[LLM] LangGraph

관련 선행 포스트
https://blog.naver.com/sssang97/224080593051
https://blog.naver.com/sssang97/223884516216

langgraph는 langchain이 확장된 형태의 에이전트 개발용 프레임워크다.
구조화된 에이전트간 상호작용을 잘 지원하기 때문에, 멀티에이전트 기반의 복잡한 요구사항이 필요한 경우라면 langchain보다는 langgraph를 선택하는 것이 권장된다.

여기서는 기본적인 사용 구조만 간단하게 다뤄본다.

종속성 구성 (with Gemini)

uv를 쓰고, gemini를 쓴다고 가정한다.

기본적으로 필요한 종속성은 이 정도다.

[project]
name = "langchain-test"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.12"
dependencies = [
    "langchain>=1.0.0",
    "langchain-google-genai>=1.0.0",
    "python-dotenv>=1.0.0",
    "langgraph>=0.1.0",
]

langgraph를 쓴다고 해서 langchain을 쓰지 않게 되는 것은 아니다.
포함 형태로 확장된 것이라서 둘 다 써야 한다.

그리고 당연히 gemini용 llm driver도 필요하다.

기본 사용법

자, 그럼 langgraph를 가져다가 멀티에이전트를 구성해보자.
어떤 에이전트를 호출할지 선택하는 intro 에이전트, 그리고 실질적인 동작을 수행하는 help, smalltalk 에이전트 2가지를 구성해보겠다.

일단 상태에 대한 정의가 필요하다.

이건 에이전트 간 상태, 대화 공유 등에 사용될 것이다. 이게 핵심 구성 요소 중 하나다.

그리고 먼저 intro 에이전트의 프롬프트를 구성했다.

이 에이전트는 대화를 분석해서 어떤 에이전트에게 처리를 위임할지를 결정하는 간단한 에이전트다.
그래서 해당 대화를 "분류"한 다음에, 어떤 에이전트로 보낼지를 결정한다.

나머지 2개 에이전트는 intro가 던진 상태값을 토대로 최종 동작을 수행하는 에이전트다.

구현 자체는 매우 단순하다.

그리고 저 3가지 에이전트를 가져다가 그래프 구조를 정의해야 한다.

각 에이전트를 "노드"로 등록하고, 어디에서 어떤 노드로 이동할 수 있는지를 그래프 구조로 선언한다.
이렇게 정의된 흐름을 따라서 에이전트가 실행되는 것이다.

여기서 route_to_agent는 상태값의 intent 값을 토대로 어떤 노드를 보낼지를 골라준다.

그리고 이 그래프를 토대로 "컴파일"을 실행하면, 최종적으로 호출할 수 있는 에이전트 flow가 완성된다.

실제로 실행할 때는 컴파일된 app으로 invoke를 호출하면 된다. 그리고 최초 state를 주입해줘야 한다.

자, 그러면 실행해보자.

사소한 수다를 던지면 smalltalk 에이전트로 라우팅해주고

좀 제대로 된 질문을 던지면 help agent로 넘겨서 답해준다.
근데 지식 수준이 구리긴 하더라. 저건 다 유명한 브랜드지, 가성비 나쁘고 비싼 브랜드다.

전체 코드는 github을 참조하길 바란다.
https://github.com/myyrakle/oddments/tree/master/Python_Example/agent/langgraph_basic

이런 것들 외에도 보조적인 기능들이 많다.
Tools, MCP 등 에이전트 개발에 필요한 것들은 웬만해서는 다 있다.

더 상세한 내용들은 별도 문서를 참조하길 바란다.
https://langchain-ai.github.io/langgraph/guides/

참조
https://wikidocs.net/261577
https://langchain-ai.github.io/langgraph/concepts/why-langgraph/
https://github.com/langchain-ai/langgraph