Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LangChain Blog 84건필터 해제
백그라운드에서 서브에이전트 (Subagents) 실행하기
기존의 인라인 서브에이전트 방식은 도구 호출이 동기적으로 이루어져 서브에이전트 작업 중 감독 에이전트가 차단되는 데드락 문제가 발생합니다. 이를 해결하기 위해 Deep Agents는 비동기 서브에이전트 패턴을 도입하여, 감독 에이전트가 제어권을 유지한 채 여러 작업을 병렬로 실행하고 관리할 수 있도록 지원합니다.
에이전트 개선 루프의 시작은 트레이스(Trace)입니다
에이전트 시스템을 체계적으로 개선하기 위해서는 실행 과정의 기록인 트레이스(Trace)를 확보하고 이를 평가 및 피드백으로 풍부하게 만드는 과정이 필수적입니다. 트레이스는 에이전트가 실제로 수행한 동작을 보여주는 핵심 데이터이며, 이를 통해 실패 패턴을 식별하고 타겟팅된 변경을 수행하는 반복적인 개선 루프를 구축할 수 있습니다.
LangSmith의 재사용 가능한 평가기(Evaluator) 및 평가기 템플릿
LangSmith가 재사용 가능한 평가기(Evaluators)와 30개 이상의 평가기 템플릿 라이브러리를 출시했습니다. 이를 통해 개발자는 안전성, 응답 품질, 멀티모달 등 다양한 측면의 평가를 처음부터 구축할 필요 없이 즉시 적용하거나 커스텀하여 관리할 수 있습니다.
Agent Builder의 메모리를 구축한 방법 | 에이전트에 메모리 구축하기
LangSmith Agent Builder는 특정 작업을 반복 수행하는 노코드 에이전트 구축 도구로, 사용자 경험을 극대화하기 위해 메모리 시스템을 핵심 요소로 설계했습니다. 메모리는 절차적, 의미적, 일화적 범주로 정의되며, 모델이 파일 시스템을 잘 다룬다는 점을 활용해 파일 세트 형태로 구현되었습니다.
Deep Agents를 위한 평가(Evals) 구축 방법
Deep Agents의 성능을 개선하기 위해 운영 환경의 핵심 행동을 직접 측정하는 타겟팅된 평가(Evals) 구축 방법을 제안합니다. 무분별한 테스트 추가 대신 검증 가능한 지표를 설정하고, 독스트링과 카테고리 태그를 통해 평가 체계를 문서화하며, LangSmith를 활용해 협업 및 비용 효율적인 실험 환경을 조성하는 것이 핵심입니다.
에이전트가 컨텍스트 엔지니어링 (Context Engineering)을 위해 파일 시스템을 사용하는 방법
딥 에이전트의 성능을 결정짓는 핵심 요소인 컨텍스트 엔지니어링의 개념과 파일 시스템 도구의 중요성을 다룹니다. 에이전트가 필요한 정보를 정확히 검색하고, 컨텍스트 윈도우를 효율적으로 관리하여 토큰 낭비와 성능 저하를 방지하는 전략을 설명합니다.
에이전트(Agent)를 구축하는 방법
에이전트 구축을 위한 실질적인 프레임워크를 제시하며, 아이디어를 실제 비즈니스 영향력으로 전환하는 단계를 설명합니다. 구체적인 예시를 통한 업무 정의, 표준 운영 절차(SOP) 설계, 그리고 프롬프트를 활용한 MVP 구축 과정을 통해 성공적인 에이전트 구현 방법을 안내합니다.
컨텍스트 엔지니어링 (Context Engineering)
컨텍스트 엔지니어링은 에이전트의 작업 단계마다 컨텍스트 창을 최적의 정보로 채우는 기술로, LLM의 컨텍스트 창을 RAM처럼 관리하는 과정입니다. 본문은 에이전트가 장기 작업을 수행할 때 발생하는 컨텍스트 오염, 주의 분산, 혼란, 충돌 문제를 해결하기 위한 전략을 다룹니다.
Agent Builder의 새로운 기능: 새로운 에이전트 채팅, 파일 업로드 및 도구 레지스트리(Tool Registry)
LangSmith Agent Builder가 대규모 업데이트를 통해 에이전트와의 협업 경험을 혁신했습니다. 새로운 'Chat' 에이전트는 워크스페이스의 모든 도구에 즉시 접근할 수 있으며, 대화 내용을 클릭 한 번으로 재사용 가능한 에이전트로 전환하거나 파일을 직접 업로드하여 분석할 수 있는 기능을 제공합니다.
단일 에이전트 성능 벤치마킹 (Benchmarking)
본 연구는 ReAct 프레임워크를 기반으로 단일 에이전트의 지시 사항(instructions)과 도구(tools)의 양이 증가함에 따라 성능이 어떻게 변화하는지 벤치마킹합니다. 실험 결과, 컨텍스트와 도구가 늘어날수록, 그리고 요구되는 궤적이 길어질수록 에이전트의 성능은 저하되는 경향을 보였습니다.
Interrupt 2025 요약: LangChain이 주최한 AI Agent 컨퍼런스
LangChain이 주최한 첫 번째 산업 컨퍼런스인 Interrupt 2025가 샌프란시스코에서 개최되었습니다. 이번 행사에서는 Cisco, Uber, JPMorgan 등 글로벌 기업들이 참여하여 AI 에이전트 구축을 위한 아키텍처, 평가, 관측 가능성 및 프롬프팅 전략에 대한 사례를 공유했습니다.
LangGraph 출시 주간 요약
LangGraph가 Python과 JS 환경 모두에서 저수준 워크플로와 사전 구축된 에이전트 기능을 대폭 강화했습니다. 노드 캐싱, 지연된 노드, 모델 훅, 내장 프로바이더 도구 등의 신규 기능이 추가되어 개발 속도와 제어력이 향상되었습니다.
RAG를 넘어: 더 스마트한 지식 검색을 위한 LangGraph 기반의 에이전트 검색(Agent Search) 구현
전통적인 RAG 방식이 해결하기 어려운 복잡하고 모호한 기업용 질문을 처리하기 위해 LangGraph 기반의 '에이전트 검색(Agent Search)' 구현 방식을 소개합니다. 이 방식은 질문을 하위 질문으로 분해하고, 검색된 정보를 바탕으로 답변을 구성한 뒤, 다시 정교화하는 다단계 논리적 과정을 통해 답변의 품질을 높입니다.
프롬프트 최적화(Prompt Optimization) 탐구
본 기사는 수동적인 시행착오 대신 체계적인 데이터 측정과 테스트를 통해 프롬프트를 개선하는 '프롬프트 최적화' 기술을 탐구합니다. 5가지 최적화 알고리즘과 5개의 데이터셋을 활용하여 GPT-4o, Claude-3.5-Sonnet, o1 모델의 성능을 벤치마킹한 결과를 다룹니다.
LangGraph Platform 정식 출시: 장기 실행 및 상태 유지 Agent의 배포 및 관리
LangGraph Platform(현 LangSmith Deployment)이 정식 출시되어 장기 실행 및 상태 유지 Agent를 위한 전문 인프라를 제공합니다. 1클릭 배포, 수평적 확장성, 지속성 계층 및 LangGraph Studio를 통해 복잡한 멀티 에이전트 워크플로우의 프로덕션 배포 장벽을 낮춥니다.
Deep Agents의 인터프리터: 도구 호출과 샌드박스 사이의 코드 실행
Deep Agents는 도구 호출(tool calls)과 완전한 샌드박스(sandboxes) 사이의 중간 단계인 '인터프리터'를 도입하여 에이전트의 코드 실행 능력을 강화합니다. 인터프리터는 에이전트 루프 내의 임베디드 런타임으로서, 모델 컨텍스트 외부에서 실시간 작업 값을 유지하며 다단계 로직을 효율적으로 처리합니다.
LangChain 2024 AI 상태 보고서
LangChain의 LangSmith 데이터를 바탕으로 분석한 2024년 AI 개발 트렌드 보고서입니다. OpenAI의 독주 체제 속에서도 Ollama와 Groq 같은 오픈 소스 모델 기반 제공업체의 성장이 두드러지며, 단순 검색 중심에서 다단계 에이전트 워크플로로의 패러다임 전환이 관찰됩니다.
우리가 멀티 에이전트 플로우(Multi-Agent Flow)를 LangGraph Cloud에 배포한 방법
GPT Researcher 프로젝트 팀이 LangGraph Cloud를 활용하여 멀티 에이전트 워크플로우를 배포하고, 이를 NextJS 기반의 새로운 프론트엔드와 연결하는 과정을 설명합니다. LangGraph Cloud를 통해 LangGraph의 복잡한 에이전트 협업 구조를 API 서버 형태로 추상화하여 효율적으로 관리할 수 있음을 강조합니다.
LangGraph.js v0.2로 JavaScript에서 신뢰할 수 있는 에이전트 구축하기: 이제 Cloud 및 Studio 지원
LangGraph.js v0.2가 출시되어 JavaScript/TypeScript 환경에서 더욱 신뢰할 수 있는 LLM 에이전트를 구축할 수 있게 되었습니다. 이번 업데이트에는 유연한 스트리밍, 내장 체크포인팅, Human-in-the-loop 지원, 병렬 노드 실행 기능이 포함되었으며, LangGraph Studio 및 Cloud에 대한 베타 지원도 함께 도입되었습니다.
LangGraph의 장기 기억 (Long-Term Memory) 지원 출시
LangGraph가 Python과 JavaScript 환경에서 대화 간 정보를 저장하고 회상할 수 있는 장기 기억(Long-Term Memory) 지원을 시작했습니다. 이번 업데이트는 단순한 문서 저장소 형태의 지속 가능한 기억 계층을 제공하여, 에이전트가 사용자 선호도를 학습하고 여러 스레드에 걸쳐 정보를 유지할 수 있도록 돕습니다.
이 피드 구독하기
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.