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
오늘은 LangGraph를 이용한 RAG(검색 기반 생성) 워크플로우를 실습하며 배웠습니다. 기존에 LangChain을 이용해 RAG 시스템을 설계할 때는 크게 문서 검색과 LLM 생성 단계를 순차적으로 수행했지만, 이번 수업에서는 LangGraph를 통해 각 단계를 모듈화하고 유연하게 조합할 수 있다는 점이 핵심이었습니다. LangGraph는 LangChain의 기능을 기반으로 하면서도, 그래프 구조로 워크플로우를 표현함으로써 더 직관적으로 흐름을 설계하고 조건 분기, 반복, 병렬 작업 등을 쉽게 구현할 수 있습니다.
수업에서는 먼저 간단한 노드 예제를 통해 LangGraph의 구조와 add_node, add_edge, set_entry_node 등의 메서드를 익혔습니다. 이어서 벡터 검색을 포함한 Retrieval 단계와 LLM 생성 단계를 그래프 노드로 정의하고, 사용자의 질문을 벡터 임베딩으로 변환하여 관련 문서를 찾아오는 과정을 LangGraph로 구성했습니다. 이를 통해 검색된 정보를 LLM에게 전달하여 최종 답변을 생성하는 end-to-end 파이프라인을 완성했습니다.
특히 LangGraph의 장점은 각 단계를 독립적으로 테스트하거나 재사용할 수 있다는 점과, 예외 처리나 추가 로직(예: 요약, 후처리)을 그래프 상에 쉽게 추가할 수 있다는 점입니다. 수업 중에는 이런 유연성을 활용해 선택적으로 후처리를 수행하거나, 필요 시 다시 검색 단계를 반복하는 구조를 직접 실습했습니다.
마지막으로 Chainlit을 통해 LangGraph 기반 에이전트를 시각적으로 실행하고, 실제 응답이 어떻게 생성되는지 확인하며 디버깅했습니다. 이 과정을 통해 단순한 Linear한 체인 방식에서 한 단계 더 발전한, 조건 기반 유연한 RAG 파이프라인 설계 능력을 키울 수 있었습니다.
전체적으로 오늘 배운 LangGraph를 사용한 RAG 시스템은 실제 서비스나 연구용 QA 시스템에 바로 응용할 수 있을 정도로 실용적이고 강력했습니다. 앞으로 복잡한 멀티스텝 처리나 대규모 검색 기반 시스템을 개발할 때 큰 도움이 될 것으로 느꼈습니다.
