LangChain으로 AI 에이전트 만드는 법 — 자율 행동 AI 구축 가이드

AI 에이전트가 뭔가요?

ChatGPT에게 질문하면 답변을 해주지만, 직접 인터넷을 검색하거나 파일을 수정하지는 못하죠. AI 에이전트는 이 한계를 넘어, LLM이 스스로 도구를 사용하고, 판단하고, 행동하는 자율적인 AI 시스템이에요. 그리고 이런 에이전트를 가장 쉽게 만들 수 있는 도구가 바로 LangChain입니다.

이 튜토리얼에서는 LangChain을 사용해 실제로 작동하는 AI 에이전트를 만드는 방법을 처음부터 끝까지 실습해볼게요.

Step 1 — 개발 환경 설정

필수 패키지 설치

터미널을 열고 필요한 패키지를 설치해요. pip install langchain langchain-openai langchain-community langgraph 명령어로 핵심 라이브러리를 설치합니다. 추가로 python-dotenv를 설치하면 API 키를 안전하게 관리할 수 있어요.

API 키 설정

.env 파일을 만들고 OPENAI_API_KEY를 저장해요. 코드에서는 dotenv 라이브러리로 이 값을 불러와 사용합니다. API 키가 코드에 직접 노출되지 않도록 하는 것이 보안의 기본이에요.

Step 2 — 간단한 에이전트 만들기

도구(Tool) 정의

에이전트가 사용할 도구(Tool)를 먼저 정의해야 해요. LangChain에서는 @tool 데코레이터를 사용해 파이썬 함수를 도구로 변환할 수 있습니다. 예를 들어, 계산기 도구, 날씨 조회 도구, 웹 검색 도구 등을 만들 수 있어요.

도구 함수에는 docstring으로 명확한 설명을 작성해야 해요. LLM이 이 설명을 읽고 어떤 상황에서 어떤 도구를 사용할지 판단하기 때문에, 설명이 정확할수록 에이전트의 성능이 좋아집니다.

에이전트 초기화

ChatOpenAI 모델을 초기화하고, 정의한 도구들과 함께 create_react_agent() 함수로 에이전트를 생성해요. ReAct(Reasoning and Acting) 패턴은 LLM이 생각(추론)하고, 행동(도구 사용)하고, 관찰(결과 확인)하는 사이클을 반복하는 방식이에요.

Step 3 — LangGraph로 고급 에이전트 구축

상태 그래프 설계

더 복잡한 에이전트는 LangGraph를 사용해요. LangGraph는 에이전트의 행동을 그래프 형태로 설계할 수 있게 해주는 라이브러리예요. 노드는 각 단계의 행동을, 엣지는 다음 단계로의 전환 조건을 나타냅니다.

StateGraph 클래스를 사용해 상태 그래프를 만들고, add_node()로 행동을 추가하고, add_edge()로 연결합니다. 조건부 분기가 필요하면 add_conditional_edges()를 사용해요.

멀티 에이전트 시스템

LangGraph의 진가는 여러 에이전트가 협력하는 시스템을 만들 때 발휘돼요. 예를 들어, 연구자 에이전트가 정보를 수집하고, 분석가 에이전트가 데이터를 분석하며, 작성자 에이전트가 보고서를 작성하는 파이프라인을 구축할 수 있습니다.

Step 4 — 실전 예제 로봇 제어 에이전트

로봇 API를 도구로 등록

로봇의 기능을 LangChain 도구로 등록하면, 자연어 명령으로 로봇을 제어하는 에이전트를 만들 수 있어요. 예를 들어, move_forward, turn_left, grab_object 같은 로봇 API를 도구로 정의합니다.

자연어 명령 처리

사용자가 "앞에 있는 빨간 물체를 집어서 테이블 위에 올려놔"라고 말하면, 에이전트가 이를 분석합니다. 먼저 객체 인식 도구로 빨간 물체를 찾고, 이동 도구로 접근한 뒤, 그립 도구로 물체를 잡고, 다시 이동 도구로 테이블까지 가서 물체를 놓는 일련의 과정을 자율적으로 수행해요.

Step 5 — 메모리와 영속성 추가

대화 메모리

에이전트가 이전 대화를 기억하게 하려면 메모리를 추가해야 해요. LangChain의 ConversationBufferMemory를 사용하면 대화 기록을 자동으로 관리할 수 있습니다.

체크포인트 저장

LangGraph에서는 SqliteSaver 같은 체크포인터를 사용해 에이전트의 상태를 저장할 수 있어요. 이렇게 하면 에이전트가 중단되었다가 다시 시작해도 이전 상태부터 이어서 작업할 수 있습니다.

Step 6 — 디버깅과 최적화

에이전트 개발에서 가장 어려운 부분이 디버깅이에요. LangSmith를 사용하면 에이전트의 각 단계를 시각적으로 추적할 수 있어요. 어떤 도구를 선택했는지, LLM이 어떤 추론을 했는지를 상세히 볼 수 있습니다.

성능 최적화를 위해서는 프롬프트를 지속적으로 개선하는 것이 중요해요. 도구 설명을 더 구체적으로 작성하고, 시스템 프롬프트에 에이전트의 행동 지침을 명확히 명시하면 정확도가 크게 향상됩니다.

마무리하며

LangChain으로 AI 에이전트를 만드는 것은 생성형 AI 시대의 가장 핫한 개발 스킬이에요. 이 가이드에서 배운 기본기를 바탕으로, 여러분만의 독창적인 AI 에이전트를 만들어보세요. 로봇 제어부터 업무 자동화까지, 가능성은 무한합니다!