LangGraph를 활용한 AI Agent 개발

• 강의 목차 중 코드 작성을 하지 않는 회차는 포함되지 않았습니다

목차

2. LangGraph 기초

• 2.1 LangChain vs LangGraph (feat. LangGraph 개념 설명)
• 2.2 간단한 Retrieval 에이전트 (feat. PDF 전처리 꿀팁)
• 2.3 공식문서 따라하며 실패하는 Agentic RAG
• 2.4 생성된 답변을 여러번 검증하는 Self-RAG
• 2.5 웹 검색을 지원하는 Corrective RAG
• 2.6 SubGraph: LangGraph Agent를 Node로 활용하는 방법
• 2.7 병렬 처리를 통한 효율 개선 (feat. 프롬프트 엔지니어링)
• 2.8 Multi-Agent 시스템과 RouteLLM

3. 도구(Tool) 활용과 고급 기능

• 3.1 Workflow vs "찐" Agent (코드 없는 이론설명)
• 3.2 LangChain에서 도구(tool) 활용 방법
• 3.3 LangGraph에서 도구(tool) 활용 방법
• 3.4 LangGraph 내장 도구(tool)를 활용해서 만드는 Agent
• 3.5 Agent의 히스토리를 관리하는 방법
• 3.6 human-in-the-loop: 사람이 Agent와 소통하는 방법
• 3.7 "찐" Multi-Agent System (feat. create_react_agent)

5. Model Context Protocol(MCP)

• 5.2 커스텀 MCP 서버 개발방법.py
• 5.3.1 공식문서의 MCP Client 활용방법 I (feat. MultiServerMCPClient).ipynb
• 5.3.2 공식문서의 MCP Client 활용방법 II (feat. ClientSession).ipynb
• 5.4 공식문서에 없는 MCP Client 활용방법.ipynb

시작하기

1. 저장소 클론:

git clone https://github.com/jasonkang14/inflearn-langgraph-agent

2. 필요한 패키지 설치:

pip install -r requirements.txt

3. 노트북 실행 옵션:

• CURSOR:

  cursor run (강의에서는 cursor .)

• VSCode:

  code .

• Jupyter Notebook:

  jupyter notebook

요구사항

• Python 3.11+
• 기타 필요한 패키지는 각 노트북 파일에 명시되어 있습니다

라이선스

MIT 라이선스로 배포됩니다.

Streamlit 통합 예제

이 저장소에는 LangGraph와 Streamlit을 통합하는 두 가지 예제가 포함되어 있습니다:

1. chat.py

이 예제는 LangGraph의 invoke() 메서드를 사용하여 Streamlit과 통합하는 방법을 보여줍니다.

주요 특징:

• graph.invoke()를 사용하여 한 번에 전체 응답을 생성
• 간단한 구현으로, 스트리밍 없이 전체 응답을 한 번에 표시
• 메시지 히스토리를 세션 상태로 관리
• 에러 처리 및 로딩 상태 표시 포함

2. chat_stream.py

이 예제는 LangGraph의 스트리밍 기능을 활용하여 Streamlit과 통합하는 방법을 보여줍니다.

주요 특징:

• StreamlitCallbackHandler를 사용하여 실시간 스트리밍 구현
• 토큰 단위로 응답을 생성하고 표시
• 중간 단계와 토큰 생성 과정을 실시간으로 시각화
• Streamlit의 컨텍스트 관리를 위한 고급 설정 포함

두 예제 모두 동일한 기능을 제공하지만, chat_stream.py는 더 풍부한 사용자 경험을 제공하며 응답 생성 과정을 실시간으로 확인할 수 있습니다. 이 예제들은 추후 촬영해서 업데이트할 예정입니다.