실제 AI 에이전트를 구축하며 LangChain과 LangGraph 배우기 (Python, 최신 버전 V.1.0+)

본 과정은 LangChain 라이브러리의 강력한 기능을 LLM 애플리케이션에 신속하게 활용하는 방법을 가르치도록 설계되었습니다. 불필요한 내용이나 장난감 같은 예제 없이, 실제 API와 실생활 기술을 사용하는 3가지 엔드투엔드(end-to-end) 작동 LangChain 기반 생성형 AI 애플리케이션을 구축합니다.

이 과정은 간단한 'hello-world' 애플리케이션부터 고급 에이전트 시스템에 이르기까지, 총 7개의 실제 AI 에이전트 프로젝트를 통해 학습할 수 있습니다:

7가지 완성 프로젝트 - Ice Breaker, Documentation Helper, Code Interpreter를 포함한 초급부터 고급 구현까지
실제 응용 분야 - 라이브 API를 사용하여 실제 문제를 해결하는 에이전트 구축
최신 기술 스택 - LangChain v0.3+, LangGraph, Pinecone, FAISS, Streamlit
실용적인 기술 습득 - RAG, 벡터 데이터베이스, 프롬프트 엔지니어링, 에이전트 워크플로우 학습
상호작용적 학습 - 단계별 학습을 위해 커밋 기록을 시간순으로 따라가기

Hello World Chain - 기본 에이전트 구조 및 LLM 통합
Code Interpreter - 도구 호출(Tool calling) 및 코드 실행 기능

Ice Breaker - 데이터 수집 및 소셜 미디어 통합
Documentation Helper - RAG 구현 및 지식 관리

Blog Analyzer - 다단계 추론 및 콘텐츠 분석
Agentic RAG - 메모리 및 계획을 갖춘 자체 수정 에이전트

주의: 이 과정은 초급자 코스가 아닙니다. - 기본 소프트웨어 엔지니어링 개념 필요

• 숙련도 요구 사항: git, Python, 환경 변수(environment variables), 클래스(classes), 테스트 및 디버깅에 대한 익숙함

• 사용 언어: Python 3.10 이상

• 패키지 관리자: uv, poetry, pipenv 중 아무거나 (단, conda는 불가)

• LLM 접근 권한: Ollama를 통한 오픈 소스 모델 또는 OpenAI, Anthropic, Gemini와 같은 클라우드 제공업체 이용 가능

• 머신러닝 경험은 필요하지 않음

저장소 복제(Clone the repository)
git clone https://github.com/emarco177/langchain-course cd langchain-course

학습 경로 선택
브랜치 기반 프로젝트의 경우:

Hello World로 시작

git checkout project/hello-world uv sync uv run python main.py # Code Interpreter로 진행
git checkout project/code-interpreter uv sync uv run python main.py

외부 저장소 프로젝트의 경우:

특정 프로젝트 저장소를 복제합니다.

git clone https://github.com/emarco177/ice_breaker cd ice_breaker # 프로젝트별 설정 지침을 따릅니다.

커밋 기록 따라가기(Follow the commits)

• 각 커밋은 하나의 레슨 또는 기능 구현을 나타냅니다.
• git log --oneline를 사용하여 학습 진행 과정을 확인하세요. - 개발 과정을 이해하려면 이전 커밋으로 체크아웃하십시오.

외부 프로젝트:

• Ice Breaker - 소셜 미디어 프로필 분석기
• Medium Analyzer - 콘텐츠 분석 및 인사이트 생성기
• Documentation Helper - AI 문서화 도우미
• Reflection Agent - 반성(reflection) 및 비평(critique) 기능을 갖춘 자체 개선 에이전트
• Reflexion Agent - 반성 기법을 사용한 고급 자가 수정 에이전트
• Agentic RAG - 고급 검색 증강 생성(RAG) 시스템

본 과정을 마치면 다음을 할 수 있게 됩니다:

• 최신 프레임워크를 사용하여 AI 에이전트를 처음부터 구축하기
• 도구 호출(tool calling) 및 외부 API 통합 구현하기
• 벡터 데이터베이스를 사용한 RAG 시스템 만들기
• 다단계 추론 워크플로우 설계하기
• 에이전트를 프로덕션 환경에 배포하기
• 에이전트의 오류 수정 및 자체 개선 처리하기
• 에이전트 성능 및 비용 효율성 최적화하기

LangChain / LangGraph 팀과 이 과정을 가능하게 해준 훌륭한 문서와 튜토리얼에 깊이 감사드립니다.

이 프로젝트가 도움이 되었다면 다음을 고려해 주세요:

• ⭐ 레포지토리에 별표 표시(Starring)
• 🐛 이슈 보고(Reporting issues)
• 💡 개선 사항 기여(Contributing improvements)
• 📢 다른 사람들과 공유하기(Sharing with others)