유연한 함수 호출을 위한 노드와 엣지 정의

LangChain으로 에이전트형 시스템 설계하기

Dilini K. Sumanapala, PhD

Founder & AI Engineer, Genverv, Ltd.

멀티 도구 워크플로 구축

   

  • 사용 가능한 여러 도구

    • Palindrome
    • Historical events
    • Wikipedia

전체 챗봇 워크플로

LangChain으로 에이전트형 시스템 설계하기

워크플로 함수 정의

   

  • 중지 함수 만들기

챗봇 워크플로의 챗봇 및 도구 노드.

LangChain으로 에이전트형 시스템 설계하기

워크플로 함수 정의

   

  • 중지 함수 만들기

    • 도구 호출 여부 확인

중지 함수 규칙 강조.

LangChain으로 에이전트형 시스템 설계하기

워크플로 함수 정의

   

  • 중지 함수 만들기

    • 도구 호출 여부 확인
    • 없으면 대화 종료

워크플로에서 END 규칙 강조

LangChain으로 에이전트형 시스템 설계하기

워크플로 함수 정의

   

  • 중지 함수 만들기

    • 도구 호출 여부 확인
    • 없으면 대화 종료    

  • 동적 도구 호출자 만들기

    • 도구 호출이 있으면 도구 응답 반환

Call_model 규칙 강조.

LangChain으로 에이전트형 시스템 설계하기

워크플로 함수 정의

   

  • 중지 함수 만들기

    • 도구 호출 여부 확인
    • 없으면 대화 종료    

  • 동적 도구 호출자 만들기

    • 도구 호출이 있으면 도구 응답 반환
    • 도구 호출이 없으면 챗봇 노드만으로 LLM 호출

Call_model 규칙 강조.

LangChain으로 에이전트형 시스템 설계하기

워크플로 함수 정의

   

  • 중지 함수 만들기

    • 도구 호출 여부 확인
    • 없으면 대화 종료    

  • 동적 도구 호출자 만들기

    • 도구 호출이 있으면 도구 응답 반환
    • 도구 호출이 없으면 챗봇 노드만으로 LLM 호출

  • 전체 그래프 컴파일

Call_model 규칙 강조.

LangChain으로 에이전트형 시스템 설계하기

중지 조건 함수 만들기

from langgraph.graph import MessagesState, START, END


# Use MessagesState to define the state of the stopping function
def should_continue(state: MessagesState):


    # Get the last message from the state
    last_message = state["messages"][-1]


    # Check if the last message includes tool calls
    if last_message.tool_calls:
        return "tools"


    # End the conversation if no tool calls are present
    return END
LangChain으로 에이전트형 시스템 설계하기

동적 도구 호출자 만들기

# Extract the last message from the history
def call_model(state: MessagesState):

    last_message = state["messages"][-1]


    # If the last message has tool calls, return the tool's response
    if isinstance(last_message, AIMessage) and last_message.tool_calls:


        # Return the messages from the tool call
        return {"messages": [AIMessage(content=last_message.tool_calls[0]["response"])]}


    # Otherwise, proceed with a regular LLM response
    return {"messages": [model_with_tools.invoke(state["messages"])]}
LangChain으로 에이전트형 시스템 설계하기

그래프 생성

workflow = StateGraph(MessagesState)
LangChain으로 에이전트형 시스템 설계하기

그래프 생성

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)

챗봇과 도구 노드.

LangChain으로 에이전트형 시스템 설계하기

그래프 생성

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)


# Connect the START node to the chatbot
workflow.add_edge(START, "chatbot")

START 노드를 챗봇에 연결.

LangChain으로 에이전트형 시스템 설계하기

그래프 생성

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)


# Connect the START node to the chatbot
workflow.add_edge(START, "chatbot")


# Define conditions, then loop back to chatbot
workflow.add_conditional_edges("chatbot", 
         should_continue, ["tools", END])

조건이 추가된 그래프.

LangChain으로 에이전트형 시스템 설계하기

그래프 생성

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)


# Connect the START node to the chatbot
workflow.add_edge(START, "chatbot")


# Define conditions, then loop back to chatbot
workflow.add_conditional_edges("chatbot", 
         should_continue, ["tools", END])

workflow.add_edge("tools", "chatbot")

전체 그래프 워크플로.

LangChain으로 에이전트형 시스템 설계하기

메모리 추가

# Set up memory and compile the workflow
memory = MemorySaver()

app = workflow.compile(
               checkpointer=memory)


display(Image(app.get_graph()
        .draw_mermaid_png()))

전체 그래프 워크플로.

LangChain으로 에이전트형 시스템 설계하기

연습해 봅시다!

LangChain으로 에이전트형 시스템 설계하기

Preparing Video For Download...