LangGraph란

1. LangGraph 에이전트의 핵심 구성 요소

LangGraph 에이전트는 기본적으로 **상태(State), 노드(Nodes), 엣지(Edges)**의 세 가지 핵심 요소로 구성됩니다. 이를 통해 에이전트의 행동 흐름을 명확한 그래프 형태로 정의하고 제어합니다.

1. State (상태):
   •   정의: 에이전트가 현재까지 수행한 작업의 결과나 대화의 맥락 등, 에이전트의 현재 상황을 나타내는 모든 정보입니다. 이 상태는 그래프의 모든 노드에서 공유되며, 각 노드가 작업을 수행한 후 업데이트할 수 있습니다.
   •   중요성: LangGraph 에이전트의 핵심입니다. 일반적인 LangChain Agent Executor는 각 스텝마다 LLM이 다음 스텝을 예측하지만, LangGraph는 명시적으로 정의된 State를 통해 에이전트의 현재 상황을 정확히 추적하고, 이를 기반으로 다음 행동을 결정합니다.
   •   예시: 챗봇 에이전트의 상태는 메시지 히스토리, 사용된 툴 목록, 현재까지의 답변 초안, 다음 시도 횟수 등을 포함할 수 있습니다.
2. Nodes (노드):
   •   정의: 에이전트가 수행할 수 있는 하나의 독립적인 작업 단위입니다. 각 노드는 현재 State를 입력으로 받아 특정 작업을 수행하고, 업데이트된 State를 출력으로 반환합니다.
   •   유형:
     •   LLM 노드: LLM을 호출하여 텍스트를 생성하거나, 다음 행동을 추론하게 합니다. (예: model.invoke(state['messages']))
     •   Tool 노드: 외부 도구(검색 엔진, 계산기, API)를 호출하여 특정 작업을 수행하고 결과를 가져옵니다. (예: tool_executor.invoke(tool_call))
     •   커스텀 함수 노드: 개발자가 직접 정의한 Python 함수를 실행하여 복잡한 로직을 처리하거나 데이터를 조작합니다.
   •   예시: call_llm_node, call_tool_node, decide_next_action_node, format_final_answer_node 등.
3. Edges (엣지):
   •   정의: 노드와 노드 사이의 흐름(전환)을 정의합니다. 에이전트가 한 노드에서 작업을 마친 후, 다음에 어떤 노드로 이동할지 결정하는 경로입니다.
   •   유형:
     •   기본 엣지 (Default Edges): 특정 노드에서 항상 다음 특정 노드로 이동합니다.
     •   조건부 엣지 (Conditional Edges - 가장 중요): 현재 State나 이전 노드의 출력 결과에 따라 다음에 어떤 노드로 이동할지 동적으로 결정합니다. 이는 LLM 에이전트가 복잡한 의사 결정을 내리고 상황에 따라 다르게 행동하도록 하는 핵심 메커니즘입니다.
   •   예시: Thought 노드의 결과에 따라 Action 노드로 갈지, Final Answer 노드로 갈지 결정. 툴 호출 결과(Observation)가 성공적이면 다음 Thought로, 실패하면 Retry 노드로.

2. LangGraph 에이전트의 작동 방식: ReAct 패턴 구현

LangGraph는 ReAct(Reasoning + Acting) 패턴을 구현하는 데 매우 강력합니다.

•   Thought (추론) -> Action (행동) -> Observation (관찰) 루프:
  •   Thought 노드: LLM을 호출하여 현재 상태(State)를 기반으로 다음에 무엇을 할지(Action) 추론합니다. 이 추론 결과는 상태에 저장됩니다.
  •   Action 노드: Thought 노드에서 결정된 Action을 파싱하여 외부 도구(Tool)를 호출합니다. 툴의 실행 결과는 Observation이 되어 상태에 추가됩니다.
  •   조건부 엣지: Thought 노드 이후에 LLM이 "최종 답변"을 내놓을지, 아니면 "추가적인 툴 호출"이 필요하다고 판단했는지에 따라 다른 엣지를 따라갑니다.
    • "최종 답변"이면 Final Answer 노드로.
    • "툴 호출 필요"이면 Action 노드로.
  •   반복: Action 노드에서 툴을 실행하고 Observation을 얻으면, 이 Observation을 포함한 State를 가지고 다시 Thought 노드로 돌아가 다음 행동을 추론하는 루프를 반복합니다.
  (Start) --> Thought (LLM) ^ | | | (Conditional: Final Answer?) | v (Observation) <-- Action (Tool Executor) ^ | |------------| (Loop: Needs more action?)

3. LangGraph 에이전트의 장점 (LangChain Agent Executor 대비)

•   명시적인 상태 관리: 에이전트의 모든 상태 변화를 그래프의 노드와 엣지를 통해 명확하게 정의하고 추적할 수 있습니다. 이는 복잡한 로직의 디버깅과 이해를 크게 돕습니다.
•   복잡한 제어 흐름 (Conditional Edges): LLM의 예측에만 의존하는 것이 아니라, 명시적인 조건부 로직을 사용하여 에이전트의 흐름을 정확하게 제어할 수 있습니다. (예: if tool_call_succeeded: goto next_thought else: goto retry_node)
•   자가 수정(Self-correction) 및 반복 루프: 에이전트가 목표를 달성하지 못했을 때 다시 시도하거나, 다른 전략을 탐색하는 등의 복잡한 반복 루프를 쉽게 모델링할 수 있습니다.
•   여러 에이전트 간의 협업: 여러 개의 작은 에이전트들을 노드로 정의하고, 서로 상태를 주고받으며 협력하는 복잡한 시스템을 구축할 수 있습니다.
•   예측 가능성과 안정성: LLM의 비결정적인 특성을 명시적인 그래프 구조로 어느 정도 제어하여, 에이전트의 동작을 더 예측 가능하게 만들고 안정성을 높입니다.

LangGraph는 LLM을 단순한 API 호출 인터페이스가 아니라, 복잡한 의사 결정을 내리고 외부 환경과 능동적으로 상호작용하는 지능적인 유한 상태 기계(Finite State Machine)의 주체로 만듭니다.