LangChain에서 Chains와 Workflow 활용하기 - part.5
LangChain에서 다양한 Chains를 활용하여 AI 워크플로우를 최적화하는 방법을 소개합니다.
1. Chains란?
LangChain에서 Chains(체인)은 여러 개의 LLM 호출 및 작업을 순차적으로 연결하여 복잡한 워크플로우를 구성하는 기능입니다. 단순한 질문-응답 방식이 아니라 여러 개의 작업을 조합하여 보다 복잡한 AI 애플리케이션을 만들 수 있도록 돕습니다.
주요 개념
| Chain 유형 | 설명 |
|---|---|
| SimpleSequentialChain | 여러 단계를 순차적으로 실행하는 간단한 체인 |
| LLMChain | 특정 프롬프트와 LLM을 결합하여 실행하는 체인 |
| RouterChain | 입력을 기반으로 적절한 체인을 선택하여 실행하는 체인 |
| Custom Chain | 사용자가 직접 정의한 맞춤형 체인 |
체인을 활용하면 LLM을 단순히 한 번 호출하는 것이 아니라, 여러 단계를 거쳐 결과를 생성하는 복잡한 처리를 수행할 수 있습니다.
2. SimpleSequentialChain 활용
SimpleSequentialChain은 여러 개의 작업을 순차적으로 수행하도록 설정할 수 있습니다. 이전 단계의 출력을 다음 단계의 입력으로 사용하여 일련의 작업을 자동화할 수 있습니다.
2.1 기본적인 SimpleSequentialChain 예제
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from langchain.chains import SimpleSequentialChain, LLMChain
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
llm = ChatOpenAI(model_name="gpt-4o-mini")
prompt1 = PromptTemplate.from_template("{text}을 요약해줘.")
prompt2 = PromptTemplate.from_template("요약된 내용을 한 문장으로 정리해줘.")
chain = SimpleSequentialChain(
chains=[LLMChain(llm=llm, prompt=prompt1), LLMChain(llm=llm, prompt=prompt2)],
verbose=True
)
response = chain.invoke("LangChain의 Chains 개념을 설명해줘.")
print(response)
출력 예시:
1
Chains는 여러 개의 LLM 호출을 연결하여 복잡한 작업을 자동화하는 기능이다.
이 방식은 여러 개의 단계를 거쳐 텍스트를 가공해야 할 때 유용합니다.
3. LLMChain을 활용한 맞춤형 프롬프트 워크플로우
LLMChain은 특정 프롬프트와 LLM을 결합하여 일관된 텍스트 생성 워크플로우를 제공합니다.
3.1 LLMChain 기본 사용법
1
2
3
4
5
6
7
8
9
from langchain.chains import LLMChain
from langchain_core.prompts import PromptTemplate
prompt = PromptTemplate.from_template("{topic}에 대한 자세한 설명을 제공해줘.")
chain = LLMChain(llm=llm, prompt=prompt)
response = chain.invoke({"topic": "LangChain에서 Chains 활용법"})
print(response)
이 방식은 특정 주제에 대한 답변을 생성할 때 활용할 수 있습니다.
4. RouterChain을 활용한 입력 기반 체인 선택
RouterChain을 사용하면 사용자의 입력 유형에 따라 서로 다른 체인을 실행할 수 있습니다. 예를 들어, “요약”과 “번역”을 구분하여 다른 체인을 실행하도록 설정할 수 있습니다.
4.1 RouterChain 기본 사용법
1
2
3
4
5
6
7
8
9
10
11
from langchain.chains import RouterChain
router = RouterChain(
chains={
"요약": LLMChain(llm=llm, prompt=PromptTemplate.from_template("{text}을 요약해줘.")),
"번역": LLMChain(llm=llm, prompt=PromptTemplate.from_template("{text}을 영어로 번역해줘."))
}
)
response = router.invoke({"text": "LangChain이란?", "type": "요약"})
print(response)
출력:
1
LangChain은 LLM을 활용한 AI 애플리케이션 구축 프레임워크이다.
이렇게 하면 입력된 요청 유형에 따라 적절한 체인이 실행되도록 설정할 수 있습니다.
5. Custom Chain을 활용한 맞춤형 AI 워크플로우 구축
LangChain에서는 RunnableLambda를 활용하여 맞춤형 체인을 쉽게 정의할 수 있습니다. 이를 통해 원하는 형태의 데이터 변환, 가공, 분석을 수행할 수 있습니다.
5.1 RunnableLambda를 활용한 Custom Chain 생성
1
2
3
4
5
from langchain_core.runnables import RunnableLambda
custom_chain = RunnableLambda(lambda x: x.upper())
response = custom_chain.invoke("langchain을 활용한 AI 개발")
print(response) # "LANGCHAIN을 활용한 AI 개발"
이 방식은 단순한 변환 작업뿐만 아니라, LLM과 조합하여 더욱 복잡한 워크플로우를 만들 수도 있습니다.
5.2 Custom Chain과 LLM 연동하기
아래 예제에서는 Custom Chain을 활용하여 먼저 문장을 요약한 후, 요약된 내용을 대문자로 변환하는 체인을 구성합니다.
1
2
3
4
5
6
7
summary_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template("{text}을 요약해줘."))
uppercase_chain = RunnableLambda(lambda x: x.upper())
custom_workflow = SimpleSequentialChain(chains=[summary_chain, uppercase_chain], verbose=True)
response = custom_workflow.invoke("LangChain은 LLM을 활용한 AI 개발 프레임워크입니다.")
print(response)
출력 예시:
1
LANGCHAIN은 AI 개발을 위한 프레임워크이다.
이처럼 여러 개의 체인을 조합하여 복잡한 데이터 변환 및 처리를 자동화할 수 있습니다.
6. 결론
LangChain의 Chains 기능을 활용하면 단순한 LLM 호출을 넘어 복잡한 워크플로우를 자동화할 수 있습니다.
- SimpleSequentialChain: 여러 단계를 순차적으로 실행하는 체인.
- LLMChain: 특정 프롬프트 기반으로 동작하는 체인.
- RouterChain: 입력 유형에 따라 적절한 체인을 선택하는 기능.
- Custom Chain: 사용자가 직접 정의한 맞춤형 체인.