LangChain 1.0 Tutorial - 1.Chain

인트로

해당 포스트는 wikidocs의 LangChain 입문부터 응용까지라는 자료를 독학하면서 정리한 노트입니다.

LangChain 1.0

기존 chain 중심에서 agent 중심의 프레임워크로 재설계됨.

1. 프레임워크 구성요소 (패키지)

   • langchain : 메인패키지. 에이전트생성, 모델초기화, 도구정의
   • langchain-core : 메시지, 프롬프트, Runnable 등 기본 추상화와 인터페이스 제공
   • Provider패키지 : 각 LLM 제공자의 통합 (langchain-openai, langchain-anthropic, langchain-google-genai 등)
   • langgraph : 에이전트의 실행 런타임 제공. create_agent 로 생성된 에이전트가 LangGraph 위에서 동작. 오케스트레이션 프레임 워크.
   • langsmith : 에이전트의 실행을 추적, 디버깅, 평가하는 플랫폼

2. 예시

from langchain.agent import create_agent
from langchain.chat_models import init_chat_model
from langchain.tools import tool

# 도구: 검색
@tool
def search_web(query: str) -> str:
    return f"'{query}'에 대한 검색결과입니다."

# 도구: 계산
@tool
def calculate(expression: str) -> str:
    return str(eval(expression))

# 에이전트 생성 - 위 두개의 도구를 사용
agent = create_agent(
    model = init_chat_model("gpt-4o-mini")
    tools=[search_web, calculate],
    system_prompt = "역할정의: 너는 웹 검색과 계산을 도와주는 AI Agent 야."
)

# 에이전트 실행
result = agent.invoke({
    "messages": [{"role": "user", "content": "2025년 한국 GDP는 얼마야?"}]
})

3. 달라진점
   • LangGraph 내장됨.
   • 모델 초기화가 개별 호출이 아닌, init_chat_model() 로 통합
   • 진입점이 create_agent 로 됨.

Chain

1. Chain?

flowchart LR
    A["입력 변수"] --> B["프롬프트 템플릿"]
    B --> C["LLM 응답"]
    C --> D["출력 Parser"]
    D --> E["결과 반환"]

2. 구성요소

   • LLM 모델 인스턴스 생성

   (방식1)

   from langchain.chat_models import init_chat_model
   llm = init_chat_model("gpt-4o-mini")
   llm.invoke("질문")

   (방식2)

   from langchain_openai import ChatOpenAI
   llm = ChatOpenAI(model = "gpt-4o-mini")
   llm.invoke("질문")

   • prompt

   #튜플 (role, template) 을 주로 쓴다. role 은 "system" | "human" | "ai" | "placeholder"
   prompt = ChatPromptTemplate.from_messages([
       ("system", "You are an expert in astronomy, and you explain things in 3 sentences."),
       ("user", "{question}")
   ])

3. 예시

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

load_dotenv()

# Input
topic = input("What topic do you want to learn about?")

# Prompt template
prompt = ChatPromptTemplate.from_template(
    "Explain this {topic} simply."
)

# LLM
llm = init_chat_model("gpt-4o-mini")

# Chain(LCEL)
chain = prompt | llm | StrOutputParser()

# Result
response = chain.invoke({"topic": topic})
print(response)

• 물론 그냥 prompt 없이, chain 형성 없이 모델만으로 실행하려면, llm.invoke("인풋") 해서 답을 받을 수도 있다.

Multi-Chain

1. Multi-Chain? LCEL을 사용해서, 다수의 체인을 연결하거나 병렬 실행해서 복잡한 워크플로우 구성하는 패턴

   • 순차연결 : 파이프 (|), 앞의 결과물은 다음체인의 input으로 활용

   chain = A | B | C

   • 병렬처리 : RunnableParallel

   chain = RunnableParallel(a=A, b=B)

   • 조건부 분기 *ex. 언어별 다른 프롬프트 쓸 때.

   chain = RunnableBrance(...)

   • 체인간 데이터 전달

2. 순차연결 (예시)

from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = init_chat_model("gpt-4o-mini")

# 1단계: 한국어를 영어로 번역
translate_prompt = ChatPromptTemplate.from_template(
    "다음 한국어를 영어로 번역하세요: {korean_word}"
)

# 2단계: 영어 단어 설명
explain_prompt = ChatPromptTemplate.from_template(
    "다음 영어 단어를 한국어로 자세히 설명하세요: {english_word}"
)

# 체인 1: 번역
chain1 = translate_prompt | llm | StrOutputParser()

# 체인 2: 번역 결과를 입력으로 사용
chain2 = (
    {"english_word": chain1}
    | explain_prompt
    | llm
    | StrOutputParser()
)

# 실행
result = chain2.invoke({"korean_word": "인공지능"})
print(result)

(다단계 순차 체인) TBD

Runnable

1. 체인 실행방법 - Runnable 프로토콜

   • LangChain 의 Runnable 프로토콜은 사용자가 체인을 생성/관리/파이프라인 구성하기 위한 인터페이스를 제공한다.
   • 종류
     • invoke: 주어진 입력에 대한 체인 호출, 결과 반환. 단일 입력에 동기적 작동
     • batch: 리스트 입력 -> 결과 리스트 반환. 여러 입력에 대해 동기적 작동.
     • stream: 입력에 대해 체인 호출하고, 결과를 스트림. 실시간 데이터 처리에 유용.
     • 비동기 버전: ainvoke abatch astream 등의 메소드로 비동기 실행 지원.

2. Custom Chain 생성과정

   1. 컴포넌트(프롬프트, llm, 파서 등) 정의하고, 각각 Runnable 인터페이스를 구현
   2. 컴포넌트를 조합해 체인 생성
   3. 체인을 실행

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 0.환경변수 로드
load_dotenv()

# 1.컴포넌트 초기화
prompt = ChatPromptTemplate.from_template("You are the expert of Azure. Explain simply about the {topic} in 3 sentences.")
llm = init_chat_model("gpt-4o-mini")
output_parser = StrOutputParser()

# 2. 체인 구성
chain = prompt | llm | output_parser

# 3-1. 체인실행 - invoke()
print(chain.invoke({"topic": "Container Apps"}))

# 3-2. 체인실행 - batch()
topics = ["App Service", "Azure Functions", "Azure Kubernetes Service"]
results = chain.batch([{"topic": topic} for topic in topics])
for topic, result in zip(topics, results):
    print(f"Topic: {topic}\nExplanation: {result}\n")

# 3-3. 체인실행 - stream()
stream = chain.stream({"topic", "Azure Cosmos DB"})
for token in stream:
    print(token, end="", flush=True)