1 – LangChain 개요와 아키텍처

본 시리즈는 LLM(대규모 언어 모델) 기반 애플리케이션을 처음 설계‧개발하시는 파이썬 개발자분들을 위한 가이드입니다. 0.3.x 버전의 LangChain‧LangGraph 공식 문서를 기준으로 작성되었으며, 최신 변경 사항은 반드시 공식 문서와 CHANGELOG를 참고해 주시기 바랍니다.

---

1. 서론: 왜 LangChain인가?

LLM 시대 초기에는 단순한 “프롬프트 → LLM → 답변” 흐름으로도 데모를 만들 수 있었습니다. 그러나 실시간 데이터 검색, 외부 도구 호출, 다중 에이전트 협업, 세션 메모리 등 요구사항이 늘어나면서

• 일관된 추상화로 다양한 모델‧스토어를 연결하고,
• 고수준 인지 컴포넌트를 재사용하며,
• 운영 환경까지 고려한 내구성 있는 설계가 필요해졌습니다.

이 문제를 해결하기 위해 등장한 프레임워크가 LangChain입니다. LangChain의 목표는 두 가지로 요약됩니다.

1. LLM·벡터스토어·외부 API를 표준화된 인터페이스로 연결한다.
2. 체인·에이전트·메모리·워크플로우 등 인지적 기능을 제공해 빠른 프로토타이핑 → 안정적 운영을 지원한다.

---

2. LangChain 스택 한눈에 보기

레이어	주요 역할	핵심 키워드
langchain‑core	LLM‧임베딩‧벡터스토어에 대한 최소 추상화	Runnable, 경량 의존성
langchain	체인, 에이전트, 메모리 등 인지 로직	Chains · Agents · Memory
LangGraph	복잡한 상태 머신·멀티에이전트 워크플로우	Durable Execution, Checkpoint
LangServe / LangSmith	API 배포·관측(Observability)	FastAPI, Tracing, Evaluation

학습 TIP 본 편에서는 core*와 *langchain 두 레이어에 집중하고, LangGraph 및 배포 도구는 2편에서 자세히 다룹니다.

1. langchain‑core (핵심 추상화 레이어)

• 스키마 통일 : BaseMessage, Document 등 공통 객체를 사용해 모델 간 교체 비용을 최소화합니다.
• Runnable 인터페이스 : 모든 구성요소가 invoke()·batch()·stream()을 지원해 동기·비동기·스트리밍 호출 방식을 통일합니다.
• 경량 패키지 : 불필요 의존성이 없으므로 설치가 빠르고, M1·ARM 환경에서도 빌드 오류가 적습니다.

2. langchain (인지 로직 레이어)

• Chains : 순차·병렬·조건 분기를 조합해 하나의 “작업 단위”를 정의합니다. 최신 버전은 LCEL(LangChain Expression Language) 파이프라인을 권장합니다.
• Agents : LLM이 Tool을 선택·호출하며 Thought → Action → Observation 루프를 실행합니다.
• Memory : Buffer·Summary 메모리 등으로 사용자 세션을 유지합니다.
• Tools : @tool 데코레이터 하나로 파이썬 함수를 LLM 호출 가능 함수로 노출합니다.

---

3. 핵심 컴포넌트 요약

범주	대표 클래스	기능 요약	실무 팁
Prompt	PromptTemplate	변수 치환·Few‑shot 예시 관리	Git/HF Hub로 버전 관리
LLM	ChatOpenAI 등	공급사별 래퍼, 모두 Runnable	.bind(temperature=0) 선결합
Text Splitter	RecursiveCharacterTextSplitter	의미 단위 분할	chunk_size·overlap 튜닝
Retriever	VectorStoreRetriever	MMR·유사도 검색	FAQ 봇은 MMR 효과적
Memory	ConversationBufferMemory	대화 기록 또는 요약 저장	토큰 초과 시 Summary 교체
Tool	@tool	외부 API·계산기 래핑	dict 반환으로 구조화 출력
Agent	create_react_agent	ReAct·Function Calling 프리셋	max_iterations로 루프 제한
Runnable / LCEL	invoke, `	`	파이프라인 DSL	RunnableParallel 병렬 입력

---

4. Runnable & LCEL: 표준 실행 모델

1. Runnable 철학

모든 컴포넌트를 “입력 → 출력” 단일 연산으로 모델링하면 다음 이점이 있습니다.

1. 호환성 — 체인으로 자유롭게 결합 가능
2. 관측성 — LangSmith 트레이스로 기록, 디버깅 용이
3. 재사용성 — .with_config()로 공통 옵션 주입 후 재활용

2. LCEL 핵심 문법

• | : 순차 파이프
• RunnableParallel : 병렬 실행 후 결과 묶기
• .with_fallbacks() : 예외 발생 시 예비 체인 실행
• .bind() : 매개변수 사전 결합 (예: model.bind(temperature=0))

answer_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt_template
    | model.bind(max_tokens=512)
    | StrOutputParser()
)

디버깅 팁 .with_config(print_step=True) 옵션을 사용하면 각 단계 결과를 콘솔에 출력할 수 있습니다.

---

5. 실습 예제

1. 세 줄짜리 Q&A 체인

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

prompt = PromptTemplate("""당신은 친절한 AI입니다.\n질문: {question}""")
model  = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.0)
chain  = prompt | model | StrOutputParser()
print(chain.invoke({"question": "LangChain의 장점은?"}))

• 장점 : 빠른 MVP 가능
• 제한 : 검색·메모리·Tool 호출 부재 → 실제 서비스로는 부족

2. 구조화 출력 Q&A 체인

from langchain.output_parsers import JsonOutputParser
schema = {
  "answer": "string",
  "citations": {"type": "array", "items": {"type": "string"}}
}
parser  = JsonOutputParser(pydantic_schema=schema)
prompt2 = PromptTemplate("""문서 {context}를 참고해 JSON 형식으로 답하세요.\n{question}""")
qa_chain = {"context": retriever, "question": RunnablePassthrough()} | prompt2 | model | parser
result   = qa_chain.invoke({"question": "정리된 답변과 출처를 알려줘."})
print(result["answer"])

---

6. 개념 정리 · 학습 로드맵

1. 계층적 관점 — core → langchain → graph → serve 순으로 학습하면 혼동이 적습니다.
2. 표준 인터페이스 — Runnable을 이해하면 대부분의 컴포넌트를 다룰 수 있습니다.
3. Agent 확장 — Tool 사용 → Agent → Multi‑Agent(LangGraph)로 자연스럽게 확장합니다.
4. 관측 가능성 — LangSmith 트레이스로 실시간 모니터링·평가를 설정하세요.

---

7. 자주 묻는 질문(FAQ)

Q1. 체인과 에이전트는 어떻게 구분하나요?

• 체인 : 순서와 로직이 고정된 파이프라인. (예: 검색 → 요약 → 답변)
• 에이전트 : 어떤 Tool을 언제 호출할지 LLM이 결정합니다. 외부 세계와의 상호작용이 동적일 때 사용합니다.

Q2. LangChain 없이 직접 구현하면 이점이 있나요?
직접 구현도 가능하지만, 메모리 관리·트레이싱·멀티모델 라우팅 등 공통 기능을 모두 재개발해야 하므로 장기적인 유지보수 비용이 큽니다.

Q3. 상용 서비스에 사용 시 라이선스 제약이 있나요?
LangChain 자체는 MIT 라이선스입니다. 다만 연결되는 LLM·서드파티 API의 이용약관 및 요금제는 별도로 확인해야 합니다.

---