러닝 랭체인

snoopy9***l2025-12-01

* 한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

LLM 기본부터 RAG, 에이전트, 랭그래프, 배포까지 한 권에 담았다는 점에서 실용성과 확장성을 염두해두고 작성한 책이라 생각합니다. 단순한 기능 소개가 아니라 직접 만들어보며 이해할 수 있는 구조로 서술하였다는 점에서 실습 중심 책이라는 점이 차별성을 가집니다.

랭체인을 바탕으로 다양한 LLM 어플리케이션 개발 및 배포에 대해 실전 경험을 쌓고 싶은 분들이라면, 한빛미디어의 '러닝 랭체인' 서적을 추천드립니다.

darkni***l2025-11-30

러닝 랭체인은 이 책으로 공부하자 - 한빛미디어 러닝랭체인

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다."

안녕하세요! AI 엔지니어링을 공부하는 하루입니다.

요즘 IT 업계에서 가장 핫한 키워드를 꼽자면 단연 LLM(거대언어모델)과 랭체인(LangChain)이에요.

챗GPT가 등장한 이후, 수많은 사람들이 AI의 가능성에 열광했습니다. 하지만 막상 이것을 이용해 '나만의 서비스'를 만들려고 하면 곧바로 벽에 부딪히게 됩니다.

"API를 호출해서 답변을 받는 건 알겠는데, 그 다음은?"
"AI가 내 컴퓨터에 있는 파일을 읽게 하려면?"
"AI가 스스로 인터넷 검색도 하고 계산도 하게 하려면?"

이런 고민을 하고 계신 분들에게 어떤 공부가 필요할지 인공지능에게 물어보면 꼭 나오는 단어가 바로 랭체인입니다.

이제 랭체인은 선택이 아닌 필수입니다. 그리고 그 랭체인을 가장 체계적으로 배울 수 있는 책, 한빛미디어의 <러닝 랭체인(Learning LangChain)>을 소개합니다.

이 서평에서는 단순히 책을 요약하는 것을 넘어, 도대체 랭체인이 무엇이고, 왜 이 책을 통해 배워야 하는지를 중점적으로 이야기해보려 합니다.

랭체인(LangChain), 도대체 무엇인가요?

요리사에게 최고급 식재료(LLM)가 있다고 가정해 봅시다. 식재료가 아무리 좋아도 도마, 칼, 냄비 같은 조리 도구가 없고, 재료를 다듬고 볶는 레시피가 없다면 훌륭한 요리(애플리케이션)를 만들 수 없습니다.

랭체인(LangChain)은 바로 이 '조리 도구 세트'이자 '표준 레시피'입니다.

LLM(식재료): GPT-5, Claude Sonnet 4.5, Gemini 3 같은 언어 모델

LangChain(조리 도구): LLM과 다른 기능(검색, 계산기, 데이터베이스 등)을 사슬(Chain)처럼 연결해주는 프레임워크

랭체인을 사용하면 단순히 텍스트를 생성하는 AI를 넘어, "외부 데이터를 찾아보고(Retrieval), 기억하고(Memory), 스스로 판단하여 행동하는(Agent)" 지능형 애플리케이션을 만들 수 있습니다.

왜 많은 책 중에서 한빛미디어의 '러닝 랭체인'일까요?

인터넷에는 이미 수많은 랭체인 튜토리얼이 있습니다. 하지만 기술 블로그나 유튜브 영상들은 단편적인 기능 구현에 치중하는 경우가 많습니다. "코드를 복사해서 붙여넣으니 되더라" 수준을 넘어서려면, 프레임워크의 철학과 전체적인 구조(Architecture)를 이해해야 합니다.

이 책은 그 지점에서 탁월합니다.

1. 파편화된 지식을 하나로 만들어줍니다

랭체인은 업데이트 속도가 매우 빨라서 어제 배운 코드가 오늘 작동하지 않을 수도 있기에 이 책은 빠르게 변하는 문법보다는 변하지 않는 핵심 개념에 집중합니다.

왜 프롬프트 템플릿이 필요한가?

왜 체인(Chain) 구조를 사용해야 하는가?

이러한 'Why'를 해결해주기 때문에, 나중에 문법이 바뀌더라도 쉽게 적응할 수 있는 기초 체력을 길러줍니다.

2. 파이썬(Python) 개발자를 위한 최적의 가이드

이 책은 AI 생태계의 공용어인 파이썬을 기반으로 쓰였습니다.

데이터 분석이나 머신러닝을 공부하셨던 분들이라면 익숙한 문법으로 자연스럽게 랭체인의 세계로 진입할 수 있고,

복잡한 이론보다는 실습 가능한 코드를 통해 개념을 증명하는 방식이라 '손으로 익히는' 공부를 선호하는 분들에게 안성맞춤입니다.

이 책에서 주목해야 할 3가지 핵심 기술

책을 읽으며 꼭 챙겨가야 할 랭체인의 필수를 챕터별로 정리했습니다.

(1) RAG: AI에게 '컨닝 페이퍼' 쥐여주기 (Chapter 2 & 3)

LLM은 학습하지 않은 최신 정보나 회사 내부 문서는 모릅니다.

이때 사용하는 기술이 RAG(검색 증강 생성)입니다.

이 책의 Chapter 2와 3에서는 문서를 AI가 이해하기 좋게 자르고(Chunking), 숫자로 변환하여 저장한 뒤(Embedding),

질문과 가장 관련된 내용을 찾아내는(Retrieval) 전 과정을 상세히 다룹니다.

단순히 문서를 넣는 것을 넘어, 어떻게 해야 더 정확한 문서를 찾아낼 수 있을까?에 대한 엔지니어링적 고민을 해결해줍니다.

(2) 에이전트(Agent): 스스로 생각하고 행동하는 AI (Chapter 6)

이 책의 메인은 단연 Chapter 6의 에이전트 파트입니다.

일반적인 챗봇은 정해진 답변만 하지만, 에이전트는 목표를 달성하기 위해 어떤 도구를 어떤 순서로 쓸지 스스로 결정합니다.

예를 들어 사용자가 "오늘 서울 날씨 검색해서 친구에게 이메일로 보내줘."

에이전트: (1. 검색 도구 실행 -> 2. 날씨 정보 요약 -> 3. 이메일 전송 도구 실행)

이 책은 ReAct 패턴을 통해 AI가 사고(Thought)하고 행동(Action)하며 관찰(Observation)하는 루프를 어떻게 구현하는지 코드 레벨에서 명쾌하게 설명합니다.

(3) 평가와 모니터링: 장난감이 아닌 '제품'으로 (Chapter 10)

데모를 만드는 것과 실제 사용자가 쓰는 제품을 만드는 건 다릅니다.

AI가 엉뚱한 소리(환각)를 하지는 않는지, 답변 속도는 적절한지 어떻게 알 수 있을까요?

Chapter 10에서는 LangSmith 등을 활용해 AI의 답변 품질을 평가하고, 로그를 추적(Tracing)하여 디버깅하는 방법을 다룹니다.

이는 실제 서비스를 운영하려는 개발자에게 너무 중요한 내용입니다.

이렇게 한 달 동안 랭체인 책을 읽고 공부해봤는데요.

LLM 애플리케이션 개발을 시작하려는데 어디서부터 손대야 할지 고민되시는 분들이 많을 텐데요.

아직 정해진 방법론이 없는 새로운 분야이기 때문입니다.

<러닝 랭체인>이 여러분의 공부에 큰 도움이 될 거라고 생각해요.

이 책은 단순히 랭체인 사용법을 알려주는 책이 아닙니다.

LLM이라는 거대한 지능을 어떻게 소프트웨어 아키텍처 안에서 우리가 원하는 대로 제어할 것인가에 대한 답을 찾는 과정입니다.

파이썬을 다룰 줄 알고, 이제는 단순한 데이터 분석을 넘어 AI 서비스를 만들어보고 싶은 분들께 이 책을 추천합니다.

랭체인이라는 강력한 무기를 장착하고, 상상만 했던 아이디어를 현실로 구현해보세요.

여러분의 코딩 여정에 이 책이 확실한 '치트키'가 되어줄 것입니다.

berry***l2025-11-30

러닝 랭체인: 생성형 AI 애플리케이션 개발을 체계적으로 정리해주는 안내서

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

1. 도서 선택 이유

실무에서 이미 랭체인을 활용한 RAG 시스템을 구현해보고, 랭그래프를 이용해 일종의 에이전트처럼 동작하는 구조도 만들어본 경험이 있습니다. 다만 그 과정은 대부분 블로그 글, 공식 문서, ChatGPT·Gemini 등의 제안에 기반한 단편적 학습에 가까웠고, 프레임워크 자체를 체계적으로 이해했다고 자신있게 말하기에는 아쉬움이 남아 있었습니다.

마침 한빛미디어의 11월 리뷰 도서 선택지 중 <러닝 랭체인>이 있었고, 이 책이 랭체인 엔지니어들이 직접 집필한 도서라는 사실을 알게 되어, 더 고민할 것 없이 선택했습니다.(한빛미디어 감사합니다)

RAG 프레임워크는 랭체인 외에도 라마인덱스 등 다양한 대안들이 존재합니다. 그렇지만 랭체인이 내놓은 “구성 요소를 연결한다”는 핵심 철학과 확장성은 필수적인 개념으로 자리 잡았다고 느끼고 있습니다. 프레임워크는 언젠가 더 새로운 것이 등장해 대체될 수 있지만, Chain을 비롯하여 랭체인이 정립한 개념적 구조는 앞으로도 LLM 기반 서비스를 개발한다면 반드시 이해해야 할 공통 언어가 될 것이라 생각했습니다.

2. 목차와 주요 내용 소개

2.1. Chapter 00~01. 랭체인을 위한 기초 AI 지식과 기본 LLM 사용법

가장 기초적인 언어모델 개념부터 프롬프트 전략(제로샷, CoT, RAG, Tool Calling)까지, 동일한 질문을 점진적으로 개선해 나가는 예시가 재밌었습니다. 단순한 팁 전달이 아니라, 왜 이런 전략이 필요하게 되었는지를 자연스럽게 설명해주는 구성이었습니다.

또한 랭체인의 체인 구성 시, LCEL (Langchain Expression Language, 기본 제공 컴포턴트 중심)과 명령형 구성(사용자 정의 로직이 많을 때)이라는 명확한 기준을 제시해준 점도 유익했습니다. 실무에서 사용 중인 RAG 파이프라인도 결국 명령형 방식이 더 적합하다는 사실을 도서를 통해 다시 확인했습니다.

2.2. Chapter 02~03. RAG: 데이터 인덱싱과 데이터 기반 대화

2장은 RAG의 핵심이 되는 데이터 전처리·인덱싱, 3장은 검색된 결과를 기반으로 답변 생성 전략을 다룹니다.

실무에서 문서를 직접 적재하면서 겪었던 어려움(예를 들면, 텍스트 청크가 어색하게 잘리지 않도록 조정하고, 표를 처리하기 위해 마크다운으로 변환하고, 메타데이터 구조를 꾸준히 보정하는 작업)을 생각하면, RAG의 데이터 준비 단계는 결코 단순하지 않습니다. 책에서도 이 과정을 간결하게 설명하고 있지만, 실제로는 꽤 많은 손이 가는 영역입니다. 다만 책의 예제를 보며 “다음에는 이렇게 접근하면 더 수월하겠구나”라는 힌트를 얻을 수 있었습니다.

특히 MultiVectorRetriever는 실무적으로 바로 활용할 수 있을 것 같습니다. 원본 청크에는 요약만 두고, 상세 표는 별도의 벡터로 관리해 검색 시 참조하는 방식은 실용적일 것 같습니다. 표가 길어져 잘리는 문제를 해결하는 데 도움이 될 것 같고, 전처리 부담도 줄어들어 다음 프로젝트에 꼭 적용해보려 합니다. SelfQueryRetriever도 문서 버전 관리를 위해 매우 유용할 것으로 보입니다. 도메인 특성상 매년 정책이 바뀌는 상품의 정보를 다룰 필요가 있다면 큰 도움이 될 것 같습니다.

쿼리 재작성, 다중 쿼리 전략은 이미 실무에서 큰 효과를 경험한 바 있는 단계였습니다. 또한 라우팅 개념은 앞으로의 RAG 시스템에서 중요한 역할을 할 것 같습니다. 모든 데이터베이스·모든 모델을 호출할 필요 없이 가장 적합한 조합을 자동으로 선택하는 구조는 비용, 속도, 정확도 관점에서 이점을 제공합니다.

2.3. Chapter 04~05. 랭그래프: 복잡한 LLM 아키텍처 설계하기

4장에서는 랭그래프의 기본 개념인 상태, 노드, 엣지를 소개하면서, 체인보다 복잡한 아키텍처를 구성하기 위한 사고방식을 정리합니다. 단방향 흐름인 체인과 다르게 그래프 구조는 조건, 상태에 따라 유연한 이동을 가능하게 하여 LLM 활용의 잠재력을 넓혀줍니다. 체인은 앞만 보고 직진하는 느낌이라면, 그래프는 다양한 케이스를 이해하며 이전보다 사람처럼 복합적인 이해를 할 수 있게 되었다고나 할까요.

5장에서는 본격적으로 LLM 호출, 체인, 라우터라는 기본 컴포넌트를 이용해 복잡한 그래프를 구축하는 예시를 제공합니다. 특히 LLM 애플리케이션에서 항상 고미해야 하는 "자율성"과 신뢰성"이라는 트레이드오프 구조를 설명해준 부분도 인상적이었습니다. 시스템의 자유도를 어디까지 허용할 것인지, 어떤 지점에서 제약을 걸 것인지가 결국 개발 범위를 결정하기 때문에 반드시 알아야할 개념이라고 생각합니다.

2.4. Chapter 06-07. 에이전트: 외부 환경과 상호작용하는 AI 시스템 만들기

최근 가장 뜨거운 주제 중 하나인 AI 에이전트를 랭그래프 관점에서 정리합니다. 툴을 직접 호출하는 경우, 선택하게 하는 경우, 툴이 과도하게 많을 때의 전략 등, 표준화된 아키텍처 패턴을 따라가며 배울 수 있어 실용적입니다.

특히 성찰(Reflection) 아키텍처는 보고서 작성, 문서 정리와 같이 실무 자동화 영역에서 곧바로 활용 가능할 것이라는 생각이 들었습니다. 실무에서 이런 기능을 만들 기회가 곧 있을 것 같아 기대가 됩니다.

2.5. Chapter 08-11. 운영/배포/평가/확장까지

8~11장은 "서비스를 만든다"에서 끝나는 것이 아니라, 운영 가능한 LLM 시스템을 완성하기 위한 후반부 내용을 다룹니다. LLM 애플리케이션의 관리 범위를 다루며 평가/배포/운영까지 이어지는 전체 수명을 실무 관점에서 정리합니다.

8장: 예측 가능성과 지연 시간 관리, 구조화된 출력 등 언어모델의 신뢰성을 높이는 전략
9장: 랭그래프 플랫폼, 랭스미스를 이용한 시각화/디버깅/배포
10장: 테스트, 평가, 모니터링 기법, 자체보정 RAG 등 현실적인 평가 전략
11장: 챗봇, 협업형 LLM, 앰비언트 컴퓨팅 등 시스템에서의 언어모델 활용 패턴

언젠가 어느 커뮤니티에서 본 것 같은데, 언어모델과 에이전트가 급격히 발전하면서 앞으로는 자연어만으로 서비스를 이용할 수 있게 될 것이라는 예측이 있다고 합니다. 과거 서비스 개발처럼 주어진 단계에 따라 진행하거나, 선택지들 사이에서 사용자가 버튼을 누르는 것이 아니라, 텍스트 입력이나 말하는 것만으로(이거도 결국 텍스트이긴하지만) 서비스 이용이 가능할 것이라는 거죠. 당장은 이정도의 실현은 어렵겠지만 앞으로 언어모델을 이용한 소프트웨어 개발이 어떻게 변화될지 기대가 됩니다.

3. 도서 총평

3.1. 좋았던 점

도서를 신청하며 기대했던 바를 실현했습니다. 역시 가장 큰 장점은 단편적으로 알고 있던 개념들을 구조화해 준다는 점입니다. 랭체인 > 랭그래프 > 에이전트 > 테스트와 배포라는 흐름은 개발자가 실제로 작업하는 순서와 거의 동일하기도 하여, 자연스럽게 머릿속에 체계가 잡힐 수 있습니다.

각 개념이 왜 필요한지, 어떤 상황에서 어떤 구조를 선택해야 하는지 명확하게 설명해 주어 언어모델을 기존 시스템에 통합해보고 싶은 개발자라면 무리 없이 이해할 수 있을 거라고 예상합니다.

3.2. 아쉬웠던 점

파이썬과 자바스크립트 예제를 모두 제공하는 구성은 다양한 개발자층을 배려한 선택이지만, 개인적으로는 파이썬만 사용해도 충분한 독자 입장에서는 분량이 다소 늘어난 느낌이 있었습니다. 다만 자바스크립트 예제를 통해 대규모 애플리케이션 환경에서의 확장성도 엿볼 수 있었고, 언젠가 JS 기반 LLM 앱도 다뤄보면 좋겠다는 생각이 들었습니다

또한 RAG 데이터 인덱싱 파트는 현실적으로 매우 공수가 많이 드는 영역인데, 실제 업무에서 겪는 복잡함에 비하면 다소 간단하게 다뤄진 면이 있습니다. 특히 폐쇄망 환경에서는 대형 모델을 활용하기 어려운 만큼, 전처리의 중요성은 책보다 훨씬 높다는 점을 독자들이 염두에 두었으면 합니다.

3.3. 앞으로 활용할만한 점

도서를 읽고 나니 지금보다 더 복잡한 LLM 애플리케이션을 설계, 개발해보고 싶은 욕구가 생겼습니다. 특히 부록에서 다루는 MCP는 앞으로 실무에 큰 영향을 미칠 기술이라고 생각되어, 차근히 공부해보려고 합니다. 10장에서 소개해준 랭스미스와 랭스미스를 활용한 평가도 실전에서 유용할 것으로 생각합니다.

생성형 AI는 지금 이 순간에도 빠르게 변화하고 있는데요. 이 책은 그 변화 속에서도 기본적인 흐름을 이해하고 실전에 적용할 수 있는 기반을 마련해주는 책이라고 할 수 있겠습니다. 특히 LLM을 기존 시스템에 통합해보고 싶으신 분들에게 추천드리고 싶습니다.

enetr***l2025-11-30

랭체인을 실습해볼수 있는 좋은 책입니다.

이 책은 랭체인에 대해서 알려주고, 이해할수 있는 내용으로 구성합니다.

AI시대에서 다양한 새로운 기술적인 키워드들이 새롭게 나오고 있습니다.

LLM, 랭체인, RAG, 에이전트 등등 새로운 용어들이 나오고 있는데, 실제 나에게 도움이 될것인지 어떻게 활용해야 할지

그 내용을 잘 살펴보고 이해하고 접근헤야 합니다.

우선 랭체인에 대해서 검색을 해보면 아래와 같은 내용이 나옵니다.

그렇습니다. 우리는 지금 다양한 에이전트의 개념을 이해하고,

랭체인은 오픈소스라는 것을 알고 있어야 합니다.

> 실습 예제 : https://github.com/TeeDDub/learning-langchain

GitHub - TeeDDub/learning-langchain

Contribute to TeeDDub/learning-langchain development by creating an account on GitHub.

github.com

> https://github.com/langchain-ai

LangChain

LangChain has 232 repositories available. Follow their code on GitHub.

github.com

■ 랭체인에 대해서

· LLM과 프롬프트 구성 요소와 툴을 제공하는 오픈소스 라이브러리로, 모든 요소를 신뢰성 있게 결합해 더 큰 애플리케이션을 만들수 있도록 지원합니다. ML 배경 지식이 없는 소프트웨어 엔지니어도 랭체인을 사용해 AI챗봇 부터 책임감 있게 추론하고 행동하는 AI에이전트까지 지 다양한 애플리케이션을 구축할수 있습니다.

랭체인이 없이도 LLM애플리케이션을 구축할수 있지만, 랭체인을 이용하면 사전 구현한 공통 패턴, 상호 교환 가능한 구성 요소를 사용할수 있습니다.

랭체인에 대한 기본 LLM 사용법이 설명되어 있습니다.

이 책은 모든 코드 예시는 아래 구성 요소로 활용됩니다.

- LLM/채팅모델 : 오픈AI

- 임베딩 : 오픈AI

- 벡터 저장소 : PGVector

예제 코드는 python, javascript를 활용한 코드 예시를 제공합니다.

국내에서 랭체인에 대한 정보를 공유하고 한글화에 많은 도움을 주시는 테디노트 님의 내용을 잘 살펴보시는 것도 도움이 많이 됩니다.

https://github.com/teddylee777/langchain-kr

GitHub - teddylee777/langchain-kr: LangChain 공식 Document, Cookbook, 그 밖의 실용 예제를 바탕으로 작성한 한

LangChain 공식 Document, Cookbook, 그 밖의 실용 예제를 바탕으로 작성한 한국어 튜토리얼입니다. 본 튜토리얼을 통해 LangChain을 더 쉽고 효과적으로 사용하는 방법을 배울 수 있습니다. - teddylee777/langch

github.com

· 실습 환경은 아래와 같이 pip를 통한 파이션 환경, npm을 통한 js환경을 구성 지원 합니다.

· 공통적으로 사용하기 위한 인터페이스

- Runnable인터페이스

invoke, batch, stream을 이용해서 재시도, 폴백, 스키마, 런타임을 구성할수 있습니다.

■ RAG를 사용하기

랭체인을 사용하면서, RAG사용은 반드시 필요한 개념이고, 사용해야 하는 부분입니다.

문서에서 텍스트를 추출하고, 의미있는 청크로 분할한 후, 이를 임베딩으로 변환해 벡터 저장소에 저장하는 전체 과정을 랭체인의 다양한 도구로 구현합니다.

- 비공개 데이터, 현재 정보에 대해서 정보가 반영되는것이 필요합니다.

> RAG 1단계 : 데이터 인덱싱

임베딩에 대한 개념을 살펴봅니다. 문서/텍스트 변환

벡터저장소에 임베딩 저장을 위해서 PostgreSQL의 PGVector를 이용합니다.

docker를 이용해서 환경구성을 진행합니다.

> RAG 2단계 : 데이터 기반 대화

검색과 생성과정을 통해서 사용자 질의를 임베딩하고, 벡터 저장소에서 관련 문서를 찾아 프롬프트에 컨텍스트로 제공하는 방법을 설명합니다. 더 정확한 답변을 위한 쿼리 변환, 다양한 데이터 소스를 활용하기 위한 쿼리 라우팅, 자연어를 구조화된 쿼리로 전환하는 방법을 통해서 실제 운영 환경에서 사용할수 있는 실습을 진행합니다.

- RAG 기본 동작방식은 아래와 같습니다.

검색 및 생성이 실제 답변을 구성하기 위해서 필요합니다.

이 단계를 통해서 RAG를 구성합니다.

■ LangGraph를 활용한 메모리 기능

그래프를 기반으로 아키텍처로 대화 흐름을 관리하고 상태를 추적하는 방법을 소개합니다.

채팅기록의 효율적인 관리를 위한 테크닉을 실용적인 코드예시와 함께 설명합니다.

- 답변에 대해서 RAG를 구성한 부분에 대해서 메모리 처리하는 구성도 입니다.

> pip install langgragh를 통해서 설치를 합니다.

StateGraph를 생성해서, 상태 그래프를 구체화 합니다

추가적으로 메모리 기능을 추가해서 그래프에 랭그래프 전용 스토리지 어댑터인 체크포인트를 첨부해서 재컴파일을 수행합니다.

· 에이전트 아키텍처에 대해서

LLM 애플리케이션의 가장 강력한 형태는 에이전트 아키텍처 입니다.

다양한 아키텍처 패턴을 랭그래프로 구현하는 방법이 있습니다. 세가지 인지 아키텍처를 살펴보고, 코드로 구현해봅니다.

단순한 LLM호출 부터 정해진 순서대로 여러 LLM을 호출하는 체인, 그리고 LLM이 다음단계를 결정하는 라우터까지 자율성이 점점적으로

높아지는 아키텍처를 이용해서 목적에 맞는 애플리케이션을 설계합니다.

1) LLM호출 아키텍처

2) 체인 아키텍처 : 사전에 정해진 순서에 따라 여러 차례의 LLM 호출을 활용해 확장합니다.

- 플로우 엔지니어링이라고 불리기도 합니다.

3) 라우터 아키텍처

- 체인 아키텍처는 정한 정적인 단계를 실행하는 반면, 라우터 아키텍처는 LLM이 미리 정의된 몇몇 단계 중 하나를 선택한다.

· 에이전트 LLM 애플리케이션에서는 2가지 이상의 행동 중에 선택을 해야 합니다

- 계획-> 실행 반복의 과정을 수행합니다.

- 책에서는 랭그래프 에이전트 구축에 DuckDuckGo를 이용합니다.

> pip install duckduckgo-search

■ AI 애플리케이션 배포

· 배포 환경

- 벡터 저장소 : 슈퍼베이스

- 모니터링 및 디버깅 : 랭스미스

README.md파일 구성을 통해서 종속성을 구성합니다.

· 부록으로 구성된 엔트로픽을 이용해서 MCP서버의 구축과 활용 방안에 대해서 있는 부분은

원서에는 없는 부분으로 매우 좋았습니다. 2024년 11월에 MCP연동 프로토콜이 오픈소스로 제공되어서

https://www.anthropic.com/news/model-context-protocol

Introducing the Model Context Protocol

The Model Context Protocol (MCP) is an open standard for connecting AI assistants to the systems where data lives, including content repositories, business tools, and development environments. Its aim is to help frontier models produce better, more relevan

www.anthropic.com

현재 많이 활성화 되어 있는 부분을 소개하고 실습할수 있어서 좋았습니다.

laplanc***l2025-11-29

[도서리뷰] 러닝 랭체인

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

이번에 리뷰할 서적은 한빛미디어에서 출판된『러닝 랭체인』입니다.
LLM·RAG·LangGraph·Agent 흐름을 체계적으로 정리한 실무 지침서입니다.

『러닝 랭체인』은 최신 AI 애플리케이션 개발에 필요한 핵심 요소들을 단계적으로 정리한 책입니다.
LLM 호출부터 RAG, LangGraph, Agent 아키텍처, 배포 및 테스트까지 이어지는 전체 개발 흐름을 하나의 체계로 제시한다는 점에서 실무적인 가치가 높습니다.
각 장의 핵심 내용과 평가를 아래와 같이 정리합니다.

CHAPTER 00. 기초 AI 지식

* LLM의 기본 개념을 설명합니다.
* 프롬프트 설계 원칙을 다룹니다.
* LangChain의 필요성과 역할을 소개합니다.

필수 개념만을 간결하게 설명하여 이후 장을 읽는 데 부담이 없습니다.
AI 기초가 약한 독자도 무리 없이 접근이 가능합니다.

CHAPTER 01. LangChain 기본 사용

* 개발 환경 구축 방법을 안내합니다.
* LangChain을 통한 LLM 호출 방식을 설명합니다.
* PromptTemplate과 구조화된 출력 생성 방법을 소개합니다.
* 여러 구성 요소를 결합한 간단한 애플리케이션을 구현합니다.

LangChain의 기본 철학과 사용 흐름을 빠르게 이해할 수 있습니다.
초심자에게 친절하며 실무 입문서로 적합합니다.

CHAPTER 02. RAG 1단계 — 인덱싱

* 임베딩의 개념과 필요성을 설명합니다.
* 문서 분할(chunking) 전략을 다룹니다.
* 벡터 저장소를 구축하고 임베딩을 저장합니다.
* 인덱싱 최적화 방법을 제시합니다.

RAG 성능의 절반을 결정하는 인덱싱 과정을 정확하게 정리하고 있습니다.
실제 업무에서 많이 겪는 문제를 기반으로 설명하여 실용성이 높습니다.

CHAPTER 03. RAG 2단계 — 데이터 기반 질의응답

* Retrieval을 활용한 RAG의 기본 구조를 설명합니다.
* 쿼리 변환·라우팅·구성을 체계적으로 정리합니다.

RAG의 두 번째 축인 “질의 처리 과정”을 명확하게 소개합니다.
검색 기반 답변의 정확도를 높이기 위한 핵심 요소들을 이해할 수 있습니다.

CHAPTER 04. LangGraph와 메모리

* 대화형 시스템을 위한 메모리 구조를 설명합니다.
* LangGraph의 개념과 장점을 다룹니다.
* StateGraph를 생성하고 메모리를 추가하는 과정을 제시합니다.

LangGraph 기반 시스템의 구조적 사고를 잡을 수 있는 장입니다.
대화형 에이전트 개발을 계획하는 독자에게 특히 유용합니다.

CHAPTER 05. LangGraph 기반 인지 아키텍처

* 단순 LLM 호출, 체인, 라우터 구조를 비교합니다.
* 모델 호출 방식의 차이를 통해 아키텍처 설계 원칙을 설명합니다.

구조적 설계 관점에서 유의미한 정리를 제공하고 있습니다.
다만 실무 사례가 추가되면 더 완성도 있는 구성으로 보입니다.

CHAPTER 06–07. 에이전트 아키텍처

* 계획–실행 루프를 설명합니다.
* Tool-first 전략과 복수 툴 호출 방식을 다룹니다.
* Reflection, 서브그래프, 다중 에이전트 구성을 소개합니다.

책 전체 중 가장 실전적인 비중을 차지하는 장입니다.
최근 산업계에서 활발히 논의되는 에이전트 구조를 구체적으로 설명하여 실무 적용에 도움이 됩니다.

CHAPTER 08. LLM 성능 향상 패턴

* 구조화된 출력 기법을 요약합니다.
* 모델 성능을 일정하게 유지하기 위한 패턴을 제시합니다.

분량은 짧지만, 실질적인 개선 포인트가 담겨 있습니다.
프롬프트 품질을 높이고자 할 때 즉시 활용할 수 있습니다.

CHAPTER 09. 배포

* AI 애플리케이션 배포 준비 절차를 설명합니다.
* LangGraph API 사용법을 다룹니다.
* 서비스 운영 및 보안 관점을 제시합니다.

배포 과정을 명확하게 정리하여 실제 서비스 구축 흐름을 이해할 수 있습니다.
다소 기술적이지만 실무 관점에서는 필수적인 내용입니다.

CHAPTER 10. 테스트 및 모니터링

* LLM 시스템 테스트 기법을 설명합니다.
* RAG 평가 및 검증 전략을 정리합니다.
* 운영 환경에서의 모니터링 방법을 제시합니다.

AI 개발에서 상대적으로 소홀하기 쉬운 테스트 영역을 깊이 있게 다루고 있습니다.
운영 환경에서 문제 해결에 도움이 되는 체계적인 접근을 제공합니다.

CHAPTER 11. 완성형 LLM 애플리케이션

* 챗봇 구성 방식을 설명합니다.
* 협업형 LLM 사용 사례를 소개합니다.
* 앰비언트 컴퓨팅 개념을 통해 향후 확장성을 제시합니다.

앞선 내용을 종합하여 실전 애플리케이션 형태로 정리한 장입니다.
책의 전체 흐름을 마무리하는 역할을 합니다.

#총평

『러닝 랭체인』은 LLM을 활용한 현대적 AI 애플리케이션 개발 흐름을 구조적으로 설명한 실무서입니다.
RAG, LangGraph, 에이전트 아키텍처까지 포함한 전 과정을 체계적으로 배우고자 하는 독자에게 적합합니다.

#장점

* 전체 흐름을 단계적으로 구성한 체계적인 설계
* 실전 중심의 예제와 구현 방식
* 최신 AI 개발 트렌드를 충실히 반영

#아쉬운 점

* 일부 개념은 더 깊게 다루었으면 하는 아쉬움이 있습니다.
* 대규모 사례나 서비스 수준의 구체적인 예시는 제한적입니다.

mech***l2025-11-29

LLM에 대한 이해를 바탕으로 AI구현해보기

"한빛미디어 <나는 리뷰어다> 활동을 위해서 책을 제공받아 작성된 서평입니다."
해서, 최대한 책을 펼쳐놓는 형태로 리뷰를 작성해 보려고 합니다.
그 중에 자신에게 맞는 부분이 있다면 책을 선택해 보시면 될 것 같습니다. ^^

1. 이 책에 대한 소개
(책 본문내용 정리)
먼저, LLM이 사람들에게 왜 매력적인지 살펴본다.
일반 지시문을 토대로 커스터마이징한 AI 챗봇을 만들어 본다.
코드없이 명령만으로 AI챗봇을 만들어 본다.
챗봇에 본인 문서를 활용하는 기능을 추가한다.
챗봇이 대화를 기억하도록 만든다.
사고의 연쇄와 툴 호출 기법을 사용해 챗봇에 반복적으로 계획을 수립하고 실행하는 능력을 부여한다.
행동하기전에 해당행동을 중단하거나 허락받는 기능을 추가해 챗봇이 행동에 앞서 추가 정보나 설명을 요청하도록 만들 것이다.
마지막으로 챗봇을 프로덕션 환경에 배포하는 방법을 안내하고 대기시간, 신뢰성, 보안 등 배포전후에 고려할 사항을 논의한다.
이 책을 통해 랭체인과 LLM을 활용한 AI 애플리케이션 개발에 대한 탄탄한 이해를 쌓을 수 있을 것이다.

2. 책의 구성
0장 : AI와 거대 언어 모델(LLM)의 개념을 소개하고, 다양한 프롬프트 기법을 설명한다. "
1장 : 랭체인을 활용한 LLM 호출 및 동적 입력 처리 방법을 다룬다.
2장 : 검색 증강 생성(RAG)의 첫 단계인 인덱싱과 벡터 저장소 활용 방법을 설명한다.
3장 : 검색과 생성 과정을 다루며, 쿼리 변환 및 라우팅 기법을 소개한다.
4장 : 챗봇에 메모리 기능을 추가하여 이전 대화를 기억하는 방법을 설명한다.
5장 : LLM 애플리케이션 구축을 위한 아키텍쳐 패턴을 랭그래프를 활용해 구현한다.
6장 : 검색과 계산기능을 갖춘 에이전트 아키텍처의 기본 개념과 구현 방법을 설명한다.
7장 : 에이전트 아키텍처 확장 기법(성찰, 멀티 에이전트 시스템 등)을 다룬다.
8장 : AI 애플리케이션에서 자율성과 신뢰성을 조화롭게 설계하는 방법을 설명한다.
9장 : LLM 애플리케이션의 배포 전략과 보안 고려 사항을 다룬다.
10장 : 테스트, 평가, 모니터링 및 지속적인 개선 방법을 소개한다.
11장 : 사용자와 LLM 간 상호작용을 최적화하는 애플리케이션 개발 패턴을 다룬다.
부록A : LLM 애플리케이션과 외부 툴을 연결하는 표준 MCP를 설명한다.

3. 서평
한 시대를 관통하는 흐름을 이해하는 책을 하나 제대로 읽어보는 것은 그 시대를 이해하는 중요한 방법이라 생각한다.
요즘 다들 AI시대인 줄은 알지만 그것이 어떤 것인지, 그것을 구현하고 있는 LLM이 어떤 원리로 동작하고 그것을 활용해서 내가 더 일을 잘할 수 있는 방법, 내 능력치를 더 높일 방법, 내 생산성을, 조직의 생산성을 높일 방법은 없는지 그런 것들을 생각해야 하는 시점이 아닌가 생각한다.

그런 점에서 이 책은 현시대를 관통하고있는 흐름으로의 AI 그리고 그 AI의 중심을 이루고 있는 LLM에 대해 이해하고 그것을 자신에 맞게 활용해볼 수 있는 경험을 제공한다.

LLM의 개념에서부터 구현, 보안, 지속적인 개선방법까지 잘만들면 나만의 비서가 되어, 내가 일을 좀 더 효율적이고 집중하고 싶은 곳에만 몰입하게 할 수 있는 환경도 만들 수 있다. 현재의 AI기술을 이해하고 자신만의 비즈니스에 활용할 방법을 찾는데 도움이 되는 책이 아닌가싶다.

'모든 것은 기본에서 시작한다.'는 손흥민 아버지 손웅정님의 책 제목처럼, 기본을 알면 다른 문제들도 오히려 쉽게 해결될 수도 있다. AI가 동작하는 LLM의 기본원리를 이해하고 자신에게는 맞는 방법을 찾아서 활용해보면 좋을것 같다.

그리고 개인적으로는 책의 장별로 제목은 목차에 존재하지만, 그 장을 간단하게 설명하는 부분이 책 서두에 있는 건 좋은 것 같다. 이 장에서는 이런 이야기를 하려고 했구나 하는것을 제목으로 알 수 없는 것들은 설명해줘서 그 부분들도 좋은 것 같다. 특히 기술서적의 경우에는 그 분야 사람들은 장별로 써있는 목차를 봐도 알지만 그렇지 않은 사람 들이 이 책을 볼때는 진입자체도 높은게 아닌가 싶다. 기본적으로 책은 다른 사람들과 소통하려고 쓰는 것이라는 생각이 들어서, 이 부분이 이 책에서 좋은 점이었던 것 같다.

4. 한줄 소감
LLM에 대한 이해를 바탕으로 AI구현해보기

jingug1***l2025-11-28

*[나는 리뷰어다] 러닝 랭체인

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서

책을 협찬받아 작성된 서평입니다.

이 책을 읽고 나니, 랭체인이란 게 거창한 마법 도구가 아니라 “레고처럼 끼워 맞추는 프레임워크”라는 걸 알겠더라구요. 어려운 LLM(거대 언어 모델) 기술을 다루지만, 설명은 딱 중학생도 따라올 수 있게 친절해요. “질문하면 대답하는 챗봇”에서 한 발 더 나아가, 외부 자료를 찾아보고(RAG), 계산도 하고, 여러 도구와도 이야기하는 똑똑한 에이전트까지 직접 만들어 보게 해줍니당. 읽으면서 “어? 이건 바로 실무에 써먹을 수 있겠는데요?” 하는 순간이 계속 나와요 ㅎㅎ

먼저 랭체인이 뭐냐면, LLM 앱을 만들 때 필요한 부품들을 쉽게 연결해 주는 프레임워크예요. 프롬프트를 잘 만들고, 사용자 입력을 다듬고, 외부 API도 붙이고, 결과를 정리해 보여주기까지—작은 블록들을 조립하듯이 구성해요. 설명이 “문장 → 블록 → 흐름”으로 차근차근 이어져서, 초보자도 “아, 이렇게 흐르는구나” 하고 감이 옵니다. 이해하기 쉽습니당.

RAG(검색 증강 생성) 파트는 특히 좋았어요. LLM이 모르는 걸 아는 척하지 않게, 진짜 문서를 찾아보고 그 근거를 바탕으로 대답하게 만드는 방법을 알려줘요. 문서 청킹(길~은 글을 딱딱 잘라서 보관하는 거), 임베딩(문서의 뜻을 숫자 벡터로 바꾸는 거), 인덱싱(찾기 쉽게 색인 붙이는 거), 쿼리 확장(질문을 더 똑똑하게 바꿔서 검색하는 거) 같은 기술을 쉬운 비유와 코드로 풀어줍니다. “메모를 잘 쪼개서 정리해야 나중에 빨리 찾는다”는 식의 설명이 직관적이에요. 실제로 제가 갖고 있던 PDF 여러 개를 실습대로 처리해보니, 질문 정확도가 확 올라가서 “와… 이 맛에 RAG 하는구나” 싶었어용 ^^

에이전트와 랭그래프 부분은 이 책의 하이라이트예요. 예전엔 에이전트가 뭘 할지 머릿속으로만 그리기 쉬웠잖아요? 근데 랭그래프는 그 흐름(생각하기 → 검색하기 → 계산하기 → 다시 생각하기)을 그래프처럼 그려서 관리하니까, 어디서 시간이 오래 걸리는지, 어디서 틀어지는지 한눈에 보여요. 성찰(스스로 결과를 점검하고 수정하는 루프), 도구 선택(검색/계산/코드 실행 등), 협업(여러 에이전트가 역할을 나눠서 문제를 해결)까지 확장하는 방법을 실습으로 따라가게 해 줍니다. “설계는 명확하게, 동작은 유연하게”라는 메시지가 전반에 흐르고, 실무 감각이 살아있습니당.

데이터 전처리랑 문서 변환도 놓치지 않아요. 현실의 데이터는 깨끗하지 않죠 ㅋㅋ 그래서 텍스트, PDF, 웹페이지처럼 제각각인 자료를 구조화하는 법, 표/코드/이미지 캡션을 안전하게 다루는 팁, 다중 문서 검색에서 정확도를 올리는 전략 등을 단계별로 보여줘요. “이게 왜 중요하냐면요”를 먼저 말해주고 “그래서 이렇게 하세요”로 마무리해서 따라 하기 편해요.

프롬프트 작성 가이드는 실전 맛집이에요. 목표, 톤, 출력 형식(예: JSON), 제약조건(예: 근거 출처 함께) 등을 명확히 적는 법을 예시와 함께 알려줘요. 막연한 질문 대신 “역할-지시-형식-평가 기준”을 틀로 잡아두면, 답변 질이 눈에 띄게 좋아지더라구요. 이 부분은 초보자에게도, 숙련자에게도 쓸모가 큽니다. 꼭 실천해보시길 권장합니다!

배포·운영 파트도 든든해요. 사용자 컨텍스트를 어떻게 활용할지(개인화), 로그/메트릭을 어디까지 남길지(모니터링), 비용/지연시간을 줄이는 꿀팁, 보안 이슈(프롬프트 주입 방어, API 키 관리)까지 실무 체크리스트처럼 짚어줍니다. “개발 끝! 배포!”가 아니라, “관측하고 개선하고 다시 배포”의 사이클을 자연스럽게 배우게 해요. 테스트와 평가 챕터에서는 벤치마크 셋업, 회귀 테스트(업데이트 후 성능이 떨어지지 않게), 휴리스틱·인간 평가를 섞는 요령 등도 알려줘서, 앱의 품질을 꾸준히 끌어올릴 수 있겠다는 자신감이 생겨요 ㅎㅎ

무엇보다 파이썬과 자바스크립트 예제가 같이 나오는 게 최고 장점이에요. 둘 중 하나만 알던 분도 다른 쪽 코드를 비교하며 배울 수 있고, 팀 내 역할 분담도 쉬워집니당. 저는 JS 쪽이라 파이썬 코드를 굳이 변환 안 해도 돼서 학습 속도가 팍팍 붙었어요. 바로 실습 들어가기 좋아요 ^^

이 책이 좋은 이유는 “멋진 이론”보다 “현실에서 굴러가는 설계”를 가르친다는 점이에요. 단순 챗봇으로 끝나지 않고, 문서 기반 QA, 메모리, 에이전트 오케스트레이션, 배포/운영까지 이어지는 전 과정을 한 흐름으로 보여줍니다. 기술의 한계도 솔직히 말해요. LLM은 가끔 그럴싸한데 틀릴 수 있고, 데이터 품질과 프롬프트/검색 설계가 핵심이라는 점을 반복해서 상기시켜 줍니다. 그래서 더 믿음이 가요.

정리하면, 이 책은 “최신 AI 기술을 직접 손으로 구현해 보고 싶은” 개발자한테 딱이에요. 중학생도 이해할 만큼 친절하지만, 실무자가 봐도 바로 써먹을 내용이 잔뜩입니다. 읽고 따라 하면 RAG부터 에이전트, 배포와 모니터링까지 “나도 할 수 있네?” 하는 자신감이 붙어요. 가볍게 읽히는데 알맹이는 묵직해요. 추천합니당 ^^

f4e6d***l2025-07-10

러닝 랭체인 초보부터 전문가까지 모두 도움이되는 책

랭체인을 처음 접하는 사람부터 배포와 관리를 목표로 하는 사람까지 모두 도움이 될 책이라고 생각합니다.

dbdlsg***l2025-06-30

LLM Agent 입문자에게 추천

해당 도서를 받기 직전에 LLM 기반 Agent 를 만드는 소규모 프로젝트를 진행했었다.

물론, 해당 도서를 받고 나서 진행했으면 더 좋은 결과물이 있었을텐데 라는 아쉬움이 조금은 남았다.

하지만 오히려 좋은게 해당 프로젝트하고 나서 위 도서를 읽는 것이라 어떤게 부족했고 어떤게 더 나은 방법인지 고찰할 수 있을 것 같다.

먼저 목차부터 보면 아래와 같다.

CHAPTER 00 랭체인을 위한 기초 AI 지식
CHAPTER 01 랭체인의 기본 LLM 사용법
CHAPTER 02 RAG 1단계: 데이터 인덱싱
CHAPTER 03 RAG 2단계: 데이터 기반 대화
CHAPTER 04 랭그래프를 활용한 메모리 기능
CHAPTER 05 랭그래프로 구현하는 인지 아키텍처
CHAPTER 06 에이전트 아키텍처 I
CHAPTER 07 에이전트 아키텍처 II
CHAPTER 08 LLM의 성능을 높이는 패턴
CHAPTER 09 AI 애플리케이션 배포
CHAPTER 10 테스트: 평가, 모니터링, 개선
CHAPTER 11 LLM 애플리케이션 개발

목차를 보면 보이겠지만 LLM 전반적인 내용들을 담고 있다.

최근에 내가 만든 것은 랭체인 기반으로 한 Agent 였는데, 해당 도서는 랭그래프도 같이 알려주는 것이 인상적이었다.

사실 프로젝트 시작할 때 랭체인을 할 것이냐 랭그래프로 할 것인지에 대해 많은 논의가 있었는데

조금은 진입장벽이 낮은 랭체인을 선택할 수 밖에 없었다.

이유는 처음으로 Agent를 만들어보는 것이기도 하고 내가 이전에 테스트해본 것이 langchain이기도 해서 선택하였다.

그리고 다른 곳에서도 나와있긴 하지만 에이전트 아키텍처를 상세하게 다뤄주는 부분이 프로젝트 시작전에 보았으면 좋았을 부분 같았다.

사실 나는 직접 아키텍처를 구성할 때 흐름과 답변의 정확성을 기준으로 작성을 하였다.

조금 더 얹어서 말하면 function calling 기능과 ReAct 기능을 같이 구현한 Agent를 구성했는데 ReAct 중간에 새로 OpenAI 호출을 중복해서 하다 보니

세션(?) 충돌이 일어나 에러를 뱉는 상황을 마주하였다.

하지만 해당 도서의 아키텍처를 보면 알겠지만 이러한 오류는 없게 할 수 있는 아키텍처를 구성해주고 있다.

꼭 Agent 구성하기 전에 필수로 해당 아키텍처는 봤으면 좋겠다.

추가로 CHAPTER 10 테스트을 보면 평가하는 항목이 있는 RAG 파이프라인 중간에 넣거나 곳곳에 품질을 올리기 위한 검증을 하는 단계들이 존재하는데

LLM에게 해당 결과가 내가 원한 결과에 부합하는지 질의해서 결과를 받아 검증을 처리하는 식으로 풀어내고 있고,

내가 했던 프로젝트도 동일하게 풀어내서 좋은 성능을 거둘 수 있었다.

해당 도서는 LLM 애서 대표적인 RAG를 처음 도입하는 분들에게 적합한 도서일 것으로 판단되며 추천한다!!

jrcfore***l2025-06-30

랭체인 + 랭그래프의 기초를 쌓기에 충실한 책

LLM이 등장한 이후, 필자는 회사 연구의 일환으로 LLM 관련 다양한 프로젝트 및 리서치에 참여하였다. 그러던 중 LangChain + LangGraph를 접하게 되었고, 이를 이용하여 이전과 달리 아주 손쉽게 LLM을 개발할 수 있다는 사실을 알게 되었다.

이처럼 새로운 기술이 출현하게 되면 초창기에는 수많은 기술 + 플랫폼들이 해당 기술의 주도권을 장악하기 위해서 등장하게 된다. LangChain도 이런 대세의 한 흐름이었다.

그리고 시간이 어느 정도 흐른 지금, LangChain은 LLM을 개발하는 주축 기술의 한 축이 되었고 LLM 개발자들이라면 반드시 알아야 하는 하나의 지식이 되었다는 생각이 든다.

다양한 Embedding DB와 수많은 LLM Interface를 몇몇의 추상화된 interface로 묶어 개발자들의 편의를 월등히 높였다는 점에서 해당 기술을 익혀볼 가치는 충분히 있다고 생각된다.

그렇다면 이 책은 어떤 구성으로 어떻게 쓰였는지 한번 살펴보도록 하자.

【책 내용 요약】

이 책은 LLM에 관한 기초 지식이 있어야 한다. 물론 기초 지식이 없더라도 LangChain, LangGraph를 익히는 데에는 큰 지장은 없으니, 이해하는 깊이가 다를 수 있으므로 반드시 LLM 기반 지식에 대해서 어느 정도 학습하고 이 책을 학습하시길 권장한다.

책의 내용은 순수 LangChain과 LangGraph를 이용한 LLM 서비스 구축에 집중되어 있다.

책에서 크게 다루는 부분은 아래와 같다.

LLM 기초 지식
LangChain 사용법
- 데이터 인덱싱
- 데이터 기반 대화
- DB 연동
LangGrahp 사용법
- 메모리 도입법
- 체이닝 구축법
- 에이전트 아키텍처

책의 구성은 실습 코드 -> 실습 코드 수행 -> 실습 코드 결과 -> 리뷰 및 추가 설명

등으로 구성되어 있다. 정말 책을 따라서 쭉 공부하다 보면 어느 순간 LangChain + LangGraph에 대해서 기본적인 배경 학습이 끝나 있는 자신을 발견할 수 있다.

그만큼 이 책은 공부하기 편하고 이해하기 쉽게 쓰여 있다.

【 러닝 랭체인을 읽고 나서 】

최초 자동차가 등장하였을 때, 최초 공장 자동화가 되었을 때 세상 사람들은 더 이상 인간이 나설 일자리는 없을 것이라 이야기했었다.

하지만 새로운 기술의 등장은 그만큼 새롭고 고도화되며 정교한 다양한 분야의 탄생으로 이어졌고 이는 또 다른 인간의 개입으로 발전해 나갔다.

작금의 현실이 필자가 생각하기에 딱 그러한 과도기가 아닐까 싶다.

새로운 기술, 새로운 자동화 그리고 새로운 추론.. 기존에서 일하던, 서비스하던 패러다임에서 벗어나 이제는 좀 더 정교하고 다분화된 분야의 업에서 종사할 준비를 해야 할 시대이다.

#본 도서는 "한빛미디어 <나는 리뷰어다> 활동을 위해서 책을 제공받아 작성된 서평입니다.

son***l2025-06-30

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

랭체인과 랭그래프의 실전 활용법을 다양한 예제와 함께 다룬 책입니다.
최신 AI 서비스 개발 흐름과 실용적인 전략을 한눈에 이해할 수 있었고, 실제 프로젝트에 바로 적용할 수 있는 인사이트가 많았습니다.
AI·LLM 기반 서비스 개발에 관심 있는 분들께 꼭 추천하고 싶은 도서입니다

자세한 리뷰는 아래 링크에서 확인해주세요
https://sonim1.com/ko/blog/review-learning-langchain

dhan***l2025-06-29

직접 만들고 개선하며 배우는 진짜 랭체인 실전 가이드

2024년부터 2025년을 AI 에이전트의 해가 될 것이라고 전망하고 있다. 출판사와 인터넷 강의 플랫폼, 유튜브에서는 연일 랭체인과 RAG, AI 에이전트와 관련된 콘텐츠가 엄청나게 쏟아지고 있다. 최근에는 앤트로픽의 MCP, 구글의 A2A 프로토콜이 발표되면서 발전 속도를 가속화시키고 있고, 다양한 분야에서 AI 에이전트 기반의 서비스들이 계속해서 출시되고 있다.

AI 에이전트를 구현하는 프레임워크 중에서 단연 선두 그룹에는 랭체인이 있다.

이 책은 랭체인과 관련된 창업자, 개발자, 컨트리뷰터가 집필한 책으로, 랭체인을 활용한 LLM 애플리케이션을 개발하는 전 과정을 코드와 함께 자세히 설명하고 있다. 개인적으로 랭체인의 입문서라기보다는 고급 과정에 가깝게 느껴졌다.

[추천 독자]

- 랭체인을 활용하여 생성 AI 애플리케이션을 만들고 싶은 개발자

- 자바스크립트 기반의 생성 AI 애플리케이션을 만들고 싶은 개발자

- 기존의 LLM 애플리케이션을 고도화하고 싶은 개발자

[키워드]

#AI #생성AI #오픈AI #챗GPT #머신러닝 #앤트로픽 #클로드 #구글 #바드 #제미나이 #해리슨체이스 #지시튜닝 #대화튜닝 #파인튜닝 #프롬프트 #프롬프트엔지니어링 #제로샷 #사고의연쇄 #CoT #검색증강생성 #RAG #툴호출 #툴콜링 #퓨샷 #랭체인 #임베딩 #벡터저장소 #메모리 #프롬프트템플릿 #랭스미스 #랭그래프 #파이썬 #자바스크립트 #LLM #JSON #출력파서 #Runnable #LCEL #엠비언트 #에이전트 #멀티에이전트 #인지아케텍처 #MCP #A2A #체인 #구조화된출력 #랭그래프플랫폼 #AI애플리케이션배포

[특징]

랭체인 기반 AI 애플리케이션 전 과정을 코드 기반으로 학습

파이썬과 자바스크립트 예제를 동시에 표기

실무에서 사용할 수 있는 다양한 기법을 코드 기반으로 제시

MCP 활용법 수록

[책의 구성]

이 책은 전체 11개 장과 1개의 부록으로 구성되어 있다.

CHAPTER 00 "랭체인을 위한 기초 AI 지식"에서는 기존 머신러닝과 LLM의 차이점, LLM의 개념과 특징을 설명하고, 프롬프트 엔지니어링 방법, 랭체인의 소개와 특징을 설명한다.

CHAPTER 01 "랭체인의 기본 LLM 사용법"에서는 파이썬과 자바스크립트 기반의 랭체인 개발 환경 구축 방법과 랭체인을 통한 LLM 호출, 템플릿 사용법, 구조화된 답변 생성, LCEL을 통한 파이프라인 구성 방법을 설명한다.

<1장 랭체인의 기본 LLM 사용법 - 1.1 랭체인 사용 환경 구축 p42~p43>

CHAPTER 02 "RAG 1단계: 데이터 인덱싱"에서는 LLM의 태생적인 한계를 설명하고 한계를 극복하기 위한 인덱싱 과정으로 임베딩의 개념, 문서를 텍스트로 변환하는 방법과 텍스트 분할 개념, 임베딩 생성과 벡터 저장소(PGVector) 저장 및 최적화 기법을 설명한다.

CHAPTER 03 "RAG 2단계: 데이터 기반 대화"에서는 사용자의 질의에 가장 관련성이 높은 데이터를 벡터 저장소에서 효과적으로 가져오는 다양한 기법(질의 변환, 라우팅, 메타데이터 필터 활용, 텍스트2SQL)을 설명한다.

<3장 RAG 2단계: 데이터 기반 대화 - 3.2 쿼리 변환, p126~p127>

CHAPTER 04 "랭그래프를 활용한 메모리 기능"에서는 랭그래프의 상태를 사용하여 이전의 대화 내용을 기억하고 참조할 수 있는 방법을 설명한다.

CHAPTER 05 "랭그래프로 구현하는 인지 아키텍처"에서는 랭그래프로 구현하는 세 가지 패턴을 설명한다. 단순 LLM 호출, 정해진 순서로 호출하는 체인 패턴, 조건에 맞는 라우터 패턴을 학습한다.

CHAPTER 06 "에이전트 아키텍처 I"에서는 랭그래프로 구현하는 에이전트 구축 방법을 학습한다. 계획-실행-평가 반복 , 툴 호출, 다중 툴 호출 방법을 실습을 통해 학습한다.

<6장 에이전트 아키텍처I - 6.4 복수 툴 호출, p234~p235>

CHAPTER 07 "에이전트 아키텍처 II"에서는 랭그래프로 구현하는 고급 기능인 자기 성찰과 서브 그래프, 다중 에이전트 기법을 설명한다.

CHAPTER 08 "LLM의 성능을 높이는 패턴"에서는 구조화된 출력과 스트리밍을 통한 중간 출력 방법, 사용자의 개입으로 신뢰성을 확보하는 방법을 살펴본다.

CHAPTER 09 "AI 애플리케이션 배포"에서는 랭그래프 플랫폼에서 AI 애플리케이션(LLM, 벡터 저장소, 백엔드 API)을 배포하는 방법을 단계적으로 실습한다.

CHAPTER 10 "테스트: 평가, 모니터링, 개선"에서는 환각을 방지하기 위한 LLM 애플리케이션의 단계별(설계, 사전 제작, 운영)로 테스트하는 방법과 평가 기법을 설명하고 랭스미스의 추적 기능을 설명한다.

<10장 테스트: 평가, 모니터링, 개선 - 10.2 설계 단계: 자체 보정 RAG, p324~p325>

CHAPTER 11 "LLM 애플리케이션 개발"에서는 LLM 애플리케이션의 주요 패턴인 챗봇, LLM과의 협업 패턴(코파일럿), 앰비언트 컴퓨팅의 개발 요소를 설명한다.

APPENDIX A. "MCP 서버의 구축과 활용"에서는 MCP의 개념과 FastMCP 패키지를 사용하여 MCP 서버를 만들고 클로드와 연결하는 방법, VS 코드에서 공개 MCP 서버를 연결하는 방법, 랭체인에서 MCP 서버를 연결하는 방법을 설명한다.

<부록 A MCP 서버의 구축과 활용 - A2.1. FastMCP를 사용한 MCP 서버 구현, p378 ~ p379>

[인용]

저자의 인용글에서 실제 애플리케이션을 개발하는 데 있어서 가장 중요하게 생각하는 것은 실무 경험이라는 것을 알 수 있었다.

LLM은 소프트웨어 개발 방식(https://karpathy.medium.com/software-2-0-a64152b37c35)뿐 아니라, 우리가 만드는 소프트웨어 자체를 바꿀 잠재력을 지니고 있다. <중략>
지름길은 없다. 실제로 엉성한 애플리케이션이라도 만들어 보고, 사용자와 직접 소통한 뒤, 계속 개선해 나가야 한다.
11장 LLM 애플리케이션 개발, p371

[소감]

랭체인 관련 전문가들이 집필한 이 책은 다른 책들과 분명한 차이가 있었다. 그 차이라는 것이 장점이라는 이야기가 아니라, 실무 중심의 깊이 있는 접근 방식이 다르다는 것이다.

이 책은 랭체인, 랭그래프, 랭스미스를 활용하여 다양한 LLM 애플리케이션을 개발하는 방법론을 소개한다. 특히 책에서 소개하는 성능 개선을 위한 다양한 기법은 실전에서 바로 사용하고 싶을 정도로 실용적이었다. 또한 책에서 소개한 코드는 수정 없이 사용할 수 있을 만큼 완성도가 높다.

모든 장이 유익했지만, 특히 마지막 10장 테스트 부분과 11장 LLM 애플리케이션 개발 영역, 부록의 MCP 서버 구축과 활용 부분이 인사이트를 확장하는 데 많은 도움을 주었다.

[추천]

책에서 제시하는 코드와 기법은 실무에서 사용하기에 충분히 도움이 될 것입니다. LLM 기반 애플리케이션 개발을 계획하고 있거나 기존 애플리케이션의 성능을 개선하고자 한다면, 이 책에서 소개하는 다양한 패턴과 기법이 분명 도움이 될 것입니다.

parkjh***l2025-06-29

LangChain을 제대로 이해하고 프로젝트에 바로 적용할 수 있는 실전 가이드!

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다.
최근 AI 개발 분야에서 가장 주목받는 도구 중 하나가 LangChain입니다. 하지만 정작 실무에서 LangChain을 어떻게 체계적으로 배우고 적용할지 막막하던 차에, 『러닝 랭체인』을 만나 명쾌한 해답을 찾게 되었습니다.

blueg***l2025-06-29

랭체인을 제대로 알려줍니다

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

LLM 기반 애플리케이션 개발에 랭체인을 사용하고자 한다면 꼭 읽어 보시길 권합니다.

랭체인은 LLM 애플리케이션 개발에 필요한 다양한 요소들을 연결해 줍니다. 애플리케이션 개발에만 집중할 수 있게 해주는 고마운 도구입니다.
문제는 랭체인 자체의 진입장벽도 만만치 않다는 점입니다.
단순하게 사용해 보는 건 괜찮습니다만, 실제로 애플리케이션을 개발하려면 랭체인에서 적용하고 있는 개념이나 주제들을 알아야 합니다.
이 책에서 랭체인에서 사용하는 개념과 함께 필요한 주제들을 명확하게 알려주고 어떻게 적용하는지 보여줍니다.
잘 쓰라고 만들어진 도구인데 오히려 도구에 매몰되어 애플리케이션 개발이 뒷전이 되지 않도록 붙들어 줍니다.

각 장의 시작과 끝에서 잘 짚어줍니다.
그 장에서 뭘 알려줄 건지, 뭘 알아봤는지 알려줍니다. 이게 따라가느라 정신없는 상황에서 큰 도움이 됩니다.
파이썬과 자바스크립트 코드가 같이 있는 게 꽤 도움이 됩니다.
파이썬 코드에서 헷갈리는 부분이 자바스크립트 코드를 보며 이해되기도 하고, 파이썬 코드가 자바스크립트 코드를 이해하는 가이드가 되기도 합니다.
돌아가는 애플리케이션을 넘어 쓸 수 있는 애플리케이션을 바라볼 수 있습니다.
아키텍처, 배포, 테스트까지 단순히 애플리케이션을 만들어 보는데 그치지 않고, 사용할 수 있는 애플리케이션 만드는데 필요한 내용들까지 있습니다.

믿을 수 있을까? AI 에이전트가 내놓은 답변을.
러닝 랭체인을 보시면 그 답을 얻으실 수 있습니다.

leesy***l2025-06-29

드디어 제대로 된 LLM 개발 가이드를 만났다

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

ChatGPT가 나온 후 회사에서 AI 관련 프로젝트를 맡게 되면서, 정말 막막했다. 온라인에는 단편적인 튜토리얼들만 넘쳐나고, 실제로 서비스를 만들려면 어떻게 해야 하는지 알려주는 자료는 찾기 어려웠다. RAG니 에이전트니 하는 용어들이 계속 나오는데, 이걸 어떻게 조합해서 실제 애플리케이션을 만들어야 하는지 감이 잡히지 않았다.

그러던 중 『러닝 랭체인』을 발견했다. 랭체인 창립자들이 직접 쓴 책이라는 것도 매력적이었지만, 목차를 보니 내가 궁금했던 모든 것들이 체계적으로 정리되어 있었다. 무엇보다 실제 코드와 아키텍처를 보여준다는 점이 가장 큰 매력이었다.

책을 읽으면서 느낀 점들

드디어 체계적인 학습이 가능하다

이 책의 가장 큰 장점은 단계별 학습 구조다. 총 11개 장으로 구성되어 있는데, 정말 초보자도 따라갈 수 있게 친절하게 설명되어 있다. 처음에는 "랭체인이 뭐고 왜 필요한가?"부터 시작한다. 사실 이 부분이 가장 중요한데, 많은 사람들이 랭체인을 단순한 OpenAI API 래퍼 정도로 생각하고 있다. 하지만 이 책을 읽고 나니 랭체인이 복잡한 AI 시스템을 구축하기 위한 완전한 프레임워크라는 걸 이해하게 됐다. 중간 부분에서는 RAG 시스템을 만드는 방법을 자세히 다룬다. 특히 RAG를 두 단계로 나누어 설명한 게 인상적이었다. 첫 번째는 데이터 준비(인덱싱), 두 번째는 실제 대화 처리. 이렇게 나누니까 각 단계에서 무엇을 해야 하는지 명확해졌다.

실제로 써볼 수 있는 코드들

이론만 나열하는 책이 아니라 실제 코드가 함께 있어서 좋았다. 더 놀라운 건 파이썬과 자바스크립트 둘 다 지원한다는 점이다. 나는 평소에 Node.js를 주로 사용하는데, 대부분의 AI 관련 자료는 파이썬만 있어서 아쉬웠다. 이 책은 자바스크립트 개발자들도 배려해서 양쪽 다 예제를 제공한다. 코드 품질도 상당히 좋다. 단순한 데모 수준이 아니라 실제 프로덕션에서 사용할 수 있을 정도로 에러 처리나 성능 최적화까지 고려되어 있다. 특히 비동기 처리나 예외 상황 처리 같은 실무에서 중요한 부분들이 잘 되어 있어서, 바로 가져다 쓸 수 있겠다는 생각이 들었다.

인상 깊었던 챕터들

RAG 시스템 구축 (Chapter 2-3)

RAG는 요즘 LLM 프로젝트에서 빠질 수 없는 기술이다. 이 책에서는 RAG를 정말 자세히 설명한다. 데이터 인덱싱 부분에서는 문서를 어떻게 쪼개고, 임베딩을 어떻게 만들고, 벡터 데이터베이스에 어떻게 저장하는지 단계별로 보여준다. 처음에는 "그냥 텍스트 쪼개면 되는 거 아닌가?" 생각했는데, 실제로는 훨씬 복잡하다는 걸 알게 됐다. 어떻게 쪼개느냐에 따라 검색 성능이 완전히 달라진다. 대화 처리 부분에서는 사용자 질문을 어떻게 분석하고, 적절한 문서를 어떻게 찾아서, 최종 답변을 어떻게 만드는지 보여준다. 쿼리 변환이나 쿼리 라우팅 같은 고급 기법들도 나오는데, 이런 걸 알고 나니까 단순한 키워드 검색을 넘어서는 지능적인 시스템을 만들 수 있겠다는 확신이 생겼다.

랭그래프로 복잡한 플로우 만들기 (Chapter 4-5)

랭그래프(LangGraph)는 처음 들어보는 도구였는데, 이 책을 통해 알게 됐다. 복잡한 AI 애플리케이션의 플로우를 시각적으로 설계하고 관리할 수 있는 도구다. 특히 메모리 기능 구현 부분이 인상적이었다. 단순히 대화 기록을 저장하는 게 아니라, 상황에 맞는 기억을 선별해서 활용하는 지능적인 시스템을 만드는 방법을 보여준다. StateGraph를 사용해서 상태를 관리하고, 사용자가 이전 대화를 수정할 수 있는 기능까지 구현하는 걸 보니 정말 실용적이라는 생각이 들었다.

AI 에이전트의 세계 (Chapter 6-7)

에이전트 부분은 정말 흥미로웠다. 두 챕터에 걸쳐서 기본 에이전트부터 고급 에이전트까지 다룬다. 기본 에이전트에서는 "계획 → 실행 → 결과 확인 → 다시 계획" 패턴을 중심으로 설명한다. 툴 사용법도 나오는데, 실제로 외부 API나 데이터베이스에 접근해서 작업을 수행하는 에이전트를 만들 수 있다. 고급 에이전트에서는 정말 놀라운 내용들이 나온다. 성찰(reflection) 기능으로 자신의 답변을 스스로 검토하고 개선하는 에이전트, 여러 에이전트가 협업하는 멀티 에이전트 시스템까지. 이런 걸 보니 SF 영화에서 나오는 AI가 현실이 될 수 있겠다는 생각이 들었다.

실전 배포와 운영 (Chapter 9-11)

이론과 개발을 다룬 앞 부분도 좋았지만, 실제 서비스 운영에 대한 후반부가 정말 유용했다. 대부분의 기술서는 "만들기"까지만 다루고 끝나는데, 이 책은 "운영하기"까지 포함해서 정말 실무적이다. 배포 전략에서는 랭그래프 플랫폼을 사용한 클라우드 배포부터 보안 설정까지 다룬다. API 보안이나 사용자 인증 같은 부분은 실제 서비스에서 정말 중요한데, 이런 걸 놓치기 쉽다. 이 책에서 체크리스트처럼 정리해줘서 도움이 많이 됐다. 테스트 부분도 흥미로웠다. 일반적인 소프트웨어와 달리 LLM 애플리케이션은 매번 다른 결과가 나올 수 있어서 테스트가 까다롭다. 이 책에서 제시하는 평가 방법들을 사용하면 이런 문제를 어느 정도 해결할 수 있을 것 같다.

특별한 보너스: MCP 부록

부록에서 다루는 MCP(Model Context Protocol)는 정말 놀라웠다. Anthropic에서 만든 최신 프로토콜인데, AI 모델과 외부 시스템을 표준화된 방식으로 연결할 수 있게 해준다. 이전에는 각각의 도구나 API마다 다른 방식으로 연결해야 했는데, MCP를 사용하면 하나의 표준 인터페이스로 모든 걸 처리할 수 있다. 파일 시스템, 데이터베이스, 웹 API 등 다양한 리소스에 일관된 방식으로 접근할 수 있어서 에이전트 개발이 훨씬 편해질 것 같다. 다른 책에서는 찾아볼 수 없는 최신 정보라서 더 가치가 있다고 생각한다.

실제로 써보니 어떨까?

바로 써먹을 수 있는 실용성

이 책의 가장 큰 장점은 바로 실무에 적용할 수 있다는 점이다. 예제 코드들이 정말 잘 만들어져 있어서, 약간만 수정하면 실제 프로젝트에서 사용할 수 있다. 특히 에러 처리, 로깅, 모니터링 같은 실제 서비스 운영에 필요한 부분들이 코드에 포함되어 있어서 좋았다. 처음부터 제대로 된 구조로 만들 수 있도록 안내해준다.

단계별 확장 가능

책에서 제시하는 아키텍처들은 모두 확장을 고려해서 설계되어 있다. 처음에는 간단한 챗봇으로 시작해서, 점차 복잡한 기능을 추가해 나갈 수 있다. 실제 비즈니스에서는 처음에 간단하게 시작했다가 요구사항이 점점 복잡해지는 경우가 많은데, 이 책의 방식을 따르면 기존 코드를 크게 수정하지 않고도 기능을 확장할 수 있다.

성능과 비용 효율성

LLM 서비스는 API 호출 비용이 만만치 않다. 이 책에서는 프롬프트 최적화, 캐싱, 배치 처리 등을 통해 비용을 절약하는 방법들을 알려준다. 특히 구조화된 출력을 통해 응답 품질을 높이면서 후처리 비용을 줄이는 방법이 인상적이었다. 이런 최적화 기법들을 잘 활용하면 운영 비용을 상당히 절약할 수 있을 것 같다.

누구에게 추천할까?

AI 개발이 처음인 사람들

프로그래밍은 할 줄 알지만 AI는 처음이라는 사람들에게 딱 맞는 책이다. 기초 개념부터 차근차근 설명해주고, 단계별로 난이도가 올라가서 무리 없이 따라갈 수 있다. 프롬프트 엔지니어링, 임베딩, 벡터 데이터베이스 같은 생소한 개념들도 실제 코드와 함께 설명해서 이해하기 쉽다.

이미 AI 개발 경험이 있는 사람들

기본적인 LLM 사용법은 알고 있지만 더 복잡한 시스템을 만들고 싶은 사람들에게도 도움이 된다. 특히 에이전트 아키텍처나 멀티 에이전트 시스템 같은 고급 내용들은 기존 지식을 한 단계 끌어올려 준다. 실제 배포와 운영 부분도 프로토타입을 넘어 실제 서비스를 만들고자 하는 사람들에게 매우 유용하다.

회사에서 AI 도입을 고려하는 사람들

기술적인 내용뿐만 아니라 아키텍처 설계, 보안, 운영 전략까지 다루고 있어서 비즈니스 관점에서도 참고할 만하다. 특히 중소기업이나 스타트업에서 AI 기술을 도입할 때 실질적인 가이드가 될 수 있다.

개인적인 총평

이 책을 읽고 나서 AI 애플리케이션 개발에 대한 전체적인 그림이 명확해졌다. 이전에는 개별 기술들을 어떻게 조합해야 할지 막막했는데, 이제는 체계적인 접근 방법을 알게 됐다. 무엇보다 실제 프로젝트에 바로 적용할 수 있는 실용적인 내용들이 많아서 만족스럽다. 이론적인 설명도 충분하지만, 실무에서 정말 필요한 것들을 집중적으로 다뤄서 시간을 절약할 수 있었다. 랭체인 창립자들이 직접 쓴 만큼 프레임워크의 설계 철학과 최적 활용법을 깊이 있게 이해할 수 있는 점도 큰 장점이다. 공식 문서나 튜토리얼에서는 알 수 없는 내부 구조나 의도를 엿볼 수 있어서 더 효과적으로 활용할 수 있게 됐다.

마무리하며

만약 AI 애플리케이션 개발에 관심이 있다면, 이 책을 강력히 추천한다. 특히 실제 서비스를 만들어보고 싶은 사람들에게는 정말 유용할 것이다. 단순히 읽기만 하지 말고 직접 코드를 실행해보고, 자신만의 프로젝트를 만들어보길 바란다. 그 과정에서 얻는 경험과 통찰이 정말 값질 것이다. AI 기술이 빠르게 발전하고 있는 지금, 이런 체계적인 가이드북이 있다는 것은 정말 다행이다. 복잡해 보이는 AI 개발도 이 책과 함께라면 훨씬 수월하게 접근할 수 있을 것이다. 결국 중요한 건 사용자에게 진짜 도움이 되는 애플리케이션을 만드는 것이다. 이 책이 그런 목표를 달성하는 데 좋은 출발점이 될 것이라 확신한다.

오늘도 찾아주셔서 감사합니다.

#나는리뷰어다 #patiencelee #서평 #책리뷰

kchabi***l2025-06-29

랭체인 처음 접하는 사람들에게 추천합니다.

0~1장은 간단한 LLM 개념, 랭체인의 기본 LLM 사용법에 관한 내용이고 2~3장은 RAG에 관한 내용으로 데이터 인덱싱, 데이터 기반 대화 두 단계로 나눠 설명합니다. RAG에 대해서 면접 질문 같은 걸 받으면 임베딩, 청킹에 대한 질문을 많이 받게 되는데 이러한 부분에 대해 간단하면서도 알기 쉽게 잘 정리해놔서 RAG의 개념을 쉽게 이해할 수 있습니다.

가장 흥미롭게 느낀 챕터는 이후 나오는 랭그래프를 활용한 에이전트 구축, 배포, 테스트 및 개선 관련 내용들이었다. 작년 초에는 랭체인 관련 개념들도 생소했지만, 랭그래프는 더욱 더 생소한 개념이었습니다. 배포나 테스트는 생각도 못 해보고 rag 챗봇을 어떻게 랭체인으로 잘 구축할 것인가에만 집중하기도 바빴던 것 같은데 <러닝 랭체인>에는 단순히 랭체인 문법(LCEL)만 설명하는 게 아닌 랭체인이 제공하는 도구를 어떻게 잘 활용할 수 있는지에 관한 내용이 많이 담겨있어 유익합니다.

drv***l2025-06-29

AI 입문자를 위한 가장 쉬운 랭체인 길잡이

챗GPT에서 한걸음 더, 기초 개념부터 RAG, LangGraph, MCP까지 한 권으로 직접 만드는 LLM 기반 애플리케이션 개발 로드맵

지인들의 프로필 사진이 순식간에 지브리 스타일로 바뀐다거나 학생들의 리포트 수준이 상향 평준화되어 채점이 어렵다는 일관된 토로 등, 생성형 AI 기술은 우리 삷에 훅~ 들어와 큰 영향을 미치고 있습니다. 지금도 폭발적으로 발전하면서 IT기업의 해고가 급속히 진행되거나 신입 개발자 채용을 크게 줄이는 등 우리의 현장과 필드를 크게 뒤흔들고 있습니다.
기업과 개발자들은 대규모 언어 모델(LLM)을 실제 비즈니스 애플리케이션에 통합하여 지능형 챗봇, AI 어시스턴트, 자동화 에이전트 등을 도입하고 구현하려 합니다. 하지만 LLM 기반 앱을 무료로 아무것도 없는 상태에서 만들기 까지는 몇가지의 허들이 있습니다. 모델 프롬프트 관리 방법, 외부 지식과의 연계 방안, 대화 맥락을 유지하는 기법, UI나 기타 기술들을 활용하는 방법 등 기존 비즈니스 모델의 기술과 또 다른 방향의 전문지식이 없는 과제를 만나게 됩니다. 이 문제를 한큐에 해결하기 위해 등장한 프레임워크 중 하나가 랭체인입니다. 랭체인은 LLM 응용 애플리케이션 개발에 필요한 구성요소들을 모두 담아 추상화 시켜 제공해줍니다. 개발자는 이를 쉽게 활용하여 컨텍스트가 풍부하고 LLM의 추론 능력을 그대로 이용할 수 있는 AI기반 애플리케이션을 구축할 수 있습니다. 실제로 랭체인은 Zapier, Replit, Databricks 같은 기업에서 활용되고 있으며, 짧은 역사에도 불구하고 2025년 현재 GitHub 스타 110k를 돌파하면서 역사상 손꼽히는 인기 오픈소스중 하나로 자리매김하는 기염을 토하기도 했습니다. 랭체인은 사실상의 디펙토 표준으로 인정 받고 있습니다.

본 도서는 랭체인을 직접 만든 인원이 모여 집필한 도서 입니다. 그만큼 해당 기술의 철학과 활용법을 가장 정확하고 깊이 있게 담고 있다고 할 수 있습니다. 저자 메미오 오신은 오픈소스 랭체인의 초기 컨트리뷰터이자 AI 자문가고 누노 캄포스는 LangChain Inc. 창립당시 엔지니어로 시작부터 발전하기까지 랭체인을 직접 이끌어온 전문가입니다. 랭체인의 역할에 걸맞게 [LLM을 소프트웨어 개발 도구 상자에 추가 하자]는 모토로 이 책을 집필했다고 합니다. 실제로 LLM과 랭체인을 활용하면 이전에는 불가능하거나 매우 복잡하게 해결해야 했던 일들을 쉽게 해결할 수 있으며, 이는 개발자에게 마치 새로운 슈퍼파워를 부여하는 것과 같다고 강조합니다. 랭체인은 프롬프트 재사용, 체인의 구성, 외부 자료 및 지식의 통합 등 과정 중 발생하는 반복적인 작업을 크게 단순화 시켜 개발의 효율을 크게 높여 주어 LLM 기반 앱을 만들거나 시험 적용을 위한 필수 도구로 평가받고 있습니다.

책의 내용을 읽기 위해서는 파이썬이나 자바스크립트 프로그래밍 경험이 있어야 합니다. 개발 부분 난도가 있지는 않기 때문에 C나 자바 등 한가지 정도 언어에 익숙하다면 내용을 소화하는데 크게 무리가 없습니다. 내용의 난도 또한 높지 않아 AI나 랭체인에 관심있는 대학생이나 관련 분야 취업을 준비하는 초보 개발자 혹은 기술에 관심 있는 문과계통이라도 좋은 입문서가 됩니다. 특히 LLM 활용 아이디어가 있는 기획자나 비개발자 출신의 독자라도 약간의 코딩 지식만 있다면 책의 설명을 무리 없이 충분히 따라갈 수 있도록 친절하게 설명합니다. 복잡한 개념도 설명이 쉽게 되어 랭체인을 처음 접하는 이들도 막힘없이 문장을 읽어 나갈 수 있게 저술되어 있습니다. LLM 애플리케이션 개발의 츨발선에 서서 양쪽에 서 있는 같은 상황 플레이어의 얼굴만을 왼쪽-오른쪽 번갈아 가며 보고 있는 조금은 두려움과 기대감을 가진 이들이라면, 본 도서의 일독은 힘차게 박차고 앞으로 튀어 나갈 수 있는 든든한 무기가 될 것입니다.

본 도서는 기초 개념부터 실제 배포하는 상황에 이르기 까지 LLM 애플리케이션 개발의 전 과정을 단계적으로 안내하고 있습니다. 목차를 참고하면 각 장마다 다루고 있는 핵심 주제를 알 수 있으며, 이론 설명과 함께 바로 실행 가능한 예제 코드를 제공합니다. 파이썬 및 자바스크립트 두 언어의 코드가 병행 수록되어 있어 독자는 자신이 편한 언어로 실습하며, 실습없이도 내용을 머릿속으로 시뮬레이션하며 따라갈 수 있습니다.

(00. 랭체인을 위한 기초 AI 지식) 본격적인 랭체인 학습에 앞서 LLM의 동작 원리나 프롬프트 기초를 쉽게 안내합니다. 토크나이저가 텍스트를 어떻게 인코딩 하는지, LLM이 다음 단어 예측으로 문장을 어떻게 생성하는지 등에 대한 기본 원리를 설명합니다. 예를 들어 GPT-3.5가 "The captical of england is London"은 잘 생성하지만, "What is the capital of England?"라는 질문에는 명확하게 답을 생성하지 못하는 한계를 사례 등으로 들며 왜 프롬프트 엔지니어링이나 추가 튜닝이 필요한지 안내합니다. 또한 제로샷, 퓨샷, 사고의 연쇄(Chain of Thought) 등 LLM 성능을 향상시키는 다양한 프롬프트 전략도 소개합니다.
(01. 랭체인의 기본 LLM 사용법) 개발 환경을 셋팅하고 랭체인을 통해 가장 기본적인 LLM 호출을 실습하며, 프롬프트 템플릿을 작성하고 OpenAI 모델을 호출하는 코드를 보여줍니다. 사용자가 원하는 포멧으로 답변 하도록 출력 포멧을 지시하는 방법, 여러 랭체인 구성요소를 조합하여 애플리케이션의 형태를 조합하는 방법도 배우게 됩니다. 짧은 0, 1장을 통하여 랭체인의 기본 API와 동작 흐름을 쉽게 파악할 수 있습니다.
(02. RAG 1단계-데이터 인덱싱) 본격적으로 사전 학습에 없는 외부 지식을 검색하여 답변에 활용하는 검색 증강 생성(RAG)기술을 파악하며 시스템 구축에 돌입하는데, 이에 첫 단계인 데이터베이스 구축(인덱싱)을 다룹니다. 원본 문서를 텍스트로 변환하고 긴문서를 여러 청크로 분할한 뒤에 문장 임베딩 모델을 통해 각 청크를 고차원 벡터로 표현하여 벡터 DB로 저장하는 과정을 코드로 상세히 보여줍니다. GitHub로 제공하는 실습자료에는 모든 소스코드와 함께 예제 텍스트 PDF 문서가 모두 있어 직접 PDF 문서를 파싱하고 200자 정도 내용을 겹쳐가며 분할하여 문맥의 유실을 막는 테크닉이나 임베딩 벡터의 의미, 활용을 배우며 인덱싱 최적화 기법도 소개하고 있습니다.
(03. RAG 2단계-데이터 기반 대화) 구축한 벡터 DB를 활용하여 실제 질문데 대답하는 질의 처리 파이프라인을 설계합니다. 사용자의 질문을 임베딩하고 문서를 검색하며 이를 LLM에 전달해 답변 생성까지의 전체 RAG 흐름을 구현하면서 질의 변환(Query Transformation)을 거치거나 질문의 유형에 따라 적합한 검색 류트를 선택하는 라우팅, 사용자 질문이 모호할 경우의 재작성-검색-읽기 전략 등 품질을 높이는 기법도 다룹니다. 이를 통해 단순한 랭체인 학습법을 따라가면서 실무 현장에서 유용한 검색 활용 아이디어로도 확장할 수 있습니다.
(04. 랭그래프 메모리) LLM은 기본적으로 대화를 기억하지 못하는 무상태 모델로 상호작용을 위한 별도의 대화 주제 및 맥락 유지용 별도 메모리 관리가 필요한데, 랭그래프를 활용하여 이를 구현합니다. 랭그래프는 랭체인의 개발 요소들을 그래프 기반으로 정의하고 복잡한 애플리케이션의 상태 관리와 제어 흐름을 시각적으로 설계하는 프레임워크 입니다. StateGraph라는 개념을 만들어 이전 대화 내용을 구조화된 형태로 저장하고 새로운 질문은 기록을 참고해 LLM에 제공하는 방식을 구현합니다. 이를 통해 챗봇이 사용자별 대화 이력을 기억하고 자연스럽게 개인화된 인터렉션이 가능하도록 할 수 있습니다. 방대한 메모리를 대비한 요약 메모리 기법 등도 다루고 있습니다.
(05. 랭그래프 인지아키텍처) 랭그래프를 활용해 다양한 LLM 응용 아키텍처 패턴을 실습합니다. 질문에서 답변으로 단일 호출하는 방법 부터 여러 체인을 조합하는 패턴, 라우터 체인을 이용한 사용자 입력 분류와 서로 다른 처리 흐름에 보내는 패턴 까지 순차적으로 구현해 봅니다. 작은 콤포논터를 조합하여 큰 기능을 만드는 랭체인 설계 철학과 아키텍처럴 패턴을 이해하게 됩니다. 여기까지 내용으로 단숨에 랭체인과 랭그래프를 사용한 기본적인 챗봇 구조를 완성합니다.
(06. 에이전트 아이텍처1) 단순한 형태에서 벗어나 에이전트 개념을 도입해 적용합니다. 에이전트는 LLM이 단편적인 응답만을 하는것이 아닌 반복적으로 생각하고 행동하면서 더 복잡한 문제를 해결하도록 만드는 단일 기능에서 확되된 시스템 개념입니다. 사람이 리포트를 작성하듯, LLM 에이전트가 스스로 계획을 세우고 외부 툴로 정보를 얻은 뒤 계획을 갱신하면서 최종 답을 찾아가는 계획-실행-반복 패턴을 구현합니다. 랭그래프를 활용하여 계획-실행 흐름을 정의하고 계산기나 웹 검색처럼 외부 API 연동을 랭체인 에이전트에 통합하는 방법을 실습합니다. 하나의 질문에 여러 도구를 순차적으로 사용하는 멀티툴이나 도구 호출전에 LLM의 추론을 먼저하는 툴우선 호출 등 고급 주제를 통해 보다 파워풀한 에이전트의 만들기 위한 경험을 다집니다.
(07. 에이전트 아키텍처2) 에이전트 개념을 확장하여 성찰 기법으로 답변의 신뢰성을 높이는 방법과 여러 에이전트가 협업하거나 경쟁하여 문제를 해결하는 멀티 에이전트 아키텍처를 소개합니다. 서로 다른 역할을 가진 에이전트들이 대화를 통해 더 좋은 결과를 도출하거나 에이전트가 다른 에이전트 결과를 검증하는 형태의 시스템을 만들어 볼 수 있습니다. 이러한 기법들이 적용된 멀티 에이전트 설계 방식의 핵심은 자율성과 신뢰성을 모두 갖춘 AI시스템의 기반이 되는 중요한 개념입니다. 실습을 진행하면서 AI 시스템 혹은 에이전트를 디자인 할 때 무엇을 고려해야 하는지, 협업과 통제 메커니즘은 어떻게 접근해야 되는지 생각해 볼 수 있습니다.
(08. LLM의 성능을 높이는 패턴) LLM의 품질과 안정성을 향상시키기 위한 실전 기술과 팁 그리고 패턴을 배우게 됩니다. 출력 포멧을 JSON 등 구조화된 형태로하여 파싱을 쉽게 하거나 요약이나 비정형 응답을 정확히 평가하는 비법 등 LLM을 현장에 적용했을 때 유용할만한 노하우를 다루고 있습니다. 소개하는 패턴들을 적용하면 환각 문제를 줄이고 서비스 품빌을 한층 올릴 수 있습니다.
(09. AI 애플리케이션 배포) 애플리케이션을 실제 환경에 배포하는 방법과 고려사항을 배울 수 있습니다 랭체인 및 랭그래프 기반 앱을 클라우드에 호스팅하거나 LangChain 플랫폼을 활용하는 방안을 소개하면서, APi 엔즈포인트로 애플리케이션을 노출하는 방법, 지연시간 최적화, 서버 확장성, LLM 프롬프트 유철 및 API 키 관리 등 보안 이슈 등을 다루고 있습니다. 기술검증에서 테스트 그리고 실무 적용단계로 넘어갈 때 고려하거나 응용하여 적용할 수 있는 배포 팁과 더불어 대규모 트래픽 상황에서의 신뢰성 확보 방안, 보안 등도 짚어 줍니다.
(10. 테스트) LLM 애플리케이션의 품질을 유지하고 개선하기 위한 평가, 모니터링 기법을 소개합니다. 예측이 일정 이상 빗나갔을 때 자동으로 피드백을 주는 자체 보정 RAG 설계, 모델 출력을 테스트 하는 단위 테스트 및 통합 테스트 방법론, 사용자 피드백을 활용한 지속적 학습 방안 등을 다루고 있습니다. 운영단계에서 로그를 수집하고 성능 지표를 모니터링하여 문제발생시 디버깅 하는 방법까지 다루고 있습니다. 이장을 통해 LLMOps 영역을 체험할수 있으며, 안정적인 AI 서비스를 운영하는 기초 감각을 형성시킬 수 있습니다.
(11. LLM 애플리케이션 개발 패턴) 아주 짧은 장으로 LLM 애플리케이션의 독특함으로 인한 개발 방법 및 패턴을 간략히 다루고 있습니다.
(부록. MCP 서버의 구축과 활용) 번역본에서 특별히 추가된 부록으로, 최근 가장 핫한 MCP(Model Context Protocol)를 소개합니다. MCP는 앤트로픽이 제안한 개방형 표준 프로토콜로 LLM이 외부 도구와 컨텍스트를 보다 안전하고 일관성있게 주고 받을 수 있는 프로토콜을 정의합니다. FastMCP를 이용해 MCP 서버를 직접 설치하고 랭체인, 랭그래프와 연결하여 외부 시스템을 제어하는 실습에제를 제공합니다. 아직 독자에게 생소할 수 있는 MCP 개념까지 다루어 주는것으로 한발 앞선 최신 기술 트렌드까지 체험할 수 있습니다.

LLM 애플리케이션 개념이해 > 구현 > 운영까지 빈틈없이 다루는 실습기반 랭체인의 종합 가이드로 책의 앞부분에는 기본기와 RAG, 중반부에는 메모리와 에이전트, 뒷부분에는 배포와 운영까지 매우 체계적인 학습의 흐름을 타고 배울 수 있습니다. 각장알 따라 실습해 나아가다 보면, 독자들은 하나의 간단한 챗봇 아이디어가 어떻게 완성도 높은 AI서비스로 만들어져 나가는지 직접 체험할 수 있습니다.

본 도서를 매우 쉽게 기술되어 있어서 간편하게 읽고 부담없이 실습해 볼 수 있습니다. 유일한 망설임이라면 OpenAI API 사용료 결재 정도일 텐데, 몇 천원 정도만 결재하더라도 도서를 읽으면서 실습하고 내 아이디어를 추가로 충분히 실습하더라도 여유 있기 때문에 유료 결재를 통해 실습하는 것을 권장합니다. 또는 OpenAI API의 "Share inputs and outputs with OpenAI" 옵션 등을 활성화해서 free token을 무료로 요청하는 형태로 깃허브에 있는 실습을 꼭 진행해 볼 것을 추천합니다.
책을 완독 및 실습한 후 얻을 수 있는 가장 큰 수확은 LLM 애플리케이션을 개발 할 수 있다는 자신감 입니다. 이 책은 단순하게 기능 사용 설명에 그치지 않고 "왜 이런 구조가 필요한가"에 대한 배경을 이해해 주어 이를 기반한 응용력을 키워 주는데 도움됩니다. 예를 들어 RAG 기법을 배우면 "왜 단독으로 LLM을 활용하면 최신 정보 활용이 어려운가"를 이해하기 되고, 이를 해결하는 패턴을 생각하는 힘을 기를 수 있게 됩니다. 에이전트 설계를 배우면 "LLM에게 언제 어떻게 도구를 쓰게 할 것인가"에 대한 질문에 스스로 답할 수 있게 되고, 메모리 기법을 배우면 "긴 대화에서 모델과 컨텍스트를 잃지 않게 하는 방법"을 알게 됩니다. 핵심 설계 개념과 패턴들은 프레임워크나 메소드명, 기술이 바뀌어도 응용 가능한 철학과 노하우로 남기 때문에 기술의 급격한 발전에 따른 새로운 LLM 프레임워크나 또다른 개념의 도구가 나온다고 하더라고 금방 개념에 적응할 수 있게 됩니다.
이 책을 모두 소화하면 바로 나만의 지식을 가진 AI 비서를 구축할 수 있습니다. 사내 문서나 개인 노트 등 나만의 지식 데이터를 활용하는 챗봇알 만드는 방법을 익히기 때문에 업무 자동화나 지식의 접근 및 관리에 응용할 수 있습니다. 또한 LLM을 다른 도구와 결합한 서비스를 설계하는 능력을 키워, 실제 비즈니스 로직을 수행할 때 단순한 질답 수준을 넘는 똑똑한 애플리케이션을 추축하는 핵심을 알 수 있습니다. 그리고 AI 서비스 운영 스킬을 배울 수 있어 환각이나 편향 등 AI 특유 오류를 대응하고 민감한 데이터를 안전하게 다루며 사용 로그를 분석해 지속적으로 모델 성능을 개선하는 ML 시스템 운영 방법론을 자연스럽게 배우게 됩니다. AI 서비스를 실제 프로덕션 레벨로 도입하려는 기업과 개발자들에게 매우 중요한 부분으로, 책의 내용이 전부는 아니지만 중요한 핵심의 실습을 통해 시행착오를 줄이는데 일조하게 됩니다. 마지막으로 MCP 등 최근 등장한 개념까지 접함으로써 업계의 흐름을 파악해 주며, 빠른 LLM 생태계 진화 속에서 어떤 방향성이 주목받고 있는지 감을 잡는데 도움을 줍니다. 추후 더 발전된 다음 기술이라도 그 맥락을 이해하는데 도움이 될 것 입니다. 한마디로 LLM 시대의 종합 교양서 겸 실전 메뉴얼이라 할 수 있습니다. AI 초보자에게는 전체의 지형 윤곽을, 경험자에게는 놓치기 쉬운 모범 사례와 구조적 사고를 일깨워 줍니다.

번역서는 원서의 내용을 충실히 전달하면서 국내 독자를 위해 여러모로 완성도를 끌어올린 점이 눈에 띕니다. 먼저 번역자가 직접 모든 예제 코드를 실행하고 점검하여 최신 라이브러리 버전에 맞게 수정하고 검증했습니다. 랭체인과 관련된 라이브러리는 업데이트 속도가 매우 빠른데, 번역 시점에 맞춰 requirements.txt로 권장 버전도 제공하고 있고, 코드도 그에 맞게 조정했기 때문에 독자들은 책의 코드와 GitHub의 코드를 그대로 실행해 볼 수 있습니다. 원서의 경우 일부 코드가 최신 버전에서 동작하지 않은것을 번역자가 발견해 수정해 두었으므로, 한국 독자들은 시행착오를 줄이고 학습에만 집중할 수 있습니다.
프롬프트 번역도 섬세한 작업이 반영되었습니다. 번역자가 한국어 프롬프트로 실행했을 때 결과가 다르게 나오는 경우를 실습해 보고 하나하나 해결하여 예제의 맥락이 유지되도록 신경썼습니다. 원서 코드에는 없는, 예를들어 RAG 실습에서 환자 기록과 보험 약관에 대한 문서가 비어 있는데, 번역 과정을 거치면서 가상의 환자 "홍길동"의 의료 기록과 보험 FAQ 데이터가 추가되었습니다. 이러한 노력은 결국 독서가 끊기지 않고 물흐르듯 이해하는데 큰 도움을 주게 됩니다. 또한 앞서 언급했듯, 최신 트렌드인 MCP 내용이 번역서의 특별 내용으로 수록되었습니다. 최신 주제를 다뤄줬다는 점에서 번역서만의 큰 가치라고 할 수 있습니다. 입문자들이 막힘없이 실습을 따라가면서 입문 내용부터 최신 트렌드까지 흐름이 끊기지 않고 학습할 수 있도록 노력한 흔적이 그대로 느껴졌습니다.

아쉬운 점이 없진 않은데, 우선 400여쪽의 책분량이 크기는 부담되지 않지만, 내용에 비해 방대한 편입니다. 앞부분은 술술 넘어가지만 뒷부분은 조금 그렇지 않으므로 실습시간을 고려하여 꾸준히 따라가야 합니다. 다행히 예제 코드가 잘 마련되어 있어서 책에서 내용을 확인하고 핵심 원리를 파악한 후 한번 실행해 보는것 만으로도 충분합니다. 다만 직접 코드를 돌려보는 과정은 매우 중요합니다. 완주하는데 그리 시간이 걸리지 않으니 한챕터씩 모두 실행해 보는 것을 권장합니다.
두번째는 랭체인을 비롯한 LLM 생태계 기술들을 변화가 매우 빠릅니다. 책을 따라 프로젝트를 구현한 뒤 몇달 후 최신 버전으로 업데이트 한다면 일부 코드가 deprecated 되거나 동작 방식이 달라질 수 있습니다. 최근 AI 프레임워크를 보면 아인슈타인의 상대성 원리를 체감하게 되는데, 내가 알고 있는 네임스페이스와 실제 내가 바라보고 있는 별빛(프레임워크의 발전속도)이 상대적으로 속도가 달라 개발할 때와 이를 임퍼런싱 할 때 네이밍 등이 바뀌는 경우가 있습니다. 하지만 책이 강조하는 핵심 개념과 패턴은 쉽게 변하지 않습니다. 예를 들어 랭체인 라이브러리 함수명이 약간 바뀐다고 하더라도 RAG나 에이전트 설계의 개념적인 틀은 그대로 유지되므로 공식 문서를 통하여 금방 대응할 수 있습니다. 또한 번역판에서 제시한 권장 버전을 사용하면 당분간은 큰 무리없이 실습이 가능하니, 책을 학습하는 동안에는 해당 버전을 가상환경(venv)으로 사용하고 추후 변화는 공식문서나 깃허브 업데이트 로그를 참고하면 따라갈 수 있습니다.
마지막으로 파이썬과 자바스크립트의 바이링구얼 전체 코드 수록은 책의 분량을 늘리는 요인입니다. 파있너이나 자바스크립트 둘 중 하나만 주력으로 보는 독자를 배려하기 위한 의도가 이해는 되지만, 중급 이상 개발자라면 읽을 때 한 언어의 코드에 집중하고 다른 언어 코드는 훑어 보는 식으로 효율적으로 학습할 수 있는 형태였으면 불필요하다고 느끼는 분량을 크게 줄일 수 있을것 같습니다.어짜피 두 언어는 구현의도가 동일한 같은 내용이기 때문에 하나를 잘 이해했다면 하나는 필요하지 않습니다.

본 도서는 체계적으로 종합적으로 LLM 응용 기술을 다루고 있습니다. 인터넷에는 정보가 산재해 있지만, 그것을 처음부터 끝까지 하나의 흐름으로 배우기는 어렵습니다. 반면 본 도서는 기초 배경 지식, 고급활용 방안, 실전 팁까지 모두 얻을 수 있는 레퍼런스 입니다. 특히 창시자 저자들이 직접 준사하는 모범사례외 노하우는 바로 적용할 수 있는 아이디어를 보다 풍부하게 만들어 줍니다. 내용이 쉽고 코드가 쉽고 결과가 고급스럽기 때문에 책 페이지를 넘기는 족족 바로 써 먹을 수 있을 만한 기술과 팁이 계속 나오는실무 지향적 인사이트와 아이디어의 보고라고 느껴질 것입니다. AI 분야 특성상 변화가 빠르다고 하기는 해도, 본도서의 설계 관점과 실전 감각은 퇴색되지 않는 유효한 지식입니다. LLM 응용기술의 근본 원리는 변하지 않습니다. 새로운 혁신적인 도구도 크게 변하지 않는 원리의 응용입니다.

"한빛미디어 <나는 리뷰어다> 활동을 위해서 책을 제공받아 작성된 서평입니다."

lbo***l2025-06-29

프론트엔드 개발자의 러닝 랭체인 학습

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

1. 이 책을 선택한 동기

일전에 GPT API를 활용한 인공지능 앱 개발을 읽어봤지만, OpenAI API에만 의존해야 한다는 제약과 실제 구현하기에는 깊이 있는 지식이 부족하다는 걸 느꼈어요.

그러던 중 랭체인이라는 프레임워크를 알게 되었습니다. LLM을 단순히 API로 호출하는 차원을 넘어서, 복잡한 워크플로우를 구성하고 다양한 LLM 모델을 조합해서 사용할 수 있다는 점이 매력적이었어요.

더욱이 실제 운영 환경에서 돌아가는 LLM 애플리케이션을 만들려면 단순한 질의응답 기능을 넘어서, RAG(검색 증강 생성)나 에이전트 같은 고급 개념들을 이해해야 한다는 걸 깨달았어요. 이론만 아는 게 아니라 실제로 구현할 수 있는 실력을 기르고 싶어서 러닝 랭체인을 읽기 시작했습니다.

2. 어떤 책인지

러닝 랭체인은 단순한 랭체인 매뉴얼이 아니었어요. LLM을 활용한 실용적인 애플리케이션 개발의 전체 여정을 다루는 종합 가이드였습니다. 책은 크게 세 부분으로 나뉩니다.

첫 번째는 LLM과 랭체인의 기초 개념 설명입니다. AI나 머신러닝 배경지식이 없어도 이해할 수 있도록 트랜스포머 아키텍처부터 프롬프트 엔지니어링까지 친절하게 설명해줘요.

두 번째는 랭체인의 핵심 기능들을 하나씩 파헤치는 부분입니다. 체인, 메모리, 에이전트, RAG 시스템 구축 방법을 실습 위주로 다룹니다.

마지막은 랭그래프를 활용한 고급 워크플로우 설계인데, 이 부분이 특히 인상적이었어요.

가장 큰 특징은 Python과 JavaScript 두 언어로 모든 예제를 제공한다는 점입니다. JavaScript가 주력인 저에게는 특히 좋았던 점입니다. 또한 단순한 코드 나열이 아니라, 복잡한 설계적인 부분은 시각적 다이어그램으로 설명해서 복잡한 AI 개념들을 직관적으로 이해할 수 있게 도와줍니다.

3. 특히 인상적이었던 점

가장 인상깊었던 건 랭체인의 `체인` 개념을 설명하는 방식이었어요. 처음에는 단순히 여러 LLM 호출을 연결하는 정도로만 이해했는데, 책을 읽으면서 이게 얼마나 강력한 패러다임인지 깨달았습니다.

예를 들어, 사용자 질문을 받아서 → 관련 문서를 검색하고 → 검색 결과를 요약한 뒤 → 최종 답변을 생성하는 과정을 하나의 체인으로 구성할 수 있어요. 이 과정에서 각 단계마다 다른 프롬프트와 모델을 사용할 수 있고, 중간 결과를 메모리에 저장해서 다음 단계에 활용할 수도 있습니다.

이걸 보면서 React의 컴포넌트 합성 개념과 매우 유사하다는 걸 느꼈어요. 작은 기능들을 조합해서 복잡한 애플리케이션을 만드는 방식에서 닮은 점이 느껴졌습니다. 특히 LCEL(LangChain Expression Language) 문법을 보면서는 함수형 프로그래밍의 파이프라인 연산자와 비슷하다는 생각이 들었습니다.

또 하나 인상적이었던 건 RAG 시스템 구축 과정을 단계별로 상세히 설명한 부분이에요. 벡터 저장소, 임베딩, 문서 분할, 유사도 검색 같은 개념들이 처음에는 추상적으로 느껴졌는데, 실제 구현 예제를 따라하면서 '아, 이렇게 동작하는구나!'라는 순간이 여러 번 있었어요.

4. 덕분에 무엇을 배웠는가

첫째, 프롬프트 엔지니어링의 실제 적용법이에요. 단순히 "좋은 프롬프트를 작성하라"는 추상적인 조언이 아니라, Few-shot 프롬프트, Chain-of-Thought, 역할 기반 프롬프트 등 구체적인 기법들을 실습할 수 있었습니다.

둘째, RAG 시스템 구축을 통해 벡터 데이터베이스의 작동 원리를 이해했어요. 문서를 어떻게 임베딩으로 변환하고, 유사도 검색을 통해 관련 정보를 찾아내는지, 그리고 이를 LLM의 컨텍스트로 활용하는 전체 파이프라인을 손으로 구현해볼 수 있었습니다.

셋째, 랭그래프를 통한 상태 기반 대화 시스템 구축법을 익혔어요. 단순한 일회성 질답이 아니라, 이전 대화 내용을 기억하고 복잡한 워크플로우를 처리할 수 있는 에이전트를 만드는 방법을 배웠습니다.

마지막으로, LLM 애플리케이션의 성능 최적화와 비용 관리에 대한 실용적인 지식도 얻었어요. 토큰 사용량 최적화, 캐싱 전략, 스트리밍 응답 등 실제 운영 환경에서 고려해야 할 요소들을 알 수 있었습니다.

5. 좋았던 점

5.1 Python과 JavaScript 예제 동시 제공의 장점

모든 예제를 `Python`과 `JavaScript` 두 버전으로 제공한다는 점이에요. JavaScript가 주력 언어인 저에게는 정말 큰 도움이 되었습니다. 기본적으로는 JS 코드를 따라했지만, Python 코드도 함께 보면서 두 언어 간의 문법적 차이점을 자연스럽게 학습할 수 있었어요.

특히 비동기 처리 방식의 차이가 흥미로웠습니다. JavaScript의 async/await와 Python의 asyncio가 어떻게 다르게 구현되는지, Promise와 Coroutine의 차이점 등을 코드로 직접 비교해볼 수 있었거든요. 한 번에 두 언어의 지식을 얻는 효과가 있었습니다.

5.2 체계적인 기초 지식 제공

0장에서 LLM 기초 지식을 충실히 다룬 점도 좋았어요. 트랜스포머 아키텍처, 어텐션 메커니즘, 토큰화, 프롬프트 엔지니어링, 파인튜닝 등 AI 배경지식이 전혀 없어도 이후 랭체인 학습에 필요한 필수 개념들을 빠르게 습득할 수 있도록 구성되어 있었습니다.

특히 각 개념을 설명할 때 단순한 정의가 아니라, 실제 사용 사례와 함께 설명해주는 점이 인상적이었어요. 예를 들어 Few-shot 프롬프트를 설명할 때도 "몇 개의 예시를 제공하는 것"이라는 추상적 설명에 그치지 않고, 실제로 어떤 상황에서 효과적인지, 어떻게 예시를 구성해야 하는지까지 구체적으로 알려줬습니다.

5.3 시각적 이해를 돕는 다이어그램

복잡한 AI 개념들을 다이어그램으로 시각화해서 설명한 점도 큰 장점이었어요. 특히 RAG 파이프라인을 설명할 때 문서 입력부터 최종 응답 생성까지의 전체 과정을 플로우차트로 보여준 건 정말 도움이 되었습니다. 벡터 저장소의 작동 원리도 단순히 "유사도 검색을 한다"는 설명보다는, 실제로 문서가 어떻게 벡터로 변환되고, 쿼리 벡터와 어떻게 비교되는지를 그림으로 보여줘서 직관적으로 이해할 수 있었어요.

6. 아쉬운 점

6.1 LLM 애플리케이션 a to z 개발 내용 부재

가장 아쉬웠던 점은 처음부터 끝까지 하나의 완성된 LLM 애플리케이션을 개발하는 내용이 없었다는 점입니다. 각 장마다 해당 개념을 설명하는 예제는 충실하지만, 실제로 배포 가능한 수준의 애플리케이션을 단계별로 구축해보는 경험은 제공되지 않았습니다.

예를 들어, "문서 기반 Q&A 시스템 만들기" 같은 프로젝트를 통해 요구사항 분석부터 시작해서 데이터 준비, RAG 시스템 구축, UI 개발, 배포, 모니터링까지 전체 개발 사이클을 경험해볼 수 있었다면 더 좋았을 것 같아요.

6.2 최신 모델 반영 할 수 없는 한계

책이 출간된 시점(2025년 5월 14일)이 얼마 되지 않았음에도 벌써 각 LLM 모델의 업그레이드 버전이 많이 나와버렸죠. 책의 예제에서는 `gpt-3.5-turbo-instruct`를 사용하지만, 예를 들어 GPT-4o, Claude 4 같은 새로운 모델들이나, 최신 랭체인 버전의 변경사항들이 반영되지 않은 점은 어쩔 수 없는 한계인 것 같습니다.

다만 어떤 모델을 선택하느냐는 “랭체인을 통해 LLM을 구현한다”는 점을 익히는 과정에서는 크게 영향을 끼치지는 않기 때문에 학습에 지장이 생기지는 않습니다.

7. 이 책을 읽은 덕분에 기대되는 변화

1. 당장 시도해보고 싶은 프로젝트들이 생겼어요. 예를 들어, 회사에서 사용할 수 있는 내부 문서 검색 시스템입니다. 개발팀에서 누적된 기술 문서, 회의록, 가이드 등을 RAG 시스템으로 구축해서 자연어로 검색할 수 있게 만들어보고 싶어요.

2. 랭체인을 통해 배운 개념들이 다른 개발 영역에도 도움이 될 것 같아요. 특히 파이프라인 설계, 상태 관리, 비동기 처리 등의 개념은 일반적인 웹 애플리케이션 개발에도 적용할 수 있을 것 같습니다.

3. 또한 AI 기술의 발전 속도를 고려하면, 지금 배운 기초가 앞으로 더 고급 기술을 학습할 때 탄탄한 토대가 될 거라고 생각해요. 랭체인 생태계 자체도 계속 발전하고 있으니, 이 책으로 기초를 다진 상태에서 새로운 기능들을 추가로 학습해나갈 수 있을 것 같습니다.

앞으로는 AI 도구를 단순히 사용하는 차원을 넘어서, 실제 비즈니스 문제를 해결하는 맞춤형 솔루션을 만들 수 있을 것 같아요.

doupler0***l2025-06-29

격변하는 LLM 시대, 랭체인 찍먹하기

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

AI 기술의 발전 속도는 따라가기 벅찰 정도로 빠른데, 말 그대로 LLM 춘추전국시대다. 나 또한 ChatGPT Pro로 첫 과금을 시작해서 Claude Sonnet 3.7 발표를 기점으로 Claude Pro를 적극적으로 활용하기 시작했다. LLM도 특화된 모델이 중요한 게 나뿐만 아니라 많은 개발자가 코드 생성에 좋은 성능을 보인다는 소식을 듣고 이 무렵 Claude로 많이 갈아탔던 걸로 기억한다. 그 이후 Cursor와 Windsurf처럼 에이전트가 내장된 IDE를 사용하면서 과금을 이쪽에서 하기 시작했고, Gemini 2.5 Pro 모델에 대한 호기심과 개발 외적으로도 NotebookLM를 활용해 보고 싶은 마음에 현재는 Google AI Pro를 사용 중이다. 결론적으로 지금은 Windsurf Pro와 Gemini 2.5 Pro를 주로 사용하는 편이다. 이 글을 쓰고 있는 이번 주에 Gemini CLI가 오픈소스로 공개되면서 이 또한 활용해 보고 있는데, Gemini 2.5 Pro를 분당 60회 요청과 일일 1000회 요청이 가능하기에 사실상 개인 사용자라면 무료로도 무리 없이 이용할 수 있는 셈이다. 과금을 갈아타는 이 모든 과정이 꽤 오래된 것처럼 느껴지지만, 불과 1년 사이에 일어난 일이다. 더 나은 모델, 더 합리적인 요금제, 더 사용자와 밀접한 서비스를 내세우며 경쟁하는 지금, 흔한 말이지만 인터넷과 모바일 혁명을 잇는 AI 혁명의 시대가 아닌가 싶다. 이런 발전 속도 덕분에 고작 1~2년 뒤조차 예측하기가 어렵다.

이런 급변하는 환경 속에서 랭체인이 관심을 갖게 된 건 단순히 LLM을 만들고 싶었던 게 아니라 좀 더 이해하고 싶어서였다. 빠르게 발전하고 변화하는 AI 트렌드를 온전히 하나하나 체득하기엔 한계가 있으니 프레임워크를 통해 구현해 본다면, 혹은 구현의 과정을 이해한다면 좀 더 LLM 자체를 깊이 있게 이해하는 데에 도움이 될 것 같다는 생각이었다.

물론 만만한 책이 아니었다. 그런데도 이 책을 꾸준히 따라 읽어갈 수 있었던 건, 2개의 챕터를 할애해 기초 AI 지식과 랭체인 내에서의 기본 LLM 사용법을 안내하고 있기 때문이었다. 물론 400페이지 남짓한 분량에서 모든 내용을 다 늘어놓을 순 없지만, 부족한 정보는 공식 문서나 다른 아티클을 통해 보충하더라도 일단 기본적인 틀을 잡고 학습의 진입장벽을 넘는 데에 도움이 되었다. 게다가 모든 코드 설명을 Python과 더불어 JavaScript로도 동시에 제공하여 JavaScript에 익숙한 사람이라도 코드의 흐름을 이해하기 용이하다.

이 책은 LLM의 핵심 구성 요소인 토크나이저(Tokenizer)에 대한 설명을 시작으로, LLM 작동 방식에 대한 이해를 돕는다. GPT-3.5의 토크나이저가 공백 문자를 _로 표현하고 자주 사용되는 단어를 하나의 토큰으로 인코딩하는 반면, 덜 흔하거나 영어가 아닌 단어는 여러 개의 토큰으로 인코딩한다는 점은 토큰화의 효율성과 문맥 이해의 중요성을 먼저 보여주고 있다.

또한, 기본적인 LLM이 다음 단어나 누락 단어의 예측을 기반으로 하기 때문에 ‘The capital of England’와 같은 문장에는 응답할 수 있지만, ‘What is the capital of England?’와 같은 질문에는 명확한 응답을 얻기 어렵다. ‘The capical of England is London’이라는 문장은 수없이 학습해서 다음 단어를 예측할 수 있지만, 질문-답변 패턴은 학습되지 않았기 때문이다. 이는 LLM의 기본적인 한계 요인과 함께 파인튜닝(Fine-tuning)의 필요성을 강조한다. 현재 사용하는 많은 모델이 막대한 시간과 비용을 투자하여 고도화되었음을 알 수 있는 대목이었다.

이후 프롬프트(Prompt)에 대한 다양한 전략을 소개하는데, 이제는 꽤 여러 매체에서 소개되어 다소 익숙한 제로샷(Zero-shot) 프롬프트, 퓨샷(Few-shot) 프롬프트, 그리고 사고의 연쇄(Chain-of-Thought, CoT)와 같은 기법들을 통해 LLM의 추론 능력을 향상시키는 방식에 관해 이야기한다.

책에서 비중 있게 다루는 내용 중 하나는 검색 증강 생성(Retrieval Augmented Generation, RAG) 시스템인데, RAG는 LLM이 사전에 학습하지 않은 최신 정보나 비공개 문서에 기반하여 답변을 생성하도록 돕는 기술이다. RAG를 구현하기 위한 인덱싱(Indexing) 과정은 특히 흥미로웠다. PDF 파일과 같은 원본 문서를 텍스트로 변환하고, 이를 청크(Chunk)로 분할한 다음, 최종적으로 숫자로 변환하여 벡터 저장소(Vector Store)에 저장하는 일련의 과정이 상세하게 담겨 있다.

파싱하는 과정은 어느 정도 예상과 비슷했지만, 제한된 청크 단위로 분할할 때 맥락 유지를 위해 200자 중복 구간을 두는 방식은 실용적이고 흥미로웠다. 텍스트 분할 후에는 임베딩(Embedding) 모델에 맞게 텍스트를 긴 숫자 시퀀스로 표현하는데, 이는 숫자가 가진 유연성 덕분에 의미론적 유사성 기반의 벡터 탐색이나 고차원 공간에서의 유사도 측정에 용이하기 때문이라는 점도 와닿는 지점이었다. 물론 이 과정만으론 검색 결과의 일관성이 떨어지기 때문에 MultiVectorRetriever, RAPTOR, ColBERT를 통해 최적화를 진행한다.

일반적으로 RAG 시스템은 사용자의 질의를 임베딩하고 데이터 소스에서 유사 문서를 찾아낸 후, 이를 프롬프트 맥락에 활용하여 최종 프롬프트를 구성하는 과정을 거친다. 이를 통해 기업의 비공개 문서나 개인 정보와 같은 특정 데이터에 기반한 더욱 정확하고 명확한 답변을 얻을 수 있다는 점을 이해하는 데에 필요한 과정임을 알 수 있는 대목이다. 특히 책에서 언급된 재작성-검색-읽기(Rewrite-Retrieve-Read) 전략은 사용자 입력 쿼리의 품질이 좋지 않을 경우 LLM에 쿼리 재작성을 요청하여 검색 성능을 향상시키는 기법으로, 비록 호출이 두 번 연속으로 발생하여 추가적인 지연이 있을 수 있지만 질의의 모호성으로 인한 검색 실패를 줄일 수 있다는 점에서 매우 유용하다고 생각했다. 결국 이 또한 개발에서 함수를 짜듯 여러 가지 로직을 적용해 보고 시도해 보는 과정처럼 느껴졌고, 지금도 많은 시도를 통해 더 최적화된 새로운 전략들이 얻어지고 있지 않을까 생각할 수 있는 대목이었다.

이후 챕터에서 언급된 내용은 최신 컨텍스트를 저장하는 방법이었다. LLM은 기본적으로는 무상태(상태를 저장하지 않음)로 상호작용하기 때문에 이전의 프롬프트나 응답 내용을 전혀 기억하지 못한다. 당연히 모델과 함께 프롬프트, 출력 파서를 함께 저장해서 사용하면 좋겠지만 모든 걸 저장하면 메모리 관리에 이슈가 생긴다. 얼마 전 개발자 모임에서 컨텍스트 저장에 대해 들었던 내용은 청크 분할 및 별도 저장과 같은 과정을 거쳤던 것으로 기억하는데, 랭체인에서는 랭그래프라는 오픈소스 라이브러리를 통해 다중 액터, 다단계, 상태 저장 인지 아키텍처 구조를 쉽게 구현할 수 있도록 지원하고 있다. 이를 통해 효율적으로 이전 대화 기록을 관리하고 LLM이 '기억'하도록 만든다. 이는 챗봇과 같은 대화형 애플리케이션 개발에 있어 필수적인 기능이라고 볼 수 있다.

이 책은 랭체인과 랭그래프를 활용한 LLM 애플리케이션 개발의 전 과정을 체계적으로 안내하는 실용 가이드에 가깝다. 단순히 기술의 사용법을 넘어, 그 배경과 원리, 그리고 실제 서비스 개발에 필요한 설계 관점과 운영 노하우까지 폭넓게 다루고 있다. 특히 RAG 시스템 구현, 에이전트 아키텍처 설계뿐만 아니라 LLM의 성능을 높이는 패턴, 실질적인 배포와 테스트 등 현재 AI 애플리케이션 개발의 트렌드를 담고 있다고 느꼈다. 책의 기획과 집필 과정에서도 새로운 기술이 끊임없이 등장하는 시대인 만큼, 부록을 통해 MCP(Model Context Protocol) 서버 구축과 활용 또한 간략하게 다루고 있는데, 그게 이 책이 트렌드를 담고자 노력한다는 뉘앙스를 느끼기에 충분했다. 한 권의 책으로 모든 심화적인 내용을 담을 순 없지만, 빠르게 변화하는 LLM 생태계 속에서 어느 정도의 개괄적인 그림을 그리는 데에 유용한 미니맵 역할을 해줄 수 있지 않을까 싶다.

ysg01***l2025-06-28

랭체인에 대해 개념적인 내용과 실습을 통한 응용이 가능한 책입니다.

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

AI시대에 맞춰 생성형 ai를 지탱하는 랭체인이 무엇이고 어떻게 응용할 수 있을지 고민할 수 있던 책입니다.
개념적인 설명이 잘 되어있고, 예제 또한 충분하여 어렵지 않게 따라할 수 있을거 같습니다.

guygi***l2025-06-27

랭체인 기초 사용법 익히기 - 따라해 보세요

“한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.”

AI, 난리다. 전 세계가 난리고, 한국도 난리고, 주변에서도 난리고, 회사에서도 은근 난리다. 이제 공부하는 걸 더 이상 늦출 수 없다. 친구네 회사는 사내 업무 시스템으로 활용할 거라고 팀까지 꾸렸다. 다른 친구는 아예 AI 솔루션을 만들어 공개까지 했다. 수년 전에는 머신 러닝이 난리더니, 이제는 한걸음 더 나아가, AI가 난리다. 매년 가을쯤에 대전 사이언스 페스티벌을 간다. 애들이 초등학교 다닐 때 애엄마가 이런 게 있더라하고 알려줘서 다니기 시작했는데, 한 3년 전쯤인가, 주체가 AI였고, 이미 학교에서 활용하고 있다며, 고등학교, 대학교 선생, 교수 할 것 없이 나와서 사례 발표를 했더랬다. 우와우와 했지만, 스크립트를 작성하는 게 생소하기도 했고, 저게 되나 싶기도 했고, 뭔가 진입장벽이 높아 보였더랬다.

지금은? 개인적으로는 비슷한 느낌이다. 더 많은 솔루션이 나왔고, 더 고가를 요구하는 것도 나왔고, 성능이 좋다느니, 품질이 좋다느니, 몇몇 분야는 특화된 것들도 나온다 그러고. 코드를 생성하는 수준이 많이 올라가서, 대기업이나 글로벌 기업에서는 인력 감축까지 했거나, 할 거라고, 뉴스에도 나오고, 곡소리도 들려오고 뭐 그랬다.

막연히 거부하는 건 아닌 것 같았다. 언젠가 해야 한다고는 생각했다. 그래서 기회가 왔을 때 이 책을 봤다. 사실 MCP를 친구 통해 듣게 되어서, 우리도 이런 거 해야 하는 거 아닌가 싶어 사전조사할 겸 찾아보다가 발견한 책이다. 이런 류 말고도 다양한 AI책이 나오고 있었는데도 말이다.

우선 내 선입견을 나열해보자. 어렵다? 코드 품질이 좀 그렇다? 업무에 도움이 될 것 같긴 한데, 얼마나 도움이 될지 막연하다? 얘한테 시키느니 내가 짜고 말지?

잔뜩 벼르며 책을 읽어나가기 시작했다.

역시, 0장은 어렵다. 생소한 전문용어 폭격이 시작됐다. 어떤 책이든, 배경지식이 충분하지 않으면 항상 첫 장이 제일 어렵다. 그래서 한 장 한 장 넘기는 게 무척 힘들었다. 친해지려고 애쓰면서 읽어나간다.

1장은 LLM 사용하기 위한 기초 지식의 전달과 사용법을 알려준다. 오케이, 이렇게 하는 거구나.

2장은 RAG, 데이터 인덱싱 하기. 오, 뭔가 따라하기 쉽게 코드가 작성돼 있다. 흠, 이렇게 하면 되는군.

3장은 RAG, 데이터 기반 대화. AI하고 대화하기라니... 직장동료가 AI랑 대화하면서 논다는 게 이해가 된다.

4장부터는 대화하면서 놀기 위한 준비를 어떻게 해야 하는지 알려주기 시작한다. 랭그래프, 대화 목록이구나.

5장 인지 아키텍처, 슬슬 인공지능이라는 느낌이 오기 시작했다.

6장과 7장, 에이전트 아키텍처. 그냥 분신술? 롤플레잉? 그런 인상을 받았다.

8장, 개발자라면 항상 염두에 둘 수 밖에 없는 성능 이슈. 뭐 개발자가 아니더라도, 답을 늦게 받는 게 좋을 리 없다.

9장, 10장, 아, 유료 서비스 통해서 배포해서 사용하고 활용하는 내용이다. 개발자라면 자체 구축을 해보는 것도... 싶지만 이미 잘 된 서비스를 경험하는 것도 많은 도움을 받을 수 있겠다 싶다.

11장, 내가 하고 싶은 게 어떤 건지 저 안에 있는 걸까 고민이 좀 되었다. 단순(?)한 챗 기능은 아닌 것 같고, 결국 보조 개발자 역할을 맡기고 싶은 게 아닐까 싶은데.

부록 A. MCP 서버 구축/활용, 이게 사실상 내가 이해하고 공부해보고 싶었던 분야. 아마도 앞에 나온 내용들을 보지 않았다면 어리둥절 했을 것 같다.

책 내용은 그렇게 어렵진 않다. 사실 책 내용의 절반은 랭체인을 이용해 구현한 코드다. 그러니 설명을 보고 코드 읽기를 시전해보면 이해할 수 있다. 다만, 양에 조금 눌려서 빠르게 읽기는 어렵겠다 싶다. 그리고 머릿속에서 그려보는 것보다는 실제로 실행시켜보는 게 백배 낫다. 그래야 더 잘 이해가 될 테다.

아직은 충분하다 싶을 정도로 지식이 쌓인 것 같지는 않다. 내용과 양을 보면 빨리 읽고 덮을 수도 있을 것 같은데, 이 책의 특성이 실제로 돌려봐야 감이 와서 그런 것 같다. AI쪽 일하는 친구 말이 떠올랐다.

"별 거 없어."

내용으로만 보면 별 거 없다. 하지만 그 별 거 없어 보이는 게 더 이해하기 난해하다.

alstjs4***l2025-06-27

랭체인 기초부터 아키텍처 설계 및 서버 실습까지 한 번에

한빛미디어 서평단 <나는 리뷰어다> 활동을 위해서
책을 협찬받아 작성된 서평입니다.

책 선택 이유

LangChain과 LangGraph를 활용한 프로젝트를 여러 번 진행하면서 주어진 기능을 조합해 결과를 만드는 데에는 익숙해졌지만 점점 더 "이 라이브러리가 실제로 어떻게 동작하는가", "내가 쓰는 기능은 내부적으로 어떤 흐름으로 이어지는가"에 대한 궁금증이 생기기 시작했다. 단순히 도구로 활용하는 수준을 넘어서 라이브러리의 설계 의도와 구조를 깊이 있게 이해하고 싶다는 욕구가 생긴 시점에서 이 책을 발견했다. 특히 LangChain 초기 컨트리뷰터가 저자라는 점에서 단순 사용법을 넘어 라이브러리 내부 로직과 개념적 배경까지 짚어줄 수 있겠다는 기대가 들었고 기초부터 아키텍처 설계, 서버화까지 이어지는 단계별 실습 중심 구성도 지금의 나에게 딱 맞는 학습 방식이라고 생각해 이 책을 선택하게 되었다.

책의 특징 및 차별점

[랭체인 초기 개발 컨트리뷰터에게 배우는 랭체인]

이 책의 저자인 메이오 오신은 LangChain 프로젝트가 처음 세상에 모습을 드러냈을 때부터 개발에 참여한 초기 컨트리뷰터로, 단순한 사용자가 아니라 프레임워크 내부 구조와 철학을 직접 설계하고 다듬은 실무자이다. 그렇기 때문에 책에 담긴 설명 하나하나가 단순한 기능 나열이 아니라, "왜 이 기능이 필요했고, 어떤 문제를 해결하기 위해 설계되었는가"에 대한 고민이 녹아 있다. 초심자에게는 입문서로서 명확하고 친절하게 다가오며, 경험자에게는 단순한 튜토리얼을 넘어 설계 의도를 이해하고 자신만의 시스템으로 확장할 수 있는 힌트를 제공한다. 무엇보다도 오픈소스 생태계에서 살아 있는 프로젝트를 만든 사람이 직접 알려준다는 점에서 단순히 문서와 블로그를 참고하며 흩어진 조각을 모으는 것과는 전혀 다른 학습 경험을 제공한다. 최신 LLM 기술을 기반으로 LangChain을 배우고자 하는 사람에게 더없이 든든한 가이드가 되어주는 책이다.

[랭체인 기초부터 아키텍처 설계 및 서버 실습까지 한 번에]

이 책은 단순히 LangChain의 기초 사용법만을 다루는 책이 아니다. 챕터를 따라가다 보면 독자는 자연스럽게 프롬프트 엔지니어링, RAG 구현, LangGraph를 활용한 흐름 제어, 메모리 기능, 인지 구조 설계까지 실제 LLM 애플리케이션을 설계하는 데 필요한 전 과정을 단계적으로 익히게 된다. 특히 구조적으로도 흥미로운 점은 CHAPTER 00~05에서는 LangChain 중심의 기본 개념과 실습을 다루고, 이후 CHAPTER 06~11에서는 동일한 내용을 LangGraph 관점에서 다시 구성해줌으로써 반복 학습과 비교 학습이 가능하도록 설계되어 있다는 점이다. 이를 통해 사용자는 단지 코드를 따라 치는 것이 아니라 한 번 더 개념을 정리하고 구조적 차이를 체감하며 실무 감각을 키울 수 있다.

여기에 그치지 않고 부록에서는 ‘MCP 서버 구축과 활용’이라는 제목으로 실습 결과를 실제 서비스로 확장하는 방법까지 다룬다. LangChain을 활용한 LLM 기능을 단순한 노트북에서 벗어나 API 서버 형태로 구성하고 외부 시스템과 연동하는 실전적인 활용까지 설명하기 때문에 개인 프로젝트를 서비스 수준으로 끌어올리고자 하는 독자들에게 매우 유용한 안내서가 된다. 결국 이 책은 단순히 “LangChain을 써볼 수 있게 되는 책”이 아니라 LLM 애플리케이션을 처음부터 끝까지, 기획부터 배포까지 구현할 수 있는 실전형 완성서다. 입문자는 물론 실무 전환을 준비하는 중급 개발자에게도 강력히 추천할 수 있는 구성이다.

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

『러닝 랭체인』 도서 서평

『러닝 랭체인: 랭체인과 랭그래프로 구현하는 RAG, 에이전트, 인지 아키텍처』는 대규모 언어 모델(LLM) 기반 애플리케이션 개발에 입문하려는 개발자들에게 훌륭한 길잡이가 되어주는 책입니다. 이 책은 랭체인의 초기 개발자이자 공동 창업자가 직접 집필하여 기술의 핵심 철학과 활용법을 가장 정확하게 전달합니다. 단순한 챗봇 구현을 넘어, 실제 서비스에 적용 가능한 AI 에이전트 구축 방법을 체계적으로 배우고 싶은 이들에게 추천할 만한 필독서입니다.

주요 내용 및 특징

이 책은 LLM과 랭체인이라는 도구가 단순한 유행이 아니라 실제 서비스 개발에 어떻게 활용될 수 있는지를 구체적으로 보여줍니다. 기초 개념부터 실전 배포 및 운영까지 전 과정을 한 권에 담아낸 것이 가장 큰 장점입니다.

포괄적인 주제: AI와 LLM의 기본 개념 소개를 시작으로 다양한 프롬프트 기법, 랭체인을 활용한 LLM 호출, 검색 증강 생성(RAG)의 핵심 기술을 상세히 다룹니다. RAG는 외부 검색 데이터를 기반으로 더 신뢰도 높은 답변을 생성하는 기술입니다.
최신 기술 습득: 챗봇에 메모리 기능을 추가하는 방법, 복잡한 아키텍처 설계를 가능하게 하는 랭그래프(LangGraph) 활용법, 그리고 AI 에이전트 아키텍처와 확장 기법까지 최신 기술을 폭넓게 다룹니다.
실무 중심의 구성: 애플리케이션 설계부터 배포 전략, 보안, 테스트, 지속적인 개선 방법 등 유지보수에 이르는 실무 노하우를 제공합니다. 또한 LLM과 사용자 간의 상호작용을 최적화하는 개발 패턴을 정리해 실무에 즉시 적용 가능한 인사이트를 얻을 수 있습니다.

번역 및 현지화의 완성도

『러닝 랭체인』 한국어판의 가장 큰 장점 중 하나는 완성도 높은 번역과 현지화입니다. 역자는 원서의 코드를 단순히 옮기는 것을 넘어, 코드의 일부가 된 자연어 프롬프트를 한국어로 번역하고, 번역된 프롬프트가 원문처럼 제대로 작동하는지 직접 검증했습니다.

실습 과정에서 원저자들이 위키백과 같은 글로벌 자료를 기반으로 예제를 구성한 덕분에, 한국어 프롬프트로도 원활하게 실습을 진행할 수 있었습니다. 또한, 코드 실행에 필요한 일부 누락된 텍스트나 데이터를 역자가 보충하여 독자들이 책의 내용을 그대로 따라 하는 데 문제가 없도록 세심하게 다듬었습니다.

결론

『러닝 랭체인』은 생성형 AI 애플리케이션 개발의 개념부터 실전까지 모든 것을 담아낸 종합 안내서입니다. 랭체인 프레임워크 창시자의 깊이 있는 설명과 실무적인 예제, 그리고 한국 독자를 위한 세심한 현지화 과정이 더해져, AI 서비스 개발에 도전하는 모든 이에게 든든한 동반자가 될 것입니다. LLM을 활용해 실질적인 가치를 창출하고 싶은 개발자라면 반드시 읽어봐야 할 책입니다.