1. simple_langgraph_chat

LangGraph를 활용한 간단한 챗봇 구현

학습 목표

• LangGraph의 기본 개념과 사용 방법 이해하기
• OpenAI 모델을 이용한 간단한 챗봇 구현 이해하기 : Single Turn, Multi Turn
• 상태 관리 및 그래프 구조의 기초 학습하기 : State - data / Graph
• LangGraph 그래프 시각화하기

1. 환경 설정

라이브러리 설치

필요한 라이브러리를 설치합니다.

pip install -U python-dotenv notebook langgraph langchain-openai

환경변수 설정

환경변수 파일 .env를 생성하여 OpenAI API 키와 OpenAI 모델을 설정합니다.

OPENAI_API_KEY=본인의_OpenAI_API키
OPENAI_MODEL=gpt-4o-mini

환경변수를 로드하기 위해 Python의 python-dotenv 라이브러리를 사용합니다.

2. 코드 설명

라이브러리 임포트

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from typing_extensions import TypedDict
from typing import Annotated, List
from dotenv import load_dotenv
import os

• ChatOpenAI: OpenAI의 Chat Completion API를 호출하기 위한 클래스입니다.
• StateGraph, START, END: LangGraph의 상태 기반 그래프 구조를 구성하는 데 사용됩니다.
• add_messages: LangGraph의 메시지 관리 기능을 자동화하는 역할을 수행합니다.
• TypedDict, Annotated, List: 상태 정의를 위한 타입 힌트 도구입니다.
• load_dotenv: 환경변수를 로드합니다.

환경변수 로딩

load_dotenv()

openai_model = os.getenv("OPENAI_MODEL", "gpt-4o-mini")

이 코드는 .env 파일에서 환경변수를 읽어들여 애플리케이션에서 활용할 수 있게 합니다.

상태(State) 정의

class State(TypedDict):
    messages: Annotated[List, add_messages]

• 이 코드는 LangGraph에서 챗봇의 상태(State)를 정의하는 부분입니다.
• 상태는 LangGraph의 핵심 개념입니다. 챗봇이 메시지를 주고받으며 관리할 데이터를 명확히 정의합니다.
• LangGraph는 상태 기반 그래프(StateGraph)를 사용하는 프레임워크로, 각 단계의 상태를 명확히 정의하고, 상태 간에 데이터를 전달하는 방식으로 작동합니다.
• messages는 메시지를 관리하는 리스트로, 자동 메시지 추가 및 관리가 가능합니다.

구성 요소 설명

• class State(TypedDict)
  • Python의 TypedDict를 사용해 명시적인 타입이 있는 딕셔너리를 정의합니다.
  • 이를 통해 상태(State)의 구조와 타입을 명확히 지정하여 코드의 가독성과 안정성을 높입니다.
• messages
  • 상태에 저장되는 주요 데이터입니다. 여기서는 대화 중 주고받은 메시지를 담고 있는 리스트입니다.
  • LangGraph는 대화의 문맥을 유지하기 위해 메시지의 리스트를 관리합니다.
• Annotated[List, add_messages]
  • Annotated 타입 힌트를 사용하여 메시지 리스트가 특정한 규칙(add_messages)을 따르도록 합니다.
  • 여기서 add_messages는 LangGraph에서 제공하는 특별한 주석(annotation)으로, 메시지 리스트를 다룰 때 자동으로 관리(추가)를 돕는 기능을 수행합니다.

이 상태 정의를 통해 챗봇은:

• 대화의 각 단계를 명확히 관리할 수 있습니다.
• 사용자의 메시지와 모델의 응답 메시지를 체계적으로 기록하고 관리합니다.
• 명시적인 타입과 자동 관리 기능을 활용하여 코드의 오류를 최소화하고 유지보수를 쉽게 합니다.

이러한 방식을 통해, LangGraph는 상태 기반의 복잡한 챗봇 애플리케이션에서도 효율적이고 명확한 데이터 관리와 흐름 제어를 가능하게 합니다.

LLM 모델 설정

llm = ChatOpenAI(model=openai_model)

• ChatGPT 기반의 LLM 모델을 설정하며, 사용하는 모델은 gpt-4o-mini입니다.

챗봇 노드 정의

def chatbot(state: State):
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

• 이 함수는 챗봇 노드를 정의합니다.
• 입력 인자인 state는 앞서 정의한 상태(State)로, 사용자와 챗봇 간의 이전 메시지들을 포함하고 있습니다.
• llm.invoke(state["messages"])는 현재 상태에 있는 메시지를 기반으로 LLM 모델(llm)이 새로운 응답을 생성하도록 요청합니다.
• LLM 모델로부터 받은 응답을 다시 상태에 포함하여 { "messages": [response] } 형태로 반환합니다. 이로 인해 챗봇이 생성한 메시지가 그래프의 다음 단계 또는 최종 출력에 반영됩니다.

그래프 구성 및 컴파일

workflow = StateGraph(State)

workflow.add_node("chatbot", chatbot)

workflow.add_edge(START, "chatbot")
workflow.add_edge("chatbot", END)

graph = workflow.compile()

• 먼저 StateGraph(State)를 통해 상태 기반 그래프를 생성합니다.
• workflow.add_node("chatbot", chatbot)은 그래프에 "chatbot"이라는 이름의 노드를 추가하며, 이 노드는 앞에서 정의한 chatbot 함수를 실행합니다.
• workflow.add_edge(START, "chatbot")은 시작점(START)에서 "chatbot" 노드로 연결하는 엣지를 정의합니다. 즉, 챗봇이 실행되는 첫 단계로 설정됩니다.
• workflow.add_edge("chatbot", END)은 "chatbot" 노드에서 종료점(END)으로 연결하는 엣지를 정의합니다. 이로써 챗봇이 메시지를 생성한 후 작업이 종료됩니다.
• 이 과정을 통해 LangGraph의 작업 흐름을 명확하게 구조화할 수 있습니다.
• workflow.compile() 메서드는 앞서 정의한 노드와 엣지를 기반으로 실행 가능한 애플리케이션을 생성합니다.
• 컴파일 과정에서 상태의 전환과 데이터 흐름을 최적화하여 실행 속도를 향상시키고, 그래프 구조 내의 노드 및 상태 변경 규칙을 명확히 합니다.
• 컴파일된 그래프는 사용자가 정의한 노드와 엣지 설정대로 동작하여 정확한 작업 흐름을 제공합니다.

그래프 시각화

LangGraph는 컴파일된 그래프를 시각화할 수 있는 기능을 제공합니다.

from IPython.display import Image, display

display(Image(graph.get_graph().draw_mermaid_png()))

• 위 코드는 컴파일된 그래프를 mermaid 형식의 PNG 이미지로 생성하여 IPython 환경에서 출력합니다.
• 그래프의 흐름과 노드 간 관계를 직관적으로 파악할 수 있습니다.
• __start__ → chatbot (직선)
• chatbot → __end__ (직선)

이러한 직선 화살표는 모두 **명시적으로 추가된 엣지(edge)**를 나타내며,
즉, 다음의 코드 라인들이 직접적으로 시각화된 것입니다.

workflow.add_edge(START, "chatbot")
workflow.add_edge("chatbot", END)

직선 화살표의 의미

• 직선 화살표는 조건 없이 항상 실행되는, 일반적인 엣지입니다.
• 위 코드에서는 __start__ 노드에서 chatbot 노드를 실행하고,
  챗봇 노드가 완료되면 바로 __end__로 이동하여 그래프를 종료합니다.

화살표의 종류

화살표 종류의미사용 예시

직선 화살표	조건 없는 일반 흐름 (항상 실행됨)	단순 시작-종료 흐름 (현재 코드)
점선 화살표	조건부 흐름 (조건 만족 시 실행됨)	도구 호출 여부와 같은 조건 판단 시

이번 코드에서 모든 화살표가 직선으로 나타난 이유는 조건을 판단할 함수나 조건부 처리를 하지 않고 명시적으로 단순히 노드를 연결했기 때문입니다.

3. 챗봇 실행

from langchain_core.messages import HumanMessage

user_input = "LangGraph가 무엇인가요?"
state = {"messages": [HumanMessage(content=user_input)]}
response = graph.invoke(state)

print(response["messages"][-1].content)

• 메인 스크립트에서 사용자의 질문을 입력받아 챗봇을 실행합니다.
• 입력된 메시지는 HumanMessage 형식으로 LangGraph 상태로 전달됩니다.
• 실행된 챗봇의 응답은 화면에 출력됩니다.