# 로드맵

[![GitBook](https://img.shields.io/static/v1?message=Documented%20on%20GitBook\&logo=gitbook\&logoColor=ffffff\&label=%20\&labelColor=5c5c5c\&color=3F89A1)](https://www.gitbook.com/preview?utm_source=gitbook_readme_badge\&utm_medium=organic\&utm_campaign=preview_documentation\&utm_content=link)

#### **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**

   ```bash
   pip install langchain openai
   ```
3. **간단한 LangChain 실행**

   ```python
   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.

   ```python
   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.

   ```python
   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.

   ```python
   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.

   ```python
   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.

   ```python
   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.

   ```python
   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.

   ```python
   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.

   ```python
   result = vectorstore.search("추천 시스템 만들기", k=3)
   print(result)
   ```
3. **API 자동화**

   * Agents와 Tools를 활용해 Google 검색, 계산기 등 자동화.

   ```python
   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.

   ```python
   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.

   ```python
   from langchain.cache import InMemoryCache

   cache = InMemoryCache()
   llm.cache = cache
   ```
3. **사용자 정의 도구 통합**

   * 새로운 툴 생성 및 LangChain에 통합.

   ```python
   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()
   ```

***

####