI

# 메시지 기반 그래프 생성
graph = MessageGraph()
llm = ChatOpenAI(model="gpt-4o-mini")

# 노드: 대화 처리
def chat_node(messages):
    response = llm.invoke(messages)
    messages.append({"role": "assistant", "content": response.content})
    return messages

# 그래프 구성
graph.add_node("chat", chat_node)
graph.set_entry_point("chat")

# 실행 (여러 번 대화 시 상태가 누적됨)
app = graph.compile()
state = []
state = app.invoke(state + [{"role": "user", "content": "LangGraph란 뭐야?"}])
state = app.invoke(state + [{"role": "user", "content": "ReAct 패턴이랑 달라?"}])

for msg in state:
    print(f"{msg['role']}: {msg['content']}")

📤 출력 예시:

user: LangGraph란 뭐야?
assistant: LangGraph는 LangChain 위에서 워크플로우를 그래프로 표현하는 프레임워크입니다.
user: ReAct 패턴이랑 달라?
assistant: ReAct는 사고-행동-관찰 루프 패턴이고, LangGraph는 이를 구조적으로 구현할 수 있습니다.

🧠 이 상태(messages)는 다음 LLM 호출에서도 그대로 이어집니다.
즉, 그래프 차원의 Memory가 생긴 것이에요.

---

🔁 4. 피드백 루프(Feedback Loop) 설계

LangGraph에서는 노드 간 엣지를 순환시켜
자체 평가(Self-Evaluation) 또는 자동 수정(Revision) 흐름을 만들 수 있습니다.

from langgraph.graph import StateGraph

class EvalState:
    question: str
    answer: str
    feedback: str
    retry: int = 0

def generate(state: EvalState):
    state.answer = f"{state.question}의 답변입니다."
    return state

def evaluate(state: EvalState):
    if "답변" not in state.answer:
        state.feedback = "불충분한 답변"
        state.retry += 1
        return "retry"
    return "finish"

graph = StateGraph(EvalState)
graph.add_node("generate", generate)
graph.add_node("evaluate", evaluate)

graph.add_edge("generate", "evaluate")
graph.add_conditional_edges("evaluate", lambda s: "generate" if s.retry < 2 else "finish")

graph.set_entry_point("generate")
graph.set_finish_point("evaluate")

app = graph.compile()
app.invoke({"question": "LangGraph란?"})

이렇게 하면 LLM의 답변 품질이 부족하면 자동으로 다시 생성합니다.
즉, “자가 평가 + 수정 루프”가 만들어진 거죠.

---

🧱 5. 상태 관리의 패턴들

LangGraph에서 상태 관리는 다음 세 가지 패턴으로 발전합니다.

패턴	설명	예시
단순 상태(StateGraph)	각 노드 실행 결과를 바로 연결	“입력 → 답변 → 종료”
Reducer 누적형	상태를 계속 병합	“대화 기록 누적”
Feedback 루프형	평가 → 재실행 구조	“자가 수정 에이전트”

이 세 가지를 조합하면 “기억하고, 판단하며, 수정하는” LLM을 만들 수 있습니다.

---

🧩 6. 시각화 (Mermaid)

이 구조가 ReAct 에이전트 설계의 전초 단계가 됩니다.
다음 회차에서 실제 “Think → Act → Observe” 구조로 발전시킵니다.

---

🧭 7. 다음 회차 예고

👉 4편: LangGraph와 Tool의 연결 — LLM이 도구를 직접 호출하는 그래프

다음 편에서는 LLM이 외부 API(예: 날씨, 뉴스, DB 쿼리 등)를 직접 호출할 수 있게 만드는 ToolNode + Runnable 구조를 다룹니다.

---

🎓 8. 더 깊이 배우기 위한 고급 확장 학습 가이드

주제	학습 이유	추천 학습 방향
Functional Programming	Reducer와 상태 누적 원리 이해	reduce, map, lambda 패턴 연습
Event-Driven Architecture	Feedback 루프를 시스템적으로 확장	이벤트 기반 상태 관리 모델
LangGraph Memory Internals	LangGraph의 메시지/메모리 내부 구조 이해	MessageGraph 내부 상태 추적 코드 분석
LLM 평가 루프 설계(Self-RAG)	LLM이 스스로 답변 평가 및 수정	평가-재생성-검증 패턴 구현
LangGraph Callback & Logging	상태 변화 추적 및 로깅	graph.callbacks, state diff 로깅
Reinforcement-style Feedback	점수 기반 학습형 루프 설계	보상 스코어, 루프 제어 함수 작성

---

📚 핵심 요약

• LangGraph는 상태 중심 설계를 통해 대화를 지속시킨다.
• Reducer는 상태를 병합하고, MessageGraph는 대화 맥락을 보존한다.
• Feedback 루프를 통해 자가 평가형 그래프가 된다.

💬 즉, “질문-응답 그래프”에서 “학습형 에이전트 그래프”로 진화한 것이다.