📝

[AI Agent] LangGraph1

1. LangGraph란? : LangCahain 생태계에서 만든 그래프 구조 기반 워크플로우/에이전트 개발용 런타임 프레임워크 • 특징 : 사이클(순환) 지원 → LCEL로 구현 불가능한 '만족스럽지 않으면 되돌아가기' 로직 구현 가능 • 그래프 구조 : 데이터 간 관계 표현하는 자료 구조 - Node(작업 수행) + Edge(작업 흐름 정의) • 런타임 프레임워크 : 만든 워크플로우를 실행 시점까지 관리 • LangChain vs LangGraph항목LangChainLangGraph실행 흐름선형/순차 중심그래프 기반(분기/루프)상태 관리기본 메모리/세션 중심지속 상태(durable)추상화 수준LCEL 고수준 API저수준 제어적합 용도간단한 에이전트/워크플로우복잡한 멀티에이전트, 상태 기반 시스템 ..

7. 사용자 정의 Tool 구현 ➀ @tool 데코레이터 • 함수 이름 → tool 이름, 파라미터 type hint → 파라미터 스키마, docstring → description • 파라미터에 상세 설명 필요 시 pydantic.BaseModel + Field로 args_schema 지정# 사칙연산 툴 정의@tooldef plus(num1: int|float, num2: int|float) -> int|float: """받은 두 개의 수를 덧셈하는 툴""" return num1 + num2 # 파라미터 설명 필요 시class DivideToolParameter(BaseModel): num1: int|float = Field(..., description="나눌 때 사용할 첫 번째..

1. AI Agent 개요 • AI Agent : LLM을 추론&의사결정 중심으로 사용해 '계획 수립 → 실행 → 관찰 → 판단' 반복하며 자율적으로 목표 달성하는 시스템 • Workflow vs Agent - Workflow : 미리 정해진 절차대로 실행(반복적·정형화된 작업에 적합) - Agent : 상황에 따라 스스로 판단해 도구·행동 선택(중간 결과에 따라 흐름 달라지는 문제에 적합) • 주요 특징 ➀ 자율성 : LLM 추론 스스로 판단(규칙 기반 X) ➁ 목표 지향성 : "이 행동이 목표 달성에 도움이 되는가" 기준 판단 ➂ 도구 활용 : 외부 API·도구로 실제 작업 수행 ➃ 인간 개입 최소화 : 사람은 초기 목표 제시&최종 승인 정도만 개입 2. 싱글 에이전트 vs 멀티 에이전트 • ..

1. LLM 이용한 그래프 스키마 설계(GraphRAG 관점) : 비정형 텍스트 문서를 LLM에 넣어 Neo4j에 적재 가능한 노드/관계/속성 스키마&Cypher 쿼리 자동 생성❗️ LLM 산출물 : 항상 초안. 데이터 중복·관계 방향·네이밍 규칙·고유 식별자·검색 목적 등은 사람이 검토 1-1. 노드(Label) 설계 원칙 • 문서에서 독립적으로 식별, 다른 개체가 참조 가능. 탐색의 시작점이 될 수 있는 개체로 만듦 • 후보 : 사람, 조직, 장소, 상품, 문서, 사건, 개념, 기술, 프로젝트 등 • 명명 규칙 : Pascal(ex. Person, Company, Product) • 동의어 : 하나의 Label로 통합(ex. 기업/회사/업체 → Company) • 각 노드는 최소 하나의 식별 속성(n..

1. 환경 설정 및 DB 연결from langchain_neo4j import Neo4jGraphgraph = Neo4jGraph()graph.query("RETURN 'hello'") • .env에서 NEO4J_URI, NEO4J_USERNAME, NEO4J_PASSWORD, NEO4J_DATABASE 로드• reset_database() 헬퍼 함수로 DB 초기화(모든 노드/관계/제약조건/인덱스 삭제) 더보기2. 데이터 모델 : 소셜 네트워크 노드 레이블Property설명Personname, age, gender사용자Interestname관심사(영화, 음악, 스포츠, 여행 등)Locationname장소Cityname, population도시 관계 유형방향Property설명KNOWSPerson → P..

1. Neo4jGraph : Neo4j Python 드라이버를 감싼 래퍼(Wrapper) 클래스• 역할 - Cypher 쿼리 실행 : 읽기/쓰기 쿼리 실행, 결과를 list[dict]로 반환 - 그래프 스키마 자동 조회 : 노드 레이블·관계 타입·속성 정보 자동으로 읽어 schema 속성에 저장 - GraphRAG 파이프라인 연계 : GraphCypherQAChain, LLMGraphTransformer 등과 결합해 자연어 기반 그래프 질의응답 구성 • 객체 생성 파라미터 - 환경변수(.env)에 연결 정보 저장해두면 파라미터 없이 바로 생성 가능파라미터타입기본값설명urlstr | NoneNoneNeo4j 서버 URL(환경변수 NEO4J_URI 대체 가능)usernamestr | NoneNone인증 사..

1. RAG 평가 개요 : 시스템이 입력에 대해 얼마나 잘 검색하고, 그 정보로 정확한 응답을 생성하는지 측정하는 과정• 평가 요소 - 검색 단계 평가 : 질문에 대해 검색된 문서(context)의 관련성·정확성 평가 - 생성 단계 평가 : 검색 정보 기반으로 생성된 응답의 품질·정확성 평가 • 평가 방법기준종류설명데이터 출처오프라인미리 준비된 데이터셋으로 성능 측정온라인실제 사용자 트래픽·피드백 기반 실시간 성능 평가측정 방식정량적자동화된 지표로 텍스트 품질 평가정성적전문가/사용자가 직접 주관적 평가 2. RAGAS 프레임워크와 4대 지표• RAGAS : RAG 파이프라인을 정량적으로 평가하는 오픈소스 프레임워크 2-1. 생성(Generation) 평가(LLM 답변에 대한 평가)① Faithfulnes..

1. Advanced RAG : DB 구축/검색 전/검색 후/생성 단계 고도화하는 설계 패턴 • 검색 품질 향상 : 하이브리드 검색(BM25+벡터), 멀티쿼리/쿼리 재작성, 메타데이터 필터링, 리랭킹 • Chunking/인덱싱 전략 : 구조 기반 분할(헤더/섹션/표), 계층형 인덱스(요약→섹션→chunk), 윈도우 확장 • 검색 결과 정제/조립 : 중복·노이즈 제거, 질문 관점 재구성 • 생성 단계 가드레일 : 근거 기반 답변 강제, 인용/근거 표시, 자기검증, 불확실성 처리(추가 질문 유도) 2. Rerank(재순위화) : 1차로 빠른 벡터 검색 후, 더 정밀한 모델로 질문-문서 관련성 재평가해 순서 재조정(RAG 성능 중요도 : 관련 정보 존재 유무 • 방식 - Cross-encoder 기반 : ..

1. Retriever : 비정형 질의를 입력받아 Vector store 등에서 관련 내용을 검색하는 인터페이스 - RAG 기반 - 벡터스토어·그래프DB·관계형DB 등 다양한 검색 시스템을 통일된 인터페이스로 다룸 - 문자열 쿼리를 입력받아 관련 문서 리스트 반환하는 단순한 구조 VectorStoreRetriever역할벡터 저장·삭제·수정·인덱싱·유사도 검색 직접 수행(실제 DB와 연결)"검색을 어떻게 할지" 전략만 정의(k, 필터, 하이브리드, 재랭킹 등)특징데이터 관리 + 검색 기능 포함검색 요청만 하고 결과 반환Runnable)이라 LCEL 체인에 바로 포함 가능 2. Retriever 확장 전략 ① VectorStore Retriever : 임베딩 기반 코사인 유사도 검색. 가장 기본, 빠르고 단..

Qdrant 세 가지 검색 방식1. Dense Vector Search(의미 기반) : 임베딩 모델이 문장 전체 의미 압축한 고차원 벡터 생성, 쿼리 벡터&문서 벡터 간 코사인 유사도 순위 매김 - 기본 방식(RetrievalMode.DENSE) - 정확한 키워드 없어도 의미적으로 유사한 문서 찾아냄 - 성능 부족할 경우 Sparse 추가해 Hybrid로 전환 2. Sparse Vector Search(키워드 기반, BM25) : 문서를 "어떤 단어가 몇 번 등장했는가"로 표현하는 희소 벡터(Sparse vector) 방식 - 대부분의 차원 값이 0, 실제 등장한 단어 위치만 값을 가짐 - BM 알고리즘 : 세 가지 요소 조합해 점수 계산 • TF(단어 출현 빈도) : 문서에서 검색어가 자주 등장할수..