[250212] LangChain이 뭔데~

LangChain이란? ⛓️

1. LangChain 정의

LangChain은 대형 언어 모델(LLM, Large Language Model)의 활용을 쉽게 만들어주는 프레임워크로,

OpenAI GPT, Hugging Face의 Transformers, Cohere 등의 다양한 LLM을 연결하여 애플리케이션을 구축할 수 있도록 도와준다.

특히, 프롬프트 엔지니어링, 체이닝(Chaining), 메모리 관리, 데이터 검색(Augmented Generation) 등을 포함한 다양한 기능을

제공한다.

---

2. LangChain의 주요 개념

1) LLMs (Large Language Models)

LangChain은 다양한 LLM을 지원하며, 이를 기반으로 자연어 처리(NLP) 애플리케이션을 개발할 수 있다.

from langchain.llms import OpenAI
llm = OpenAI(model_name="text-davinci-003", openai_api_key="your-api-key")
response = llm("Hello, how are you?")
print(response)

 

2) 프롬프트 템플릿 (Prompt Templates)

프롬프트를 동적으로 생성하여 LLM에 입력할 수 있도록 한다.

from langchain.prompts import PromptTemplate

template = PromptTemplate(input_variables=["product"], template= "Tell me about {product}.")
print(template.format(product="iPhone"))

 

3) 체인 (Chains)

여러 개의 프롬프트와 LLM 호출을 연결하여 더 복잡한 애플리케이션을 만들 수 있다.

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=template)
print(chain.run("iPhone"))

파이프 연산자 (`|`)를 이용한 체인 결합

LangChain에서는 `|` 연산자를 활용하여 여러 체인을 연결할 수도 있다.

from langchain.chains import SimpleSequentialChain

chain1 = LLMChain(llm=llm, prompt=PromptTemplate(input_variables=["text"], template="Summarize: {text}"))
chain2 = LLMChain(llm=llm, prompt=PromptTemplate(input_variables=["summary"], template="Explain: {summary}"))

final_chain = chain1 | chain2
result = final_chain.invoke({"text": "LangChain is an amazing framework for LLMs."})
print(result)

위 코드에서는 첫 번째 체인이 텍스트를 요약하고, 두 번째 체인이 해당 요약을 설명하는 방식으로 체인이 연결된다.

 

4) 메모리 (Memory)

LangChain은 대화형 애플리케이션을 만들 때, 이전 대화 기록을 저장하고 활용할 수 있도록 메모리 기능을 제공한다.

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
memory.save_context({"input": "Hello"}, {"output": "Hi there!"})
print(memory.load_memory_variables({}))

 

5) 에이전트 (Agents)

LangChain의 에이전트는 다양한 도구(tool)와 상호작용할 수 있으며, 동적으로 작업을 수행하는 기능을 제공한다.

from langchain.agents import AgentType, initialize_agent
from langchain.tools import Tool

# 예제 도구 생성
def fake_search(query):
    return f"Search result for {query}"

tool = Tool(name="Search Tool", func=fake_search, description="A fake search tool")

# 에이전트 초기화
agent = initialize_agent([tool], llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
response = agent.run("What is LangChain?")
print(response)

 

6) 데이터 검색 (Retrieval-Augmented Generation, RAG)

LangChain은 외부 문서에서 정보를 검색하여 LLM의 응답을 향상시키는 기능을 제공한다.

from langchain.document_loaders import TextLoader
from langchain.indexes import VectorstoreIndexCreator

loader = TextLoader("data.txt")
index = VectorstoreIndexCreator().from_loaders([loader])
response = index.query("What is LangChain?")
print(response)

---

3. LangChain의 활용 사례

1. 챗봇(Chatbots) 구축
2. 자동화된 문서 처리
3. AI 기반 검색 시스템
4. 데이터 분석 및 보고서 생성
5. 코드 생성 및 번역

---

4. LangChain의 장점

• 다양한 LLM 및 도구와의 유연한 연동
• 체인 및 메모리 기능을 활용한 복잡한 워크플로우 구성 가능
• 검색 기반 응답 생성(RAG)으로 정보 검색 능력 강화
• 빠른 프로토타이핑 및 배포 지원

---

랭체인 정리:
1️⃣ LangChain은 LLM을 쉽게 활용할 수 있는 프레임워크이다~
2️⃣ 프롬프트, 체인, 메모리, 에이전트 등의 기능을 제공한다~
3️⃣ 다양한 활용 사례와 강력한 확장성을 제공한다~
4️⃣ AI 애플리케이션 개발을 더 빠르고 효율적으로 할 수 있도록 지원한다~