로드맵

1. LangChain 기본 이해

목표

• LangChain의 개념과 주요 구성 요소 이해.

• 설치 및 간단한 코드 실행.

학습 및 실습

1. LangChain의 개념

   • LLM 기반 파이프라인을 설계하고 실행하기 위한 프레임워크.

   • 주요 구성 요소:

     • PromptTemplates: 사용자 정의 프롬프트 생성.

     • Chains: 작업 흐름을 연결하여 여러 LLM 호출 처리.

     • Memory: 대화 기록을 저장하여 컨텍스트를 유지.

     • Agents: 동적 작업 흐름.

     • Tools: 외부 API 호출 등 다양한 도구 통합.

2. LangChain 설치

   pip install langchain openai

3. 간단한 LangChain 실행

   from langchain.prompts import PromptTemplate
   from langchain.llms import OpenAI
   
   # 프롬프트 정의
   prompt = PromptTemplate(
       input_variables=["name"],
       template="Hello, {name}! How can I assist you today?"
   )
   
   # LLM 초기화
   llm = OpenAI(model="text-davinci-003")
   
   # 실행
   print(llm(prompt.format(name="Alice")))

---

2. LangChain 주요 구성 요소 학습

목표

• LangChain의 각 구성 요소를 상세히 이해하고 활용 방법 익히기.

학습 및 실습

1. PromptTemplates

   • 사용자 입력을 기반으로 템플릿화된 프롬프트 생성.

   • TIL 작성: PromptTemplate 사용법과 실습 코드 기록.

2. Chains

   • 여러 작업을 순차적으로 실행하는 체인 구성.

   • 예: 텍스트 생성 → 요약 → 번역.

   from langchain.chains import SimpleSequentialChain
   from langchain.llms import OpenAI
   
   # LLMs
   llm1 = OpenAI(model="text-davinci-003")
   llm2 = OpenAI(model="text-davinci-003")
   
   # 체인 구성
   chain = SimpleSequentialChain(
       chains=[
           llm1.as_chain(),
           llm2.as_chain()
       ]
   )
   
   result = chain.run("LangChain 활용법 학습")
   print(result)

3. Memory

   • 대화형 AI에 컨텍스트 유지 추가.

   • 예: 챗봇이 이전 메시지를 기억.

   from langchain.chains import ConversationChain
   from langchain.memory import ConversationBufferMemory
   
   memory = ConversationBufferMemory()
   chain = ConversationChain(llm=llm, memory=memory)
   
   print(chain.run("What is LangChain?"))
   print(chain.run("How does it handle memory?"))

4. Agents and Tools

   • Agents: 동적으로 작업 흐름을 처리.

   • Tools: 외부 API와 통합.

   from langchain.agents import initialize_agent, load_tools
   from langchain.llms import OpenAI
   
   tools = load_tools(["google-search", "calculator"])
   agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
   
   result = agent.run("What is the capital of France plus 100?")
   print(result)

---

3. LangChain 데이터 연결

목표

• LangChain을 데이터베이스, 파일, API와 연결.

• 예: Milvus, SQL, JSON 파일 등.

학습 및 실습

1. 데이터 연결

   • Milvus를 활용한 벡터 검색.

   from langchain.vectorstores import Milvus
   vectorstore = Milvus(host="localhost", port="19530")
   
   result = vectorstore.search("LangChain 활용법", k=5)
   print(result)

2. SQL 연결

   • SQL 데이터베이스와 연결하여 쿼리 실행.

   from langchain.sql_database import SQLDatabase
   from langchain.chains import SQLDatabaseChain
   
   db = SQLDatabase.from_uri("sqlite:///example.db")
   chain = SQLDatabaseChain(llm=llm, database=db)
   
   print(chain.run("List all users with their emails"))

3. 파일 연결

   • PDF, JSON 등 파일 데이터 연결.

   from langchain.document_loaders import PyPDFLoader
   
   loader = PyPDFLoader("example.pdf")
   documents = loader.load()
   print(documents[0].page_content)

---

4. LangChain 활용 사례

목표

• 실제 사용 사례를 실습하여 TIL에 기록.

• 예: 챗봇, 추천 시스템, 자동화 작업.

학습 및 실습

1. 챗봇 구현

   • 대화형 메모리를 추가하여 챗봇 구축.

   from langchain.chains import ConversationChain
   
   memory = ConversationBufferMemory()
   chatbot = ConversationChain(llm=llm, memory=memory)
   
   print(chatbot.run("Tell me about LangChain."))
   print(chatbot.run("How does it differ from other frameworks?"))

2. 추천 시스템

   • 사용자의 입력에 따라 관련 문서를 검색하고 추천.

   result = vectorstore.search("추천 시스템 만들기", k=3)
   print(result)

3. API 자동화

   • Agents와 Tools를 활용해 Google 검색, 계산기 등 자동화.

   result = agent.run("Calculate the population of France times 2.")
   print(result)

---

5. LangChain 최적화

목표

• 성능 및 사용성을 향상시키기 위한 최적화 방법 학습.

• 예: 프롬프트 최적화, 캐싱, 외부 툴 통합.

학습 및 실습

1. 프롬프트 최적화

   • 프롬프트 설계의 중요성 학습 및 최적화 실습.

   prompt = PromptTemplate(
       input_variables=["question"],
       template="You are an expert in AI. Please answer: {question}"
   )

2. 결과 캐싱

   • 동일한 요청에 대한 재응답 시간을 줄이기 위해 캐싱 사용.

   from langchain.cache import InMemoryCache
   
   cache = InMemoryCache()
   llm.cache = cache

3. 사용자 정의 도구 통합

   • 새로운 툴 생성 및 LangChain에 통합.

   from langchain.tools import BaseTool
   
   class CustomTool(BaseTool):
       name = "custom_tool"
       description = "A custom tool for specific tasks."
   
       def _run(self, query: str):
           return f"Processed: {query}"
   
   tool = CustomTool()

---