LangChain Expression Language(LCEL) 이해하기 - 특강4

1. LCEL이란?

LangChain Expression Language(LCEL)는 LangChain에서 체인(Chain)을 쉽게 구성할 수 있도록 설계된 표현식 언어입니다. 이 언어를 활용하면 프롬프트, 모델, 출력 변환 등을 손쉽게 연결할 수 있습니다.

LCEL에서 가장 핵심적인 개념은 | (파이프 연산자)입니다. 이를 통해 여러 개의 컴포넌트를 연결하여 체인을 형성할 수 있습니다.

2. LCEL의 기본 개념

2.1 체인의 기본 구조

LCEL을 사용하면 다음과 같은 형태로 프롬프트, 모델, 출력 처리를 연결할 수 있습니다.

chain = prompt | model

위 코드는 다음과 같이 동작합니다.

1. prompt에서 프롬프트 템플릿을 생성합니다.
2. model에서 LLM을 호출합니다.
3. prompt의 출력이 model의 입력으로 전달됩니다.

2.2 체인의 실행

체인은 .invoke() 메서드를 사용하여 실행할 수 있습니다.

answer = chain.invoke({"input": "말티즈들의 고향은 어디야?"})
print(answer)

체인의 첫 번째 컴포넌트(prompt)에 입력을 전달하면, 실행된 결과가 마지막 컴포넌트의 출력으로 반환됩니다.

3. 체인에 컴포넌트 추가하기

LCEL에서는 체인에 여러 개의 컴포넌트를 추가하여 복잡한 처리를 할 수 있습니다.

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

# 모델 생성
model = ChatOpenAI(model="gpt-4o-mini")

# 프롬프트 템플릿 생성
prompt = ChatPromptTemplate.from_template("{dog_breeds_input}들의 고향은 어디야?")

# 체인 생성
chain = prompt | model | StrOutputParser()

# 실행
answer = chain.invoke({"dog_breeds_input": "말티즈"})
print(answer)

여기서 StrOutputParser()는 모델의 출력을 문자열로 변환하는 역할을 합니다.

4. Runnable 컴포넌트와 조건부 체인

4.1 Runnable 인터페이스란?

LCEL에서 | (파이프)로 연결될 수 있는 컴포넌트는 Runnable 인터페이스를 구현해야 합니다. 기본적으로 LangChain에서 제공하는 프롬프트 템플릿, 모델, 출력 변환기 등은 모두 Runnable 인터페이스를 구현하고 있습니다.

4.2 커스텀 함수 추가하기

체인 내에서 직접 변환 함수를 추가할 수도 있습니다.

def custom_formatter(response):
    return response.upper()

# 체인에 함수 추가
chain = prompt | model | custom_formatter

# 실행
answer = chain.invoke({"dog_breeds_input": "시츄"})
print(answer)

위 코드에서는 모델의 출력을 custom_formatter() 함수가 받아 대문자로 변환한 후 출력합니다.

5. RunnablePassthrough 활용하기

때때로 데이터 변환 없이 체인을 연결하고 싶을 때 RunnablePassthrough()를 사용할 수 있습니다.

from langchain.schema.runnable import RunnablePassthrough

passthrough = RunnablePassthrough()

chain = prompt | passthrough | model | StrOutputParser()

이렇게 하면 passthrough는 입력을 변환하지 않고 그대로 다음 컴포넌트로 전달합니다.

6. 체인의 실행 시간 측정하기

체인의 실행 시간을 측정하려면 RunnablePassthrough를 확장하여 새로운 클래스를 만들 수 있습니다.

import time
from langchain.schema.runnable import RunnablePassthrough

class TimingRunnablePassthrough(RunnablePassthrough):
    def invoke(self, input, *args):
        start_time = time.time()
        output = super().invoke(input)
        end_time = time.time()
        print(f"Processing time: {end_time - start_time:.6f} seconds")
        return output

# 실행 시간 측정
timed_passthrough = TimingRunnablePassthrough()

chain = prompt | timed_passthrough | model | StrOutputParser()

answer = chain.invoke({"dog_breeds_input": "말티즈"})
print(answer)

이렇게 하면 체인의 실행 시간을 자동으로 출력할 수 있습니다.

7. 마무리

LCEL을 활용하면 LangChain에서 체인을 간편하게 구성하고 실행할 수 있습니다. 이를 통해 복잡한 AI 애플리케이션도 보다 체계적으로 설계할 수 있습니다.

다음 글에서는 Runnable 컴포넌트와 체인 확장하기에 대해 알아보겠습니다