인공지능 - LangChain 구성요소 완벽 이해하기 - 한눈에 보는 흐름
🧩 LangChain 구성요소 완벽 이해하기 - 한눈에 보는 흐름
생성형 AI(Generative AI)를 활용해 “문서에서 답변하기” 시스템을 만들고 싶다면,
반드시 거쳐야 하는 필수 구조가 있습니다.
오늘은 LangChain의 핵심 구성요소와 흐름을 한눈에 정리해보겠습니다.
아래 이미지는 이 과정을 매우 깔끔하게 보여주고 있습니다.
✨ 한 줄 요약: 입력 → 문서 로드 → 텍스트 분할 → 벡터 저장 → 검색 → 답변 생성
이제 단계별로 자세히 살펴보겠습니다.
📄 LangChain 구성요소 흐름
1. 입력 (Prompt Template)
- 사용자가 작성한 프롬프트 템플릿이 시작점입니다.
- 예를 들어,
"문서를 요약해줘"
"이 문서에서 톰 소여에 대한 정보를 알려줘"
같은 요청을 준비합니다.
2. 도큐먼트 로더 (Document Loader)
- 문서, 이메일, 데이터베이스 등에서 원본 문서를 불러옵니다.
- 예시:
- PDF 파일 열기
- 웹사이트 URL 읽기
- DB에서 텍스트 가져오기
- 가져온 내용은 “도큐먼트(Document)” 형태로 변환됩니다.
3. 스플리터 (Splitter)
- 하나의 긴 문서를 짧은 조각(Split) 으로 나눕니다.
- 예시:
- 500자 단위로 텍스트 분할
- 챕터별로 나누기
- 이 과정을 통해 LLM이 다룰 수 있는 크기로 맞춥니다.
(※ LLM은 입력 토큰 수에 제한이 있기 때문입니다.)
4. 저장 (Vector Store)
- 분할된 조각을 임베딩(Embedding) 해서 벡터 DB에 저장합니다.
- 여기서 중요한 포인트:
- 텍스트를 의미(semantics) 기반으로 숫자 벡터로 변환
- FAISS, Pinecone 같은 벡터 저장소에 등록
- 즉, “문자열”이 아니라 “의미”를 저장하는 단계입니다.
5. 검색 (Retrieval)
- 사용자가 질문(Query)을 입력하면,
- 질문도 임베딩(벡터화)해서
- 벡터 DB에서 의미적으로 가장 비슷한 조각들을 찾아냅니다.
- 예시:
“등장인물” 질문 → “톰 소여 등장 부분” 문서 조각 검색
Retrieval은 가장 중요한 단계 중 하나입니다.
“검색된 문맥(Context)”이 답변 품질을 결정합니다.
6. 출력 (Prompt + LLM)
- 검색된 문서 조각을 프롬프트와 함께 LLM에게 전달합니다.
- LLM이 질문에 맞게 최종 답변(Answer) 을 생성합니다.
결과적으로,
문서에서 관련 내용만 추출해 질문에 맞는 정확한 답변을 생성하는 구조가 완성됩니다.
📈 전체 흐름 다시 요약하면
| 단계 | 설명 |
|---|---|
| 입력 | 사용자의 질문이나 요청 템플릿 준비 |
| 문서 로드 | PDF, 웹페이지 등에서 문서 불러오기 |
| 텍스트 분할 | 문서를 적당한 크기로 나누기 |
| 벡터 저장 | 의미 기반 임베딩 생성 후 저장 |
| 검색 | 질문과 가장 유사한 문서 조각 찾기 |
| 답변 생성 | 검색된 문맥을 기반으로 LLM이 답변 |
🎯 이 구조를 왜 알아야 할까?
| 이유 | 설명 |
|---|---|
| 맞춤형 AI 서비스 개발 | 내 문서, 내 데이터에 대해 답변하는 시스템을 만들 수 있습니다. |
| RAG 시스템의 기본 | Retrieval + Generation 방식의 핵심입니다. |
| LLM의 한계 극복 | 기억하지 못하는 부분을 문서 검색으로 보완할 수 있습니다. |
| 생산성 향상 | 검색 → 답변 생성 과정을 자동화할 수 있습니다. |
✨ 마무리
LangChain의 구성요소를 이해하는 것은
그냥 모델을 호출하는 단계를 넘어서
“나만의 데이터로 작동하는 AI 시스템”을 만드는 첫걸음입니다.
지금부터라도 이 흐름을 머릿속에 자연스럽게 그릴 수 있도록 연습해보세요! 🚀
🚀 다음 글 예고
다음에는
👉 “LangChain 문서 로더 종류 및 사용법”
👉 “Splitter 전략(Chunk 크기, Overlap) 최적화 방법”
도 함께 소개하겠습니다!
댓글남기기