Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LangChain Blog 128건필터 해제
LangChain헤드라인
Interpreter Skills: 에이전트를 위한 워크플로우 구축
에이전트가 지침(instructions)을 넘어 직접 코드를 실행할 수 있는 '인터프리터 기술(interpreter skills)' 개념을 소개합니다. 기술이 API 역할을 수행하여 결정론적인 코드 실행과 모델의 의사결정을 결합함으로써 에이전트 워크플로우를 더욱 정교하게 관리할 수 있습니다.
5월 29일0
LangChain헤드라인
Lyft가 LangGraph와 LangSmith를 사용하여 셀프 서비스 AI 에이전트 플랫폼을 구축한 방법
Lyft는 LangGraph와 LangSmith를 활용하여 비기술적 도메인 전문가가 직접 AI 에이전트를 구축할 수 있는 셀프 서비스 플랫폼을 개발했습니다. 이를 통해 에이전트 개발 기간을 6개월에서 수 주 단위로 단축하고 멀티 에이전트 아키텍처로 복잡한 고객 지원 워크플로우를 자동화했습니다.
5월 27일0
LangChain헤드라인
Auth Proxy가 LangSmith 에이전트 샌드박스(agent sandboxes)의 네트워크 액세스를 보호하는 방법
LangSmith Auth Proxy를 활용하여 에이전트 샌드박스의 네트워크 액세스를 안전하게 보호하는 방법을 설명합니다. 인증 헤더를 네트워크 계층에서 주입함으로써 자격 증명을 샌드박스 외부에 유지하고 보안 위협을 최소화합니다.
5월 22일2
LangChain헤드라인
토큰 스트림에서 에이전트 스트림으로
현대적인 AI 에이전트는 단순한 텍스트 토큰 출력을 넘어 도구 호출, 하위 에이전트 활동, 상태 변경 등 구조화된 이벤트 스트림을 필요로 합니다. LangChain과 LangGraph는 타입이 지정된 애플리케이션 이벤트를 통해 복잡한 에이전트 워크플로우를 효율적으로 스트리밍하고 렌더링할 수 있는 아키텍처를 제공합니다.
5월 21일0
LangChain헤드라인
OpenAI의 RAG 전략 적용하기
OpenAI가 고객사와의 협업을 통해 실험한 다양한 RAG(검색 증강 생성) 전략과 구현 방법을 소개합니다. 쿼리 확장, HyDE, 스텝백 프롬프팅 등 검색 품질을 높이는 기술부터 데이터 소스에 따른 라우팅 및 SQL 쿼리 생성 전략까지 폭넓은 방법론을 다룹니다.
5월 20일0
LangChain헤드라인
쿼리 구성 (Query Construction)
자연어 사용자 인터페이스(LUI)를 통해 정형, 반정형, 비정형 데이터를 효과적으로 검색하기 위한 '쿼리 구성(Query Construction)'의 개념과 중요성을 다룹니다. 단순한 벡터 유사도 검색을 넘어, 데이터의 구조적 특성에 맞춰 자연어를 SQL이나 Graph 쿼리 등 적절한 구문으로 변환하는 전략을 설명합니다.
5월 20일0
LangChain헤드라인
LangSmith 벤치마크 공유
LangSmith가 LLM 아키텍처 평가를 위한 데이터셋과 결과 공유 기능을 출시하여 커뮤니티 주도의 벤치마크 활성화를 지원합니다. 새로운 `langchain-benchmarks` 패키지를 통해 개발자들은 다양한 아키텍처의 성능을 재현하고, 전체 트레이스(traces)를 포함한 상세한 비교 분석을 수행할 수 있습니다.
5월 20일0
LangChain헤드라인
Open SWE 소개: 오픈 소스 비동기 코딩 에이전트
Open SWE는 클라우드 기반의 비동기적이고 자율적인 오픈 소스 코딩 에이전트입니다. 사용자의 GitHub 저장소와 직접 연결되어 코드 조사, 계획 수립, 코드 작성, 테스트 및 풀 리퀘스트 생성까지 엔지니어처럼 수행합니다.
5월 20일1
.webp)
LangChain헤드라인
LangChain과 Scrimba, 웹 개발자가 AI 엔지니어가 되도록 돕기 위해 파트너십 체결
LangChain과 코드 학습 플랫폼 Scrimba가 웹 개발자의 AI 엔지니어 전환을 지원하기 위해 파트너십을 체결했습니다. 이번 협업을 통해 무료 LangChain JS 프로젝트 기반 코스가 제공되며, LangChain 문서 내에 대화형 학습 콘텐츠인 'scrims'가 추가되어 학습 경험을 개선할 예정입니다.
5월 20일0
LangChain헤드라인
LangFriend: 장기 기억 (Long-Term Memory)을 가진 일기장
LangChain은 LLM의 사용자 경험을 혁신할 핵심 요소로 '메모리(Memory)'를 정의하고, 이를 구현한 일기장 앱 'LangFriend'를 공개했습니다. 이 앱은 사용자의 취향, 목표, 과거 상호작용을 기억하여 맞춤형 경험을 제공하며, MemGPT와 같은 학술적 연구를 바탕으로 컨텍스트 관리 능력을 탐구합니다.
5월 20일0
LangChain헤드라인
에이전트를 위한 메모리 (Memory for agents)
에이전트의 핵심 요소인 메모리의 정의와 중요성을 다루며, 메모리는 LLM 자체의 기능이 아닌 의도적으로 구현해야 하는 애플리케이션 특화적 요소임을 설명합니다. 인간의 메모리 구조를 모방한 CoALA 논문을 인용하여 에이전트가 활용할 수 있는 다양한 메모리 유형 중 절차적 메모리에 대해 소개합니다.
5월 20일0
LangChain헤드라인
Auto-Evaluator의 기회
LLM 기반의 문서 질문-답변(QA) 체인 품질을 자동으로 평가하기 위한 오픈 소스 도구인 'auto-evaluator'가 호스팅 앱과 API 형태로 출시되었습니다. 이 도구는 Anthropic과 OpenAI의 연구 방식을 결합하여 테스트 세트 생성부터 결과 채점까지 자동화하며, LangChain을 활용해 모듈식 구성이 가능합니다.
5월 20일0
LangChain헤드라인
LangChain 및 LangGraph 1.0 alpha 버전 출시
LangChain과 LangGraph의 v1.0 alpha 버전이 Python 및 JS 환경에서 출시되었습니다. LangGraph는 프로덕션 환경을 위한 저수준 에이전트 오케스트레이션 프레임워크를 제공하며, LangChain은 표준화된 모델 추상화를 통해 벤더 종속 없는 빠른 AI 기능 구현을 지원합니다.
5월 20일0
LangChain헤드라인
LangSmith에서 미세 조정된 오픈 소스 모델 테스트하기
Mistral 7b 및 Llama2와 같은 오픈 소스 모델의 미세 조정(Fine-tuning) 성능을 체계적으로 평가하기 위한 방법을 다룹니다. LangSmith를 활용하여 평가 데이터셋을 생성하고, 여러 모델 버전을 프로덕션 환경에서 효율적으로 비교 및 테스트하는 워크플로우를 소개합니다.
5월 20일0
LangChain헤드라인
프롬프트 지형 (The Prompt Landscape)
LLM의 활용도가 높아짐에 따라 프롬프트의 발견, 공유 및 관리를 지원하는 LangChain Hub의 필요성과 주요 프롬프팅 테마를 다룹니다. 사고의 사슬(CoT)을 활용한 추론 기법과 에이전트 설계, 그리고 글쓰기 스타일 최적화와 같은 주요 프롬프트 활용 사례를 소개합니다.
5월 20일0
LangChain헤드라인
LangSmith와 Lilac을 활용한 LLM 파인튜닝 (Fine-tuning)
LLM 애플리케이션을 프로덕션 단계로 전환할 때 필수적인 고품질 데이터셋 구축을 위해 LangSmith와 Lilac을 결합하는 워크플로우를 소개합니다. LangSmith로 실행 트레이스를 수집하고, Lilac을 통해 데이터를 정제 및 레이블링함으로써 효과적인 파인튜닝 데이터셋을 큐레이션하는 방법을 다룹니다.
5월 20일1
LangChain헤드라인
당신의 하네스, 당신의 메모리
에이전트 시스템 구축의 핵심 요소인 '에이전트 하네스'와 '메모리'의 밀접한 결합 관계를 설명합니다. 하네스는 단순한 스캐폴딩을 넘어 컨텍스트와 메모리를 관리하는 핵심 역량이며, 독점적 API 기반의 폐쇄형 하네스를 사용할 경우 메모리에 대한 통제권을 상실할 위험이 있음을 경고합니다.
5월 20일0
LangChain헤드라인
에이전트 개선 루프에서의 인간의 판단 (Human judgment)
AI 에이전트가 조직의 암묵적 지식을 반영하여 효과적으로 작동하기 위해서는 도메인 전문가의 판단을 포함하는 개선 루프가 필수적입니다. 본 가이드는 워크플로 설계부터 컨텍스트 제공까지 에이전트 개발 생명주기 전반에 걸쳐 인간의 지식을 통합하는 방법론을 다룹니다.
5월 20일0
LangChain헤드라인
Better Harness: 평가(Evals)를 활용한 Harness Hill-Climbing 레시피
더 나은 에이전트를 구축하기 위해 평가(Evals)를 학습 신호로 활용하여 harness를 반복적으로 개선하는 'Harness Hill-Climbing' 방법론을 소개합니다. 평가를 단순한 검증 도구가 아닌 에이전트의 행동을 가이드하는 학습 데이터로 정의하며, 데이터 확보부터 최적화, 검토에 이르는 복합 시스템 엔지니어링 접근 방식을 제안합니다.
5월 20일0
LangChain헤드라인
우리의 문서가 스스로를 테스트하게 만든 방법
문서 내의 오래된 코드 샘플로 인해 발생하는 문제를 해결하기 위해 코드 샘플을 테스트 가능한 형태로 전환하는 방법을 소개합니다. Deep Agents CLI를 활용하여 인라인 코드를 독립된 파일로 추출하고 CI 환경에서 자동 테스트할 수 있도록 에이전트에게 작업을 위임하는 워크플로를 제안합니다.
5월 20일1