LangChain

LangChain 아키텍처

패키지 계층과 Bedrock 연동 진입점

LangChain 1.0 패키지 구조

langchain-core 위에 프로바이더별 패키지를 조합

LangChain 1.0 마이그레이션

레거시 API의 행선지 — 에이전트 빌딩 블록 중심 재편

핵심 컴포넌트

LangChain 생태계를 구성하는 주요 빌딩 블록

설치와 Bedrock 연동

pip install 한 줄 + 모델 ID만 지정하면 시작

# 설치
pip install langchain-aws

# Bedrock 연동 — 3줄
from langchain_aws import ChatBedrockConverse

llm = ChatBedrockConverse(
    model="us.anthropic.claude-sonnet-4-6",
    temperature=0,
    region_name="us-east-1",
)

response = llm.invoke("서울 여행 추천해줘")

모델과 프롬프트

모델 래퍼 · 호출 패턴 · 프롬프트 템플릿

ChatBedrockConverse 파라미터

Converse API 래퍼의 생성 인자 — 모델 지정부터 리전까지

핵심 포인트

model= / model_id=

양쪽 kwarg 모두 유효 — model_id가 정본 필드, model은 alias

temperature=0

RAG처럼 정확성이 핵심인 워크로드의 기본 설정

region_name=

모델을 호출할 AWS 리전 지정 — 리전별 모델 가용성 확인 필요

ChatBedrock (구)

deprecated — 신규 코드는 ChatBedrockConverse만 사용

코드

from langchain_aws import ChatBedrockConverse

# 모델 지정 — model_id=(정본)와 model=(alias) 모두 동작
llm = ChatBedrockConverse(
    model_id="us.anthropic.claude-sonnet-4-6",
    temperature=0,
    region_name="us-east-1",
)

# 모델 전환 — 같은 래퍼에서 모델 ID만 교체
lite = ChatBedrockConverse(
    model="us.amazon.nova-2-lite-v1:0",
    region_name="us-east-1",
)

3가지 호출 패턴

동기 · 스트리밍 · 배치 — 상황에 맞게 선택

ChatPromptTemplate

변수 바인딩 + 역할 분리 — 재사용 가능한 프롬프트

LCEL과 도구

파이프 조립과 도구 호출

LCEL — 파이프로 조립

| 연산자로 Runnable 컴포넌트를 직렬 연결 — 파이프를 관통하는 고객 문의 한 건

체인 속 데이터 실물

"배송이 3일째 안 와요" 한 건이 각 단계를 지나며 바뀌는 모양

LCEL 조합 패턴

함수 연결 · 병렬 입력 · 자동 호출 패턴 — 파이프가 흡수하는 것들

핵심 포인트

retriever | format_docs

일반 Python 함수도 파이프에 연결 — 검색 결과를 문자열로 정리

RunnablePassthrough()

입력을 그대로 통과 — 원본 질문을 프롬프트 변수로 전달

{"context": ..., "question": ...}

dict 조합 — 두 갈래 입력을 병렬로 채워 프롬프트에 공급

invoke · stream · batch

한 번 조립한 체인이 세 호출 패턴을 자동 지원 — 재작성 불필요

코드

from langchain_core.runnables import RunnablePassthrough

# 일반 함수 — 파이프에 연결하면 체인의 한 단계로 동작
def format_docs(docs):
    return "\n\n".join(d.page_content for d in docs)

# dict 조합 — 두 갈래 입력을 병렬로 채워 프롬프트에 공급
chain = (
    {"context": retriever | format_docs,
     "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

answer = chain.invoke("코르키지 비용은?")

@tool과 bind_tools

Python 함수를 LLM이 호출할 수 있는 도구로 변환

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """도시의 현재 날씨를 조회합니다."""
    return f"{city}: 28°C 맑음"

# 모델에 도구 바인딩
llm_with_tools = llm.bind_tools([get_weather])

# 모델이 tool_calls를 생성하면 → 도구 실행 → 결과 반환
result = llm_with_tools.invoke("서울 날씨 알려줘")
# result.tool_calls = [{"name": "get_weather", "args": {"city": "서울"}}]

도구 호출 왕복

tool_calls 생성부터 최종 답변까지 — 질문 하나 뒤에서 오가는 메시지

문서 처리

RAG의 재료를 만드는 4단계

문서 처리 파이프라인

원문 → 청킹 → 임베딩 → 벡터 저장

1. 1
   Load

   PDF/HTML/TXT를 Document(page_content + metadata)로 변환

2. 2
   Split

   RecursiveCharacterTextSplitter — chunk_size + overlap으로 분할

3. 3
   Embed

   BedrockEmbeddings — 텍스트를 벡터(1024차원, Titan Embed v2 기준)로 변환

4. 4
   Store

   FAISS / OpenSearch VectorStore에 저장 → 유사도 검색 가능

Document Loader 5종

포맷별 로더가 원문을 Document 객체로 통일 — 메타데이터는 자동 부착

청킹 전략

RecursiveCharacterTextSplitter가 기본 — 구분자 계층으로 의미 단위 분할

임베딩 모델 선택

차원 · 언어 · 비용 — 세 기준으로 고르는 임베딩 모델

RAG 체인

파이프 4개로 완성하는 RAG와 그 한계

RAG = 4단계 LCEL

retriever | prompt | llm | parser — 파이프 4개로 완성

from langchain_aws import ChatBedrockConverse, BedrockEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_community.vectorstores import FAISS

# 0. 모델 준비 — LLM + 임베딩
llm = ChatBedrockConverse(model="us.anthropic.claude-sonnet-4-6")
embeddings = BedrockEmbeddings(model_id="amazon.titan-embed-text-v2:0")
# 1. Retriever — 벡터 검색
vectorstore = FAISS.load_local("./index", embeddings, allow_dangerous_deserialization=True)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
# 2. Prompt — 검색 결과 + 질문 조합
prompt = ChatPromptTemplate.from_template(
    "아래 컨텍스트만 사용하여 질문에 답하세요.\n컨텍스트: {context}\n질문: {question}"
)

# 3. LCEL 체인 조립
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

answer = rag_chain.invoke("서울에서 가볼 만한 관광지는?")  # 4. 실행

LCEL RAG의 한계

직선 파이프라인의 한계 — 루프·분기가 필요한 순간

프레임워크 선택 — LangChain vs Strands

기존 투자와 배포 타겟이 가르는 선택 — LangChain 자산은 유지·확장, 신규 AWS 네이티브는 Strands 검토

LangChain — 조립식 파이프라인

LCEL로 조립, 분기·루프가 필요해지면 LangGraph로 확장