LangGraph 2 Self Corrective

LangGraph 2 Self Corrective에서 직접 따라간 구현 흐름과 코드 증거를 다시 볼 수 있게 정리한 LLM 학습 기록입니다. 본문은 LangGraph 실습 2: Sel… 순서로 핵심 장면을 먼저 훑고, 시나리오: Self-Corrective…, 코드 구현, 실행 테스트 같은 코드로 실제 구현을 이어서 확인할 수 있습니다. ipynb/md 원본과 19개 코드 블록, 6개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, getpass, typing, langchain_openai입니다.

빠르게 볼 수 있는 포인트: LangGraph 실습 2: Self-Corrective 검색 (루프).

남겨둔 자료: ipynb/md 원본과 19개 코드 블록, 6개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, getpass, typing, langchain_openai입니다.

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

Snapshot

Item	Value
Track	LLM
Type	Archive Note
Source Files	`ipynb`, `md`
Code Blocks	19
Execution Cells	6
Libraries	`os`, `getpass`, `typing`, `langchain_openai`, `langgraph`, `IPython`
Source Note	`4-2 LangGraph_2_Self_Corrective`

What This Note Covers

LangGraph 실습 2: Self-Corrective 검색 (루프)

Self-Corrective 검색 (루프): Corrective-RAG (CRAG) 단순화버전 LangGraph의 핵심 기능인 루프(Loop)를 구현한다 - “결과가 안 좋으면 다시 시도”하는 Self-Corrective 패턴을 이해한다 - 무한 루프 방지를 위한 종료 조건 설계를 학습한다

읽을 포인트: 세부 흐름: 핵심: 왜 루프가 필요한가?, 코드 구현, 정리 > 루프 구현의 핵심

핵심: 왜 루프가 필요한가?

LangChain (Chain): 직선 흐름만 가능 LangGraph (Agent): 되돌아가기 가능

코드 구현

LangGraph 실습 2: Self-Corrective 검색 (루프) > 코드 구현 아래 코드와 함께 읽으면 구현 포인트가 더 또렷해지는 구간입니다.

정리 > 루프 구현의 핵심

정리 > 루프 구현의 핵심 아래 코드와 함께 읽으면 구현 포인트가 더 또렷해지는 구간입니다.

Why This Matters

RAG 검색 파이프라인

왜 필요한가: LLM이 외부 지식을 안정적으로 참조하게 하려면, 생성 전에 관련 문서를 정확히 찾아오는 검색 단계가 먼저 필요합니다.
왜 이 방식을 쓰는가: 이 방식은 모델 파라미터만 믿지 않고 최신 문서나 도메인 지식을 붙일 수 있어서 실제 서비스형 QA에 적합합니다.
원리: 문서를 청크로 나누고 임베딩한 뒤, 질문과 가까운 벡터를 검색해 프롬프트에 함께 넣는 구조로 동작합니다.

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

LangGraph 실습 2: Self-Corrective 검색 (루프): 핵심: 왜 루프가 필요한가?, 코드 구현

Code Highlights

시나리오: Self-Corrective RAG 시뮬레이션

시나리오: Self-Corrective RAG 시뮬레이션는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 원본 노트에서 구현 흐름을 가장 잘 보여주는 핵심 코드 중 하나입니다.

     ┌─────────────────────────────┐
     │                             │
     ▼                             │ (재시도)
 [search] → [evaluate] ───────────┘
                 │
                 │ (통과)
                 ▼
           [generate]
                 │
                 ▼
               종료

코드 구현

코드 구현는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 ============================================, [2] Node 정의 흐름이 주석과 함께 드러납니다.

# ============================================
# [2] Node 정의
# ============================================

# 시뮬레이션용 가짜 검색 결과
FAKE_SEARCH_RESULTS = {
    1: "LangGraph는... (관련 없는 광고 내용)",
    2: "그래프 이론의 역사... (관련 없는 학술 내용)",
    3: "LangGraph는 LangChain 위에 구축된 라이브러리로, 상태 기반의 순환 그래프를 통해 복잡한 AI 에이전트를 구현할 수 있습니다.",
    4: "LangGraph는 상태(State), 노드(Node), 엣지(Edge)로 구성되며, 조건부 분기와 루프를 지원합니다.",
}

실행 테스트

실행 테스트는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 실행! 흐름이 주석과 함께 드러납니다.

# 실행!
print("=" * 60)
print("Self-Corrective RAG 실행")
print("=" * 60)

result = app.invoke({
    "query": "LangGraph란 무엇인가요?",
    "current_query": "LangGraph란 무엇인가요?",
    "search_result": "",
    "is_relevant": False,
    "attempts": 0,
    "final_answer": ""
})

print("\n" + "=" * 60)
print("----최종 결과")
print("=" * 60)
print(f"총 검색 시도: {result['attempts']}회")
print(f"\n최종 답변:\n{result['final_answer']}")

스트리밍으로 루프 과정 추적

스트리밍으로 루프 과정 추적는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 각 스텝별 State 변화 추적 흐름이 주석과 함께 드러납니다.

# 각 스텝별 State 변화 추적
print("=" * 60)
print("스트리밍 모드: 각 노드 실행 추적")
print("=" * 60)

step_count = 0
for step in app.stream({
    "query": "LangGraph의 핵심 구성요소는?",
    "current_query": "LangGraph의 핵심 구성요소는?",
    "search_result": "",
    "is_relevant": False,
    "attempts": 0,
    "final_answer": ""
}):
    step_count += 1
    for node_name, node_output in step.items():
        print(f"\n{'─' * 40}")
        print(f"Step {step_count}: 노드 '{node_name}' 완료")
        if "attempts" in node_output:
            print(f"  attempts: {node_output['attempts']}")
        if "is_relevant" in node_output:
            print(f"  is_relevant: {node_output['is_relevant']}")

Source Bundle

Source path: 13_LLM_GenAI/Code_Snippets/4-2 LangGraph_2_Self_Corrective.md
Source formats: ipynb, md
Companion files: 4-2 LangGraph_2_Self_Corrective.ipynb, 4-2 LangGraph_2_Self_Corrective.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

Self-Corrective 검색 (루프): Corrective-RAG (CRAG) 단순화버전

LangGraph의 핵심 기능인 루프(Loop)를 구현한다 - “결과가 안 좋으면 다시 시도”하는 Self-Corrective 패턴을 이해한다 - 무한 루프 방지를 위한 종료 조건 설계를 학습한다