LangChain은 다양한 구성요소를 함께 '체이닝'하여 LLM 기반 애플리케이션을 위한 일관된 워크플로를 만듭니다. 이 모듈식 접근방식은 복잡한 언어 기반 AI 시스템을 재사용 가능한 부분으로 분해합니다. 사용자가 쿼리를 제출하면 LangChain은 일련의 단계를 거쳐 이 입력을 처리할 수 있습니다.

예를 들어 일반적인 워크플로에는 다음이 포함될 수 있습니다.

1. 사용자 쿼리를 수신합니다.
2. 쿼리를 처리하고 잠재적으로 쿼리를 변환하거나 쿼리를 사용하여 외부 데이터 소스에서 관련 정보를 검색합니다.
3. 데이터베이스, API 또는 기타 저장소에 연결하는 데 필요한 데이터를 검색합니다. LangChain은 다양한 소스의 데이터를 통합하기 위한 여러 가지 문서 로더를 제공합니다.
4. 검색된 정보와 원본 쿼리를 LLM에 전달합니다.
5. LLM은 제공된 컨텍스트와 사용자의 입력을 기반으로 응답을 생성합니다.
6. 그런 다음 생성된 응답이 사용자에게 반환됩니다.

이 체이닝 접근방식을 사용하면 개발자가 애플리케이션이 사용자의 요청을 처리하고 응답을 생성하기 위해 취할 일련의 작업을 정의할 수 있습니다. LangChain은 이러한 단계를 구성요소로 간소화하여 LLM 또는 외부 리소스와 여러 번 상호작용해야 하는 애플리케이션을 더 쉽게 빌드할 수 있도록 해 줍니다. 또한 이 프레임워크는 다양한 LLM을 사용하는 방법을 제공하여 개발자가 특정 애플리케이션에 가장 적합한 모델을 자유롭게 선택할 수 있도록 지원합니다.

Vertex AI와 함께 LangChain을 사용하는 방법 자세히 알아보기

LangChain은 LLM 기반 애플리케이션의 개발을 용이하게 하도록 설계된 다양한 기능을 제공합니다. 이러한 기능은 모델과의 상호작용을 관리하고, 데이터에 연결하고, 복잡한 동작을 조정하는 데 도움이 되는 핵심 개념을 중심으로 구성되어 있습니다.

• 다양한 데이터 통합: 정형 데이터베이스부터 비정형 텍스트에 이르기까지 다양한 데이터 소스와 원활하게 통합되어 포괄적인 언어 이해 및 분석을 지원합니다.
• 효과적인 데이터 검색 및 캐싱: 데이터를 효율적으로 검색하고 캐싱하여 언어 데이터에 더 빠르게 액세스하고 모델 추론 중 지연 시간을 최소화합니다.

• 여러 체인 지원: 단일 실행 체인 내에서 여러 언어 모델을 동시에 운영할 수 있어 공동작업과 조정이 개선됩니다.
• 유연한 체이닝 토폴로지: 사용자가 체인 내의 언어 모델 배열을 구성하고 최적화하여 효율적인 실행과 최적의 리소스 할당을 보장할 수 있습니다.

• 멀티 에이전트 통신 및 상호작용: LangChain은 여러 언어 이해 에이전트의 생성 및 배포를 지원하여 모델 간의 복잡한 협업 및 조정을 가능하게 합니다.
• 중앙 집중식 에이전트 조정: 언어 이해 에이전트에 대한 중앙 집중식 조정 및 감독을 제공하여 멀티 에이전트 시스템 내에서 효율적인 작업 분배와 리소스 관리를 보장합니다.

• 확장 가능한 외부 메모리: 커스텀 외부 메모리 모듈을 통합하므로 사용자가 특정 요구사항을 충족하도록 메모리 관리를 확장하고 맞춤설정할 수 있습니다.
• 적응형 컨텍스트 할당: LangChain은 메모리 할당을 위한 적응형 알고리즘을 사용하여 효율적인 컨텍스트 저장 및 검색을 위해 리소스 사용률을 최적화합니다.