AI-Master-Book
  • about AI-Master-Book
  • AI Master Book
    • 이상치 탐지 with Python
    • 베이지안 뉴럴네트워크 (BNN) with Python
    • 그래프 뉴럴네트워크 (GNN) with Python
    • 데이터 마케팅 분석 with Python
  • LLM MASTER BOOK
    • OpenAI API 쿡북 with Python
    • 기초부터 심화까지 RAG 쿡북 with Python
    • MCP 에이전트 쿡북 with Python
  • LLMs
    • OpenAI API
      • 1️⃣ChatCompletion
      • 2️⃣DALL-E
      • 3️⃣Text to Speech
      • 4️⃣Video to Transcripts
      • 5️⃣Assistants API
      • 6️⃣Prompt Engineering
      • 7️⃣OpenAI New GPT-4o
    • LangChain
      • LangChain Basic
        • 1️⃣Basic Modules
        • 2️⃣Model I/O
        • 3️⃣Prompts
        • 4️⃣Chains
        • 5️⃣Agents
        • 6️⃣Tools
        • 7️⃣Memory
      • LangChain Intermediate
        • 1️⃣OpenAI LLM
        • 2️⃣Prompt Template
        • 3️⃣Retrieval
        • 4️⃣RAG ChatBot
        • 5️⃣RAG with Gemini
        • 6️⃣New Huggingface-LangChain
        • 7️⃣Huggingface Hub
        • 8️⃣SQL Agent & Chain
        • 9️⃣Expression Language(LCEL)
        • 🔟Llama3-8B with LangChain
      • LangChain Advanced
        • 1️⃣LLM Evaluation
        • 2️⃣RAG Evaluation with RAGAS
        • 3️⃣LangChain with RAGAS
        • 4️⃣RAG Paradigms
        • 5️⃣LangChain: Advance Techniques
        • 6️⃣LangChain with NeMo-Guardrails
        • 7️⃣LangChain vs. LlamaIndex
        • 8️⃣LangChain LCEL vs. LangGraph
    • LlamaIndex
      • LlamaIndex Basic
        • 1️⃣Introduction
        • 2️⃣Customization
        • 3️⃣Data Connectors
        • 4️⃣Documents & Nodes
        • 5️⃣Naive RAG
        • 6️⃣Advanced RAG
        • 7️⃣Llama3-8B with LlamaIndex
        • 8️⃣LlmaPack
      • LlamaIndex Intermediate
        • 1️⃣QueryEngine
        • 2️⃣Agent
        • 3️⃣Evaluation
        • 4️⃣Evaluation-Driven Development
        • 5️⃣Fine-tuning
        • 6️⃣Prompt Compression with LLMLingua
      • LlamaIndex Advanced
        • 1️⃣Agentic RAG: Router Engine
        • 2️⃣Agentic RAG: Tool Calling
        • 3️⃣Building Agent Reasoning Loop
        • 4️⃣Building Multi-document Agent
    • Hugging Face
      • Huggingface Basic
        • 1️⃣Datasets
        • 2️⃣Tokenizer
        • 3️⃣Sentence Embeddings
        • 4️⃣Transformers
        • 5️⃣Sentence Transformers
        • 6️⃣Evaluate
        • 7️⃣Diffusers
      • Huggingface Tasks
        • NLP
          • 1️⃣Sentiment Analysis
          • 2️⃣Zero-shot Classification
          • 3️⃣Aspect-Based Sentiment Analysis
          • 4️⃣Feature Extraction
          • 5️⃣Intent Classification
          • 6️⃣Topic Modeling: BERTopic
          • 7️⃣NER: Token Classification
          • 8️⃣Summarization
          • 9️⃣Translation
          • 🔟Text Generation
        • Audio & Tabular
          • 1️⃣Text-to-Speech: TTS
          • 2️⃣Speech Recognition: Whisper
          • 3️⃣Audio Classification
          • 4️⃣Tabular Qustaion & Answering
        • Vision & Multimodal
          • 1️⃣Image-to-Text
          • 2️⃣Text to Image
          • 3️⃣Image to Image
          • 4️⃣Text or Image-to-Video
          • 5️⃣Depth Estimation
          • 6️⃣Image Classification
          • 7️⃣Object Detection
          • 8️⃣Segmentatio
      • Huggingface Optimization
        • 1️⃣Accelerator
        • 2️⃣Bitsandbytes
        • 3️⃣Flash Attention
        • 4️⃣Quantization
        • 5️⃣Safetensors
        • 6️⃣Optimum-ONNX
        • 7️⃣Optimum-NVIDIA
        • 8️⃣Optimum-Intel
      • Huggingface Fine-tuning
        • 1️⃣Transformer Fine-tuning
        • 2️⃣PEFT Fine-tuning
        • 3️⃣PEFT: Fine-tuning with QLoRA
        • 4️⃣PEFT: Fine-tuning Phi-2 with QLoRA
        • 5️⃣Axoltl Fine-tuning with QLoRA
        • 6️⃣TRL: RLHF Alignment Fine-tuning
        • 7️⃣TRL: DPO Fine-tuning with Phi-3-4k-instruct
        • 8️⃣TRL: ORPO Fine-tuning with Llama3-8B
        • 9️⃣Convert GGUF gemma-2b with llama.cpp
        • 🔟Apple Silicon Fine-tuning Gemma-2B with MLX
        • 🔢LLM Mergekit
    • Agentic LLM
      • Agentic LLM
        • 1️⃣Basic Agentic LLM
        • 2️⃣Multi-agent with CrewAI
        • 3️⃣LangGraph: Multi-agent Basic
        • 4️⃣LangGraph: Agentic RAG with LangChain
        • 5️⃣LangGraph: Agentic RAG with Llama3-8B by Groq
      • Autonomous Agent
        • 1️⃣LLM Autonomous Agent?
        • 2️⃣AutoGPT: Worldcup Winner Search with LangChain
        • 3️⃣BabyAGI: Weather Report with LangChain
        • 4️⃣AutoGen: Writing Blog Post with LangChain
        • 5️⃣LangChain: Autonomous-agent Debates with Tools
        • 6️⃣CAMEL Role-playing Autonomous Cooperative Agents
        • 7️⃣LangChain: Two-player Harry Potter D&D based CAMEL
        • 8️⃣LangChain: Multi-agent Bid for K-Pop Debate
        • 9️⃣LangChain: Multi-agent Authoritarian Speaker Selection
        • 🔟LangChain: Multi-Agent Simulated Environment with PettingZoo
    • Multimodal
      • 1️⃣PaliGemma: Open Vision LLM
      • 2️⃣FLUX.1: Generative Image
    • Building LLM
      • 1️⃣DSPy
      • 2️⃣DSPy RAG
      • 3️⃣DSPy with LangChain
      • 4️⃣Mamba
      • 5️⃣Mamba RAG with LangChain
      • 7️⃣PostgreSQL VectorDB with pgvorco.rs
Powered by GitBook
On this page
  • LangChain LCEL
  • LangGraph
  • LCEL과 LangGraph 차이점
  • LCEL vs LangGraph: PDF 문서 RAG 비교
  • Setup Environments
  • Dataset
  • Loader, Embedding, Retrieval
  • 1. LangChain LCEL
  • 2. LangGraph
  • Conclusion
  1. LLMs
  2. LangChain
  3. LangChain Advanced

LangChain LCEL vs. LangGraph

LangChain LCEL

LanngChain에서 제공하는 LangChain Expression Language(LCEL)은 기본적으로 복잡한 Chain을 쉽게 구성하고 관리하기 위한 도구입니다. 즉, LangChain 구성 요소의 체인을 구축할 수 있도록 하는 형식입니다.

  1. LangChain의 주기능인 Expression Chain을 개발하기 위한 목적

  2. Streaming(스트리밍), Async(비동기), Parallel execution(병렬 실행) 등과 같은 고급 기능을 제공

  3. LangSmith 및 LangServe와의 손쉬운 통합 활용

LangGraph

LangGraph는 LangChain을 사용하여 사용자 정의 Agents를 쉽게 구축하고 단순한 체인 이상의 것을 구축하기 위한 라이브러리 입니다. LangGraph는 제품에서 다이어그램 화할 수 있다면 엔지니어링에서도 정확하게 만들 수 있다는 아이디어를 기반으로 간단한 Graph로의 접근 방식을 사용합니다.

에이전트 워크플로를 순환 그래프 구조로 취급하며, 각 노드는 함수 또는 Langchain 실행 가능한 객체를 나타내고 에지는 노드 간의 연결입니다.

LangGraph의 주요 기능은 다음과 같습니다.

  • Nodes: 도구와 같은 모든 함수 또는 Langchain 실행 가능한 객체(Runnable Object).

  • Edge: 노드 사이의 방향을 정의합니다.

  • Stateful Graph: 그래프의 기본 유형입니다. 노드를 통해 데이터를 처리할 때 상태 객체를 관리하고 업데이트하도록 설계되었습니다.

LCEL과 LangGraph 차이점

여러 에이전트 간의 조정을 통해 Multi-agent 시스템을 만드는 것이 목표라면 LangGraph를 사용하는 것이 좋습니다. 그러나 작업을 완료하기 위해 DAGs 또는 Chain을 생성하려는 경우에는 LangChain LCEL 사용이 가장 적합합니다.

LCEL vs LangGraph: PDF 문서 RAG 비교

  1. LangChain LCEL

  2. LangGraph

Setup Environments

from langchain.schema import Document
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.document_loaders import PyPDFLoader

from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Chroma

from langchain_core.runnables import RunnablePassthrough 
from langchain_core.output_parsers import StrOutputParser 
from langchain_core.prompts import ChatPromptTemplate
import os
from dotenv import load_dotenv  

!echo "<OPENAI_API_KEY=<Your OpenAPI Key>" >> .env # OpenAPI Key 기재
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")

Dataset

!mkdir dataset
!wget https://www.dasomks.org/jml/attachments/article/1230/20_Jung_Keup_Listening_Script.pdf -O dataset/koreanchat.pdf
mkdir: cannot create directory ‘dataset’: File exists
--2024-06-07 13:46:40--  https://www.dasomks.org/jml/attachments/article/1230/20_Jung_Keup_Listening_Script.pdf
Resolving www.dasomks.org (www.dasomks.org)... 50.87.235.106
Connecting to www.dasomks.org (www.dasomks.org)|50.87.235.106|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 221677 (216K) [application/pdf]
Saving to: ‘dataset/koreanchat.pdf’

dataset/koreanchat. 100%[===================>] 216.48K   452KB/s    in 0.5s    

2024-06-07 13:46:41 (452 KB/s) - ‘dataset/koreanchat.pdf’ saved [221677/221677]

Loader, Embedding, Retrieval

# pdf document 불러오기
document = PyPDFLoader('dataset/koreanchat.pdf')
document = loader.load()
#document[0].page_content[:100]

# Text spliter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
docs = text_splitter.split_documents(document)

# embedding
embeddings = OpenAIEmbeddings()

# ChromaDB Reriever
vectors = Chroma.from_documents(docs, embeddings)
retriever = vectors.as_retriever()

1. LangChain LCEL

template ="""Answer the question in korean based only on the following context:｛context｝
Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = ChatOpenAI()
retrieval_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    |prompt 
    |model 
    |StrOutputParser()
)
retrieval_chain.invoke(input="시험 문제는 몇 문제가 있어?")
'context에 따라 시험 문제의 수는 다를 수 있습니다.'

2. LangGraph

from typing import TypedDict 
from langchain_core.messages import BaseMessage 

chain_with_prompt = prompt | model | StrOutputParser()
class AgentState(TypedDict):
    question: str
    raw_docs: list[BaseMessage]
    formatted_docs: list[str]
    generation: str
def get_docs(state: AgentState):
    print ("get_docs:", state)
    question = state[ "question"]
    docs = retriever.invoke(question)
    state["raw_docs"] = docs
    return state

def format_docs(state: AgentState):
    print ("format_docs:", state)
    documents = state["raw_docs"]
    state["'formatted _docs"] = "In\n".join(doc.page_content for doc in documents)
    return state

def generate (state:AgentState):
    print("generate:", state)
    question = state["question"]
    formatted_docs = state["formatted_docs"]
    result = chain_with_prompt.invoke({"question": question, "context": formatted_docs})
    state["generation"] =result
    return state
from langgraph.graph import StateGraph, END

workflow = StateGraph(AgentState)
workflow.add_node("get_docs", get_docs) 
workflow.add_node("format_docs", format_docs) 
workflow.add_node("generate", generate)

workflow.add_edge("get_docs", "format_docs")
workflow.add_edge("format_docs", "generate")
workflow.add_edge("generate", END)
workflow.set_entry_point("get_docs")

app = workflow.compile()
from IPython.display import Image, display
try:
    display(Image(app.get_graph(xray=True).draw_mermaid_png()))
except:
    pass
result = app.invoke({"question": "시험 문제는 몇 문제가 있어?"})
get_docs: {'question': '시험 문제는 몇 문제가 있어?', 'raw_docs': None, 'formatted_docs': None, 'generation': None}
format_docs: {'question': '시험 문제는 몇 문제가 있어?', 'raw_docs': [Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'}), Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'}), Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'}), Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'})], 'formatted_docs': None, 'generation': None}
generate: {'question': '시험 문제는 몇 문제가 있어?', 'raw_docs': [Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'}), Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'}), Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'}), Document(page_content='제 20 회 한국어능력시험\n 6 17. (4 점 )\n남자 : 신문을  보니까 명절이  다 가오 는데도 시 장에 손님이  별로 없대 요. \n경제가 어렵다 고  하니까 다 들 돈을  아끼나 봐요.\n여 자 : 당연하죠. 워낙 어렵다 고 들 하니까요. 저도 장을  보러 가면 살까 말 까  \n몇  번 을  망설이 게 되더라고 요. \n남자 : 과 소비도 문제지만 무 조건 절약하는 것도 좋은  것만은  아니에요. \n적당한  소비가 이 루어져야 생산이  늘 것이 고  그 래야 경제도 좋아\n지지 않겠어요?\n※ [ 1 8 ～ 2 0 ] 다 음  대 화 를  듣 고  여 자 가  할  행 동 으 로  알 맞 은  것 을  고 르 십 시 오 .\n( 각  3 점 )\n18 . 남자 : 수 미야,  학교 홍보 모델 뽑는다 는 공고  봤어?  조건을  보니까 딱 네가  \n하면 좋을  것 같더라. \n여자 : 홍보 모델 ? 해 보고  싶기는 한 데 내 가 할 수  있 을 까?\n남 자 : 학 과 사무 실 앞에 공고 가 붙어 있 으니까 가서 한 번 확인 해 봐. 지원서를  \n작성해서 내 면 되는 것 같던데…….\n여자 : 알 았어. 그 렇게 할게.\n1 9 . 남 자 :  어 서  오십시오.  무엇을 도 와  드 릴 까 요 ?\n여자 : 회원 카드를 하나 만들고  싶은 데 여기서 신청해야 된다 고  해서요.\n남자 :  아,  회원 카드요? 우선 번호표를 뽑으시 고 ,  앉아서 기다 리세요. 여자 :  신청서 같은  건 안 써도 돼요?\n남자 :  그 건 이 따가 상담 창구에 가셔서 쓰시 면 돼요.', metadata={'page': 5, 'source': 'dataset/koreanchat.pdf'})], 'formatted_docs': None, 'generation': None}
result["generation"]
'Context: 시험 문제는 총 30문제가 있습니다.\n\nAnswer: 시험 문제는 30문제가 있어요.'

Conclusion

  1. 생성 응답을 보면 LangGraph가 더 정확합니다. 이는 Nodes, Edges, States에 의한 유연성으로 더 많은 출력으로 State에서 연결해주면 됩니다.

  2. LCEL은 응답의 정확도를 위하여 몇 차례의 디버깅이 요구됩니다.

  3. 결론적으로 모듈화된 LangGraph의 Nodes 자체가 Agent나 함수로 사용 가능합니다.

  4. Chain을 구성하고자 하면 LCEL을 Agent를 함수로 사용하여 연결하고 하면 LangGraph가 유용합니다.

  5. 단, LCEL의 Chain이 속도가 더 빠르며, LangGraph의 Agent는 상대적으로 속도가 느립니다.

PreviousLangChain vs. LlamaIndexNextLlamaIndex

Last updated 1 year ago

8️⃣