langgraph

1. 싱글 에이전트의 한계싱글 에이전트(Single Agent) 는 하나의 LLM이 모든 의사결정과 업무 실행을 담당하는 방식으로, 구조가 단순하고 구현과 디버깅이 쉽다는 장점이 있습니다.하지만 복잡한 실무 문제에서는 한계가 드러납니다.역할 분리가 안 됨: 계획·실행·검증을 모두 하나가 처리하다 보면 집중력이 분산되고 hallucination이 발생할 가능성이 높아집니다.병렬 처리 불가: 독립적으로 처리할 수 있는 작업도 순차적으로 처리해야 합니다.복잡한 워크플로우 구현의 어려움: 다단계 검토나 피드백 루프를 하나의 에이전트로 구현하면 컨텍스트가 지나치게 복잡해집니다.2. 멀티 에이전트멀티 에이전트(Multi-Agent) 는 여러 개의 LLM 기반 에이전트가 각자 맡은 역할을 수행하며 협력해 문제를 해결..

1. SQLiteSQLite는 서버가 필요 없는 자립형(self-contained) 경량 관계형 데이터베이스입니다.별도의 서버나 설정 없이 단일 파일 하나로 데이터베이스를 만들고 바로 사용할 수 있어,모바일 앱·임베디드 시스템·로컬 테스트 환경에 널리 쓰입니다.ANSI-SQL 표준을 준수하며, 테이블·뷰·인덱스·트리거 등을 지원MySQL·PostgreSQL 같은 대형 DBMS에 비해 운영 오버헤드가 거의 없음파일 하나만 복사하면 데이터베이스 전체를 이동할 수 있어 이식성이 뛰어남2. 빠르게 시작하기 – create_react_agent로 SQL 에이전트 만들기2.1 Chinook DB 연결실습에는 음악 스트리밍 서비스의 샘플 데이터베이스인 Chinook DB를 사용합니다.import requestsurl..

1. 벡터 데이터베이스란?벡터 데이터베이스(Vector Database) 는 텍스트·이미지·음성 등의 데이터를수치 벡터(임베딩) 로 변환해 저장하고, 두 벡터 사이의 유사도 기반 검색을효율적으로 수행할 수 있도록 설계된 데이터베이스입니다.일반적인 관계형 데이터베이스가 정확한 값 기준으로 검색(SQL)하는 것과 달리,벡터 데이터베이스는 의미적 유사도(semantic similarity) 기준으로 검색합니다.예를 들어 "바나나"를 검색하면 "노란 열대 과일"처럼 의미가 가까운 데이터도 찾아낼 수 있습니다.유사도 계산에는 내적(dot product), 코사인 유사도, 유클리디안 거리 등의 방법을 사용하며,검색된 결과는 LLM과 결합해 RAG(Retrieval-Augmented Generation) 에 폭넓게 ..

1. LangGraph로 Tool Calling 그래프 완성하기앞서 bind_tools()로 LLM에 도구를 연결하는 방법을 살펴봤습니다.이번에는 이것을 LangGraph 그래프로 연결해 실제로 동작하는 챗봇을 만들어 봅니다.전체 구조는 다음과 같습니다.START → chatbot ──(tool_calls 있음)──→ tools → chatbot └─(tool_calls 없음)──→ END1.1 State와 chatbot 노드 정의from typing import Annotatedfrom typing_extensions import TypedDictfrom langgraph.graph import StateGraph, START, ENDfrom langgraph.graph.me..

1. Tool Calling Agent란?Tool Calling Agent는 자신의 내부 지식만을 활용하는 것이 아니라,외부 도구(API, 데이터베이스, 코드 실행기 등)를 호출해 문제를 해결하는 에이전트입니다.작동 방식을 단계로 보면:입력된 질문을 분석하고, 필요한 도구를 자동으로 선택한다.선택한 도구를 직접 호출한다.반환된 결과를 다시 받아 최종 답변을 생성한다.단순한 대화만 하는 AI가 아니라,날씨 조회, 검색 엔진, 계산기, DB 조회 같은 실제 작업을 수행할 수 있는 것이Tool Calling Agent의 핵심입니다.2. 웹 검색을 하는 챗봇2.1 TavilyTavily는 AI 에이전트가 실시간으로 웹을 검색해최신·정확한 정보를 답변에 활용할 수 있도록 설계된 AI 전용 검색 API 플랫폼입니다..