LLM 다룰 때 이런 고민 있었다면
LangGraph 시작해 보세요

LLM 다룰 때 혹시 이런 고민들 있으셨나요? ‘랭체인, 조금만 깊이 들어가면 에러가 너무 많이 나요.’ ‘RAG 커스터마이징에 제한사항이 많아요.’ ‘AI agent 만들 때 제일 좋은 도구가 뭘까요?’ 그렇다면 LangGraph는 어떨까요? 이 고민들을 해결하는 차원이 다른 라이브러리, LangGraph를 추천합니다.  

LangGraph 사용률을 확인한 결과, LangGraph의 도입 비율이 2024년 1월 7%에서 연말에 44%로 증가했다고 해요. 그리고, 확장성이 기존 프레임워크들에 비해 월등히 좋아서 시장을 선점했던 Crew AI, AutoGen을 제치고 빠르게 성장 중이라고 하는데요. 또한 주요 IT 대기업 프로덕션에도 실제 도입중이라고 해요.

*출처: LangChain State of AI 2024 Report, 구글 트렌드 검색어 순위 변화 (전세계, 24년 1월~25년 1월)

도대체 이 랭그래프가 뭐길래? LLM 개발 전문가와 함께 이야기를 나눠보았습니다.

[Q1] 안녕하세요. 자기소개 부탁드립니다. 

안녕하세요. LLM 개발자와 강사로 활동하고 있는 노토랩 대표 변형호입니다!

저는 2023년 서울대 컴퓨터공학부 박사를 졸업하고, 다양한 기업과 연구소를 대상으로 LLM과 AI에 대한 개발 자문과 교육을 진행하고 있습니다. 지금까지 다양한 플랫폼에서 1,500 명 이상의 오프라인 수강생을 대상으로 LLM과 LangChain 강의를 진행했는데요.

2025년의 LLM 키워드는 에이전트입니다. 이제 LLM은 단순 텍스트를 생성하는 것을 넘어서, 구조화된 출력을 통해 다양한 모듈과 호환되고, 툴(Tool)과 같은 외부 기능과 소통하여 복잡한 기능을 해결하는 방향으로 발전하고 있습니다. 이 때, LangGraph는 LLM 에이전트를 개발하기 위한 최적의 라이브러리입니다. LangChain이 단순히 LLM 어플리케이션의 Input/Output을 구현하는 과정이라면, LangGraph는 이를 조합하여 보다 복잡하고 고도화된 흐름의 에이전트 어플리케이션을 구현합니다.

에이전트 어플리케이션은 기존의 RAG(검색 증강 생성)의 효율도 혁신적으로 개선합니다. 기존의 일방적인 검색- 프롬프트 작성- LLM 생성의 흐름을 넘어서, 메모리/품질 평가와 같은 다양한 모듈을 연결할 수 있습니다.

[Q2] 그렇다면 학습 기술인 LangGraph의 특징, 랭그래프의 발전 가능성과 장점을 알려주실 수 있을까요?

LangGraph는 복잡한 워크플로우를 갖는 LLM 어플리케이션을 매우 쉽게 개발하게 해 주는 라이브러리입니다.

그래프와 상태 구조를 통해 LLM 어플리케이션의 구조를 설정하고, 메모리, 툴과 같은 랭체인 모듈과의 호환을 통해 에이전트를 효율적으로 구현할 수 있습니다.

완전히 새로운 기능을 구현하는 것은 아니지만, 다양한 흐름과 분기점을 그래프를 통해 구성하는 높은 수준의 Abstraction을 지원합니다.

단순한 언어 모델로서의 LLM이 아닌, 복잡한 작업을 판단하고 처리하는 컨트롤 타워로서의 에이전트는 LLM의 활용 폭을 혁신적으로 증대시킬 수 있습니다.

[Q3] 이번에는 LangGraph를 배우면서 많은 분들이 궁금해하는 점들에 대해서 여쭤볼게요. 

1. LangGraph 는 너무 어려워 보이는데, 꼭 배워야 하나요?

LangGraph의 가장 중요한 요소인 그래프와 상태의 구조는 조금 복잡한데요. 이번에 패스트캠퍼스에서 강의를 오픈하게 되었는데, 본 강의에서는 LangGraph의 핵심 개념들을 가장 간단한 단위부터 복잡한 구조체까지, 실습과 함께 차근차근 설명드립니다.

2. LangGraph를 언제 써야 하는지 잘 모르겠어요.

본 강의에서는 5개 이상의 다양한 현업 적용 프로젝트를 통해, LangGraph가 어떻게 효과적으로 쓰일 수 있는지에 대해 알아봅니다.

3. LLM 프로그래밍과 LangChain을 모르는데, LangGraph를 바로 배워도 되나요?

처음 입문하시는 분을 위한 LLM API와 LangChain, RAG에 대한 총체적인 복습 강의도 함께 준비했습니다! 

[Q4] 위에 랭채인에 대해서 언급 해 주셨는데, 랭채인을 활용할 때 문제점이 되었던 3가지와 랭그래프를 활용하면 해결할 수 있는 점에 대해서 말씀 해 주실 수 있을까요? 

1. LangChain만 사용하더라도, RAG와 Agent의 기본적인 기능들은 구현할 수 있습니다. 그러나, 이는 단순한 기능을 구현하기에는 문제가 없었지만, 다양한 분기점이나 모듈이 연결되는 경우 그 구현이 복잡해지는 문제가 있었는데요. LangGraph는 그래프 구조를 통해 이를 보다 최적화된 흐름으로 설계하고, 개발자가 원하는 흐름으로 LLM 어플리케이션의 작동 과정을 구현할 수 있습니다.

2. 특히, LangChain에도 에이전트가 구현되어 있었지만, 중간 개입이 어렵고 실행이 불안정하다는 아쉬운 점들이 많았습니다. LangGraph는 Human-in-the-Loop을 비롯하여, 복잡한 에이전트의 흐름과 중간 과정을 저장하고, 모니터링할 수 있습니다.

3. 또한, 대화 내역을 저장하는 메모리(Memory)에 있어서도, LangChain의 메모리 구현보다 LangGraph는 더욱 효율적이고 효과적인 구현을 지원합니다. 

[Q5] 그렇다면 위에서 말씀 주신 강의가 다른 강의에서 찾을 수 없는, 수강생들이 얻어갈 수 있는 점은 무엇이라고 생각하실까요? 

1. LangGraph 완벽 이해 : LangGraph의 원리와 활용, LangGraph가 쓰이는 대표적인 현업 활용 use case 6가지를 확인할 수 있습니다. 

2. LLM 관련 전문 강사 변형호가 친절하게 설명하는 LangGraph의 원리와 활용, 실습 프로젝트를 다룹니다.

3. LangGraph의 쓰임새인 RAG와 Agent를 다양한 예시로 정복 가능합니다.

[Q6] 마지막으로, 수강생분들이 이번 강의를 수강한다면 어느 정도의 성장을 기대하시나요?

1. LLM을 이용한 문제 해결 능력 함양

2. LangGraph의 핵심 개념(그래프, 상태 관리)에 대한 깊이 있는 이해

3. 6가지 실전 프로젝트를 통한 실무 구현 능력 확보

4. 다양한 분기점과 모듈이 연결되는 시스템의 효율적 설계 능력 학습

5. RAG, Agent 시스템의 고도화를 통한 현업 적용 방향 인사이트 

6. LLM 기술 트렌드 이해 및 적용 능력

랭그래프로 한번에 완성하는 복잡한 RAQ와 Agent 강의를 듣고 위와 같이 성장 하고 싶은 분들은 아래 링크를 확인 해 주세요.