LangChain

LangChain 란

LLM(Large Language Model)을 활용한 애플리케이션을 쉽게 개발할 수 있도록 도와주는 프레임워크

주요 특징

1. 모듈화된 구성 요소
2. 체인(Chains)
3. 에이전트(Agents)
4. 메모리(Memory)
5. 프롬프트 템플릿(Prompt Templates)
6. 다양한 LLM 지원
7. OpenAI (GPT)
8. Anthropic (Claude)
9. Hugging Face
10. 기타 오픈소스 모델
11. 확장 가능한 구조
12. 커스텀 컴포넌트 개발
13. 다양한 도구와의 통합
14. 유연한 파이프라인 구성

예시

기본적인 체인 사용

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

llm = OpenAI(temperature=0.7)

prompt = PromptTemplate(
    input_variables=["product"],
    template="다음 제품에 대한 마케팅 문구를 작성해주세요: {product}"
)

chain = LLMChain(llm=llm, prompt=prompt)

result = chain.run("스마트워치")
print(result)

메모리를 활용한 대화

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()

conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

conversation.predict(input="안녕하세요!")
conversation.predict(input="오늘 날씨가 어때요?")

에이전트 사용

from langchain.agents import load_tools, initialize_agent, AgentType

tools = load_tools(["serpapi", "llm-math"], llm=llm)

agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

agent.run("서울의 현재 인구는 얼마인가요? 그리고 그 숫자의 제곱근은 얼마인가요?")

프롬프트 템플릿 활용

from langchain.prompts import PromptTemplate
from langchain.chains import SimpleSequentialChain

first_prompt = PromptTemplate(
    input_variables=["topic"],
    template="다음 주제에 대한 5가지 키워드를 나열해주세요: {topic}"
)

second_prompt = PromptTemplate(
    input_variables=["keywords"],
    template="다음 키워드들을 사용하여 짧은 글을 작성해주세요: {keywords}"
)

first_chain = LLMChain(llm=llm, prompt=first_prompt)
second_chain = LLMChain(llm=llm, prompt=second_prompt)

overall_chain = SimpleSequentialChain(
    chains=[first_chain, second_chain],
    verbose=True
)

result = overall_chain.run("인공지능")

문서 처리

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma

loader = TextLoader('data.txt')
documents = loader.load()

text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

embeddings = OpenAIEmbeddings()

db = Chroma.from_documents(texts, embeddings)

query = "인공지능의 미래"
docs = db.similarity_search(query)

고급 LangChain 기술

• Parser
• LCEL
• RAG