본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4n8ztzq
(~6/20) 50일의 기적 AI 환급반💫 | 패스트캠퍼스
초간단 미션! 하루 20분 공부하고 수강료 전액 환급에 AI 스킬 장착까지!
fastcampus.co.kr
이번 실습에서는 LangChain의 고급 기능인 Agentic Retriever를 구현하고 실험해보는 경험을 할 수 있었다. 기존의 단순 RAG (Retrieval-Augmented Generation) 방식에서는 하나의 retriever를 통해 문서를 검색하고 응답을 생성하는 데 그쳤지만, 이번 실습에서는 에이전트가 여러 retriever를 능동적으로 조합하고 reasoning하며 도구처럼 사용하는 retrieval strategy를 구현하였다.
첫 번째 단계에서는 실습에 필요한 주요 라이브러리들을 불러오고, ChatOpenAI를 사용해 LLM을 초기화하였다. 이후 예제 문서를 생성하고, 이 문서를 indexing한 retriever를 만들어 create_retriever_tool() 함수로 LangChain의 tool 형태로 변환하였다. 이렇게 생성된 retriever tool은 이후 agent가 사용할 수 있는 도구로 등록된다.
두 번째 단계에서는 이 tool을 LLM과 함께 create_react_agent()를 이용해 Agent로 묶고, 이를 기반으로 RunnableAgentExecutor를 구성하였다. 사용자가 "What is LangChain Expression Language (LCEL)?"와 같이 질문하면, 에이전트는 적절한 도구를 선택하고 문서를 검색한 뒤, 응답을 구성하는 과정을 스스로 수행한다. 이 모든 과정은 LangGraph의 흐름을 통해 시각화 가능하게 구성되어 있어 reasoning trace를 명확하게 확인할 수 있었다.
또한 실습 후반부에서는 두 개의 서로 다른 문서에 대해 각각 별도의 retriever를 생성하고, 이를 tool로 만들어 agent에 함께 주는 방식으로, 복수 retriever 통합을 실험했다. 이를 통해 사용자가 "How do I use LCEL with agents?"라는 질문을 던졌을 때, agent가 LCEL retriever와 agent retriever를 각각 호출하고, 문맥에 맞는 정보를 결합해 응답을 생성하는 과정을 구현할 수 있었다.
마지막으로 agent 실행 결과를 trace와 함께 출력함으로써, 단순한 문서 검색이 아니라 도구 선택과 reasoning이 결합된 에이전트 기반 검색 시스템의 구조와 작동 원리를 명확히 이해할 수 있었다.
이 실습은 LangChain 기반 시스템의 확장성과 유연성을 체감하게 해주었으며, 단순 RAG 모델이 아닌 다단계 도구 조합 기반 검색 에이전트 시스템을 실제로 구현해 본다는 점에서 매우 교육적이었다. 실제 프로젝트에 적용할 수 있는 강력한 retrieval 전략을 학습한 의미 있는 실습이었다.
안좋은 점은 계속적으로 이론강의 pdf가 앞뒤 수강 내용의 pdf로 작성되어있고, 그 수강내용 전반부가 존재하지않는다는 점이다.
이 점이 빨리 고쳐졌으면 좋겠다. 이 강의를 듣게된다면 그저 인강을 틀어놓고 수업들어야한다는 단점이다. 실습은 문제없이 잘 진행된다.
