LangChain 에이전트 (Agent) 개념과 활용

1. 에이전트(Agent)란?

LangChain에서 에이전트(Agent) 는 사용자의 요청을 해석하고, 필요한 도구(Tool)를 선택하여 실행한 후, 최적의 응답을 생성하는 AI 시스템을 의미합니다. 단순한 프롬프트 기반 모델과 달리, 에이전트는 주어진 문제를 해결하기 위해 필요한 액션을 스스로 결정할 수 있습니다.

에이전트의 특징

• 사용자의 입력을 해석하고 문제 해결을 위한 액션을 결정
• 주어진 도구(Tool)를 사용하여 정보 검색, 계산 등 복잡한 작업 수행
• 필요할 경우, 여러 단계를 거쳐 최적의 결과 도출 (예: 검색 후 데이터 분석)

2. LangChain 에이전트의 동작 원리

LangChain 에이전트는 다음과 같은 단계를 거쳐 동작합니다:

1. 사용자 입력을 분석 → 사용자가 원하는 정보를 파악
2. 필요한 도구 선택 → 검색, 계산, API 호출 등 적절한 도구를 실행
3. 도구 실행 및 결과 획득 → 예: 검색 결과를 가져오거나 수학 연산 수행
4. 결과 정리 및 응답 반환 → 최종 응답을 구성하여 사용자에게 전달

이제 이러한 기능을 실제 코드로 구현해보겠습니다.

3. LangChain 에이전트 기본 구현

LangChain에서는 다양한 에이전트 유형을 제공하지만, 가장 기본적인 AgentType.ZERO_SHOT_REACT_DESCRIPTION를 사용하여 에이전트를 생성할 수 있습니다.

기본적인 에이전트 예제

from langchain.agents import initialize_agent, AgentType
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI

# LLM 모델 로드
llm = ChatOpenAI(model_name="gpt-4o-mini")

# 사용할 도구(Tool) 정의
search_tool = TavilySearchResults(max_results=1)

tools = [search_tool]

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

# 에이전트 실행
response = agent.invoke("2023년 오스카 수상자는 누구야?")
print(response)

설명:

• initialize_agent()를 사용하여 LLM과 도구를 결합하여 에이전트 생성
• TavilySearchResults를 통해 인터넷 검색 기능 추가
• 사용자의 질문에 따라 필요한 정보를 검색하고 결과를 제공

4. 도구(Tool)를 활용한 에이전트 구성

에이전트는 다양한 도구(Tool)를 사용하여 더욱 강력한 기능을 수행할 수 있습니다.

LangChain에서 지원하는 주요 도구

도구 이름	설명
SerpAPIWrapper	Google 검색 API를 통한 정보 검색
TavilySearchResults	Tavily 검색 API를 통한 정보 검색
LLMMathChain	수학 계산 수행
PythonREPLTool	Python 코드를 실행하여 결과 반환
WikipediaAPIWrapper	위키백과에서 정보 검색

도구를 활용한 에이전트 예제

아래 코드는 검색 기능과 수학 연산 기능을 모두 포함한 에이전트를 구현하는 예제입니다.

from langchain.agents import initialize_agent, AgentType
from langchain_community.tools import TavilySearchResults, LLMMathChain
from langchain_openai import ChatOpenAI

# LLM 모델
llm = ChatOpenAI(model_name="gpt-4o-mini")

# 검색 도구 및 수학 계산 도구 추가
tools = [
    TavilySearchResults(max_results=1),
    LLMMathChain(llm=llm)
]

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

# 에이전트 실행
response = agent.invoke("100의 제곱근을 구하고, 2023년 오스카 수상자도 알려줘.")
print(response)

설명:

• 검색과 수학 연산을 동시에 수행하는 에이전트를 생성
• TavilySearchResults를 통해 인터넷 검색 수행
• LLMMathChain을 사용하여 수학 연산 수행

5. Agent의 실행 방식: ReAct 원리

LangChain 에이전트는 Google Brain 연구팀이 발표한 ReAct (Reasoning + Acting) 방식을 사용하여 실행됩니다.

ReAct 실행 방식

1. LLM이 질문을 분석하고 필요한 액션을 결정
2. 필요한 도구를 실행하여 데이터를 가져옴
3. 획득한 데이터를 바탕으로 최종 응답을 생성

ReAct 방식 예제 (추론 + 액션)

사용자 입력: "100의 제곱근을 구하고, 2023년 오스카 수상자도 알려줘."

1. [추론] 수학 연산이 필요함 → LLMMathChain 실행
2. [액션] 100의 제곱근을 계산 → 결과: 10
3. [추론] 최신 정보를 검색해야 함 → TavilySearchResults 실행
4. [액션] 검색 API를 통해 2023 오스카 수상자 정보 획득
5. [응답] "100의 제곱근은 10이고, 2023년 오스카 수상자는 X입니다."

이 방식은 단순한 LLM 응답 방식보다 훨씬 정교한 답변을 생성할 수 있도록 해줍니다.

6. 마무리 및 요약

개념	설명
Agent	사용자의 요청을 분석하고 도구를 활용하여 답변을 생성하는 AI 시스템
Tools	검색, 계산, API 호출 등 에이전트가 실행할 수 있는 기능
ReAct 원리	LLM이 문제를 분석하고, 필요한 도구를 실행하여 최적의 답변을 생성하는 방식

LangChain 에이전트 활용 시 기대 효과

• 단순한 텍스트 응답을 넘어 다양한 기능을 수행하는 AI 구축 가능
• 검색, 계산, API 호출 등 실용적인 기능을 결합하여 더욱 강력한 챗봇 개발 가능
• 사용자 입력에 따라 최적의 해결 방법을 찾아주는 AI 시스템 구축 가능