AI 강의 정리 06 - LangChain 기초: PromptTemplate, Chain, OutputParser
LangChain을 왜 사용할까?
OpenAI API만 사용해도 AI에게 질문하고 답을 받을 수 있습니다. 그런데 실제 서비스를 만들다 보면 질문 하나로 끝나지 않습니다.
예를 들어 다음 작업을 생각해 보겠습니다.
영어 문장을 입력받는다
-> 한국어로 번역한다
-> 번역 결과를 한 문장으로 요약한다
-> 결과만 깔끔하게 화면에 출력한다
이런 작업은 여러 단계를 연결해야 합니다. LangChain은 이런 LLM 작업 흐름을 쉽게 구성하도록 도와주는 Python 라이브러리입니다.
강의 폴더에서는 다음 파일들이 이 주제에 해당합니다.
20_langchain_20250422_01_langchain_PromptTemplate.py
20_langchain_20250422_02_langchain_XMLOutputParser.py
20_langchain_20250422_03_langchain_chain.py
20_langchain_20250422_04_llm.py
21_langchain_20250423_02_SequentialChain.py
21_langchain_20250423_02_SequentialChain_NewVer.py
21_langchain_20250423_03_ConversationChain_NewVer.py
24.langchain_20250424_04_stream_chat.py
LangChain의 핵심 구성요소
LangChain을 처음 볼 때는 다음 세 가지를 먼저 이해하면 됩니다.
| 구성요소 | 역할 |
|---|---|
| PromptTemplate | 프롬프트 문장 틀 만들기 |
| LLM | 실제 AI 모델 호출 |
| OutputParser | AI 응답을 원하는 형태로 변환 |
이 세 가지를 연결하면 Chain이 됩니다.
PromptTemplate
-> LLM
-> OutputParser
PromptTemplate
PromptTemplate은 프롬프트를 매번 직접 문자열로 만들지 않도록 도와줍니다.
예를 들어 제품 홍보 문구를 만드는 프롬프트가 있다고 가정합니다.
from langchain.prompts import PromptTemplate
template = "{product} 제품 홍보 문구를 작성해줘"
prompt = PromptTemplate(
input_variables=["product"],
template=template,
)
formatted_prompt = prompt.format(product="컴퓨터")
print(formatted_prompt)
출력은 다음과 같습니다.
컴퓨터 제품 홍보 문구를 작성해줘
비전공자 관점에서는 메일 병합과 비슷합니다. 문장 틀을 만들어 두고, 필요한 값만 바꿔 넣는 방식입니다.
LLM 호출
LangChain에서는 ChatOpenAI 같은 클래스로 모델을 호출합니다.
from langchain_openai import ChatOpenAI
gpt = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
result = gpt.invoke("컴퓨터 제품 홍보 문구를 작성해줘")
print(result.content)
temperature=0은 답변을 비교적 일관되게 만들겠다는 뜻입니다.
값이 높아질수록 더 창의적이지만 예측하기 어려운 답변이 나올 수 있습니다.
OutputParser
AI 모델의 응답은 객체 형태로 돌아오는 경우가 많습니다. 화면에 표시하거나 다음 단계로 넘기려면 문자열만 필요할 때가 있습니다.
이때 StrOutputParser를 사용합니다.
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
체인에 붙이면 모델 응답에서 텍스트만 꺼내 다음 단계로 넘길 수 있습니다.
Runnable Chain
최근 LangChain 예제에서는 | 연산자를 사용해 체인을 연결하는 방식이 많이 사용됩니다.
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
prompt = PromptTemplate.from_template(
"다음 문장을 한글로 번역하세요:\n\n{sentence}"
)
chain = prompt | llm | StrOutputParser()
result = chain.invoke({
"sentence": "Starbucks Korea plans to open a new store near Sinchon Station in Seoul."
})
print(result)
이 코드는 다음 흐름입니다.
입력값 sentence
-> PromptTemplate에 넣어 프롬프트 완성
-> LLM 호출
-> 문자열로 변환
여러 단계를 연결하기
강의 코드에는 번역 후 요약하는 예제가 있습니다.
from langchain_core.runnables import RunnableLambda
prompt_translate = PromptTemplate.from_template(
"다음 문장을 한글로 번역하세요:\n\n{sentence}"
)
prompt_summary = PromptTemplate.from_template(
"다음 문장을 한 문장으로 요약하세요:\n\n{translation}"
)
chain = (
prompt_translate
| llm
| StrOutputParser()
| RunnableLambda(lambda output: {"translation": output})
| prompt_summary
| llm
| StrOutputParser()
)
여기서 중요한 부분은 RunnableLambda입니다.
첫 번째 LLM의 결과는 그냥 문자열입니다.
그런데 두 번째 프롬프트는 {translation}이라는 이름의 입력값을 기대합니다.
그래서 문자열을 딕셔너리 형태로 바꿔 줍니다.
RunnableLambda(lambda output: {"translation": output})
흐름을 그림처럼 쓰면 다음과 같습니다.
영어 문장
-> 번역 프롬프트
-> LLM
-> 한국어 번역문
-> {"translation": 번역문}
-> 요약 프롬프트
-> LLM
-> 최종 요약문
예전 방식과 새 방식
강의 코드에는 다음 메모가 있습니다.
0.3.13: LLMChain, SequentialChain 사용 가능
0.3.23 이상: RunnableSequence와 | 연산자 중심 권장
LangChain은 버전 변화가 빠른 편입니다. 그래서 예전 블로그 글이나 강의 자료를 그대로 실행하면 import 경로나 클래스 이름이 바뀌어 오류가 날 수 있습니다.
자주 보는 오류는 다음과 같습니다.
ModuleNotFoundError: No module named 'langchain_community'
이 경우 필요한 패키지를 추가 설치해야 합니다.
pip install langchain-community
LangChain을 쓰면 좋은 경우
LangChain은 다음 상황에서 유용합니다.
- 프롬프트를 여러 개 연결할 때
- PDF, CSV, 웹 문서 같은 로더를 사용할 때
- RAG를 구성할 때
- 챗봇 대화 기록을 관리할 때
- Agent를 만들 때
- LangGraph와 함께 상태 기반 워크플로를 만들 때
반대로 단순히 질문 하나 보내고 답 하나 받는 정도라면 OpenAI SDK만 써도 충분할 수 있습니다.
정리
LangChain의 기초는 어렵게 생각할 필요가 없습니다.
- PromptTemplate은 프롬프트 틀입니다.
- LLM은 AI 모델 호출입니다.
- OutputParser는 결과 정리입니다.
- Chain은 이 단계들을 순서대로 연결한 것입니다.
|연산자를 사용하면 파이프라인처럼 읽을 수 있습니다.
다음 글에서는 LangGraph를 사용해 여러 단계를 상태 기반 워크플로로 연결하는 방법을 정리합니다.
댓글남기기