LangGraph 맛보기

LangGraph 맛보기에서 직접 따라간 구현 흐름과 코드 증거를 다시 볼 수 있게 정리한 LLM 학습 기록입니다. 본문은 LangGraph 순서로 핵심 장면을 먼저 훑고, LangGraph란 무엇인가요?, 상태(State)와 도구(Tool) 정의, 노드(Node)와 그래프(Graph) 구성 같은 코드로 실제 구현을 이어서 확인할 수 있습니다. ipynb/md 원본과 7개 코드 블록, 6개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, getpass, typing, typing_extensions입니다.

빠르게 볼 수 있는 포인트: LangGraph.

남겨둔 자료: ipynb/md 원본과 7개 코드 블록, 6개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, getpass, typing, typing_extensions입니다.

주요 스택: os, getpass, typing, typing_extensions, langgraph

Snapshot

Item	Value
Track	LLM
Type	Archive Note
Source Files	ipynb, md
Code Blocks	7
Execution Cells	6
Libraries	os, getpass, typing, typing_extensions, langgraph, langchain_openai, langchain_core
Source Note	3-5 LangGraph_맛보기

What This Note Covers

LangGraph

상태(State)와 도구(Tool) 정의, 노드(Node)와 그래프(Graph…, 실전 테스트 같은 코드를 직접 따라가며 LangGraph 흐름을 확인했습니다.

• 읽을 포인트: 세부 흐름: 상태(State)와 도구(Tool) 정의, 노드(Node)와 그래프(Graph) 구성, 실전 테스트

상태(State)와 도구(Tool) 정의

LangGraph의 핵심은 State(상태)입니다. 이 상태 객체가 노드들 사이를 흘러다니며 대화 내용(messages)을 계속 업데이트합니다. add_messages: 새로운 대화가 오면 기존 리스트를 덮어쓰지 않고 추가(append)하라는 설정입니다.

노드(Node)와 그래프(Graph) 구성

이제 작업자(Node)를 배치하고 작업 순서(Edge)를 연결합니다. Chatbot Node: LLM이 생각하고 답변하는 곳 - Tools Node: LLM이 도구 사용을 요청하면 실제로 실행하는 곳 - Conditional Edge (분기): LLM의 응답을 보고 “도구 쓸래?”…

실전 테스트

이제 만든 챗봇을 테스트해 봅니다. Case 1: 도구가 필요 없는 일상 대화 - Case 2: 도구가 필요한 계산 요청 (순환 발생)

Why This Matters

에이전트 상태 흐름

• 왜 필요한가: 단일 호출만으로 해결되지 않는 작업은 추론, 도구 호출, 중간 상태 관리가 이어지는 흐름 제어가 필요합니다.
• 왜 이 방식을 쓰는가: 상태 그래프 기반 접근은 단계별 분기와 재시도를 명시적으로 관리할 수 있어 에이전트 실험을 설명하기 좋습니다.
• 원리: 현재 상태를 노드 간에 전달하면서, 조건에 따라 다음 노드나 도구 호출을 결정하는 방식으로 실행 흐름이 이어집니다.

프롬프트 체인 구성

• 왜 필요한가: LLM 호출을 재현 가능하게 만들려면 입력 조합, 프롬프트 템플릿, 후처리 순서를 구조화할 필요가 있습니다.
• 왜 이 방식을 쓰는가: 체인 구조는 실험 중 프롬프트와 입력 변형을 비교하기 쉽고, 이후 RAG나 에이전트 단계로 확장하기도 좋습니다.
• 원리: 질문과 컨텍스트를 정해진 템플릿에 넣고, 모델 호출 결과를 다음 단계 입력으로 넘기며 처리 흐름을 구성합니다.

Implementation Flow

1. LangGraph: 상태(State)와 도구(Tool) 정의, 노드(Node)와 그래프(Graph) 구성

Code Highlights

LangGraph란 무엇인가요?

LangGraph란 무엇인가요?는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 OpenAI API Key 설정 흐름이 주석과 함께 드러납니다.

import os
import getpass

# 2. OpenAI API Key 설정
if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key 입력: ")

상태(State)와 도구(Tool) 정의

상태(State)와 도구(Tool) 정의는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 그래프의 상태(State) 정의, 메시지 리스트에 새로운 메시지를 계속 추가(append)하는 방식입니다., 사용할 도구(Tool) 정의 흐름이 주석과 함께 드러납니다.

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

# 1. 그래프의 상태(State) 정의
# 메시지 리스트에 새로운 메시지를 계속 추가(append)하는 방식입니다.
class State(TypedDict):
    messages: Annotated[list, add_messages]

# 2. 사용할 도구(Tool) 정의
# LLM은 수학 계산에 약하므로, 곱셈을 해주는 도구를 쥐어줍니다.
@tool
def multiply(a: int, b: int) -> int:
    """두 정수의 곱셈 결과를 반환합니다. 계산이 필요할 때 사용하세요."""
    return a * b

# 3. LLM과 도구 연결 (Bind)
# gpt-4o-mini 모델이 이 도구의 존재를 알게 됩니다.
llm = ChatOpenAI(model="gpt-4o-mini")
tools = [multiply]
llm_with_tools = llm.bind_tools(tools)

print("상태 정의 및 도구 연결 완료!")

노드(Node)와 그래프(Graph) 구성

노드(Node)와 그래프(Graph) 구성는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 챗봇 노드 함수 정의, 현재까지의 대화 기록(state[“messages”])을 보고 다음 말을 생성합니다., 그래프 빌더 생성 흐름이 주석과 함께 드러납니다.

from langgraph.prebuilt import ToolNode, tools_condition

# 1. 챗봇 노드 함수 정의
def chatbot(state: State):
    # 현재까지의 대화 기록(state["messages"])을 보고 다음 말을 생성합니다.
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

# 2. 그래프 빌더 생성
graph_builder = StateGraph(State)

# 3. 노드 추가 (작업자 배치)
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_node("tools", ToolNode(tools)) # LangGraph가 제공하는 도구 실행 전용 노드

# 4. 엣지 연결 (작업 순서 연결)
# [시작] -> [챗봇]
graph_builder.set_entry_point("chatbot")

# [챗봇] -> (조건부 분기) -> [도구] 또는 [종료]
# tools_condition: LLM이 도구를 찾으면 'tools'로, 아니면 '__end__'로 보냅니다.
graph_builder.add_conditional_edges(
    "chatbot",
    tools_condition,
)

# [도구] -> [챗봇] (★핵심: 도구 사용 후 다시 챗봇으로 돌아옵니다 = 순환)
graph_builder.add_edge("tools", "chatbot")

# ... trimmed ...

실전 테스트

실전 테스트는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 graph.stream()을 통해 각 단계(Node)가 실행될 때마다 결과를 봅니다., 챗봇이 응답한 경우, 도구가 실행된 경우 흐름이 주석과 함께 드러납니다.

from langchain_core.messages import HumanMessage

def run_chat(question):
    print(f"\n 질문: {question}")
    print("-" * 40)

    # graph.stream()을 통해 각 단계(Node)가 실행될 때마다 결과를 봅니다.
    for event in graph.stream({"messages": [HumanMessage(content=question)]}):
        for key, value in event.items():
            print(f" [현재 위치: {key}]")

            # 챗봇이 응답한 경우
            if key == "chatbot":
                msg = value['messages'][-1]
                if msg.tool_calls:
                    print(f"   도구 호출 감지! (이름: {msg.tool_calls[0]['name']}, 값: {msg.tool_calls[0]['args']})")
                else:
                    print(f"   최종 답변: {msg.content}")

            # 도구가 실행된 경우
            elif key == "tools":
                msg = value['messages'][-1]
                print(f"   도구 실행 결과: {msg.content}")

Source Bundle

• Source path: 13_LLM_GenAI/Code_Snippets/3-5 LangGraph_맛보기.md
• Source formats: ipynb, md
• Companion files: 3-5 LangGraph_맛보기.ipynb, 3-5 LangGraph_맛보기.md
• Note type: code-note
• Last updated in the source vault: 2026-03-08T03:33:14
• Related notes: 13_LLM_code_Roadmap.md, 13_LLM_GenAI_Code_Summary.md
• External references: localhost

Note Preview

LangGraph는 LLM 애플리케이션에 “순환(Loop)”과 “제어(Control)” 기능을 부여하는 라이브러리입니다.

• 기존 LangChain: A → B → C (일방통행, 되돌아가기 어려움)