langchain-ai/langgraph-101

해결하는 문제

실제 작업을 안정적으로 처리하는 LLM 에이전트를 구축하는 것은 동작을 세밀하게 제어해야 하는 경우가 많기 때문에 어렵습니다. 이 저장소는 LangChain, LangGraph, Deep Agents를 사용하여 그러한 에이전트를 구축하는 방법을 개발자에게 가르치기 위해 존재합니다. LangGraph는 에이전트 워크플로에 정밀성과 제어를 추가하는 프레임워크를 제공하고, Deep Agents는 복잡한 다단계 작업을 위한 내장 도구, 컨텍스트 관리, 스킬을 추가합니다. 튜토리얼은 단순한 에이전트에서 인간 감독과 멀티 에이전트 협업을 갖춘 프로덕션급 시스템으로 이동하는 방법을 보여줍니다.

작동 방식

프로젝트는 두 가지 학습 트랙으로 구성됩니다. 101 트랙은 기본 사항을 다룹니다: 모델, 도구, 메모리, 스트리밍을 사용하여 첫 번째 에이전트를 구축한 다음 미들웨어, 인간 참여 패턴, 가드레일을 탐구합니다. 201 트랙은 프로덕션 패턴을 더 깊이 다룹니다: 상태 저장 이메일 분류 에이전트, 감독자와 전문 하위 에이전트를 갖춘 멀티 에이전트 시스템, 병렬 하위 연구원을 갖춘 딥 리서치 에이전트, AGENTS.md, 스킬, 백엔드, 장기 메모리, 인간 참여 상호 작용을 갖춘 처음부터 구축된 Deep Agents. 노트북 외에도 저장소에는 독립 실행형 에이전트 구현(날씨, 이메일, 음악 상점, 연구원, 딥 에이전트)이 포함되어 있으며 langgraph dev 및 LangGraph Studio를 통해 로컬에서 실행할 수 있습니다. 모든 모델은 utils/models.py에서 중앙 집중식으로 구성되며 OpenAI, Azure OpenAI, AWS Bedrock, Google Vertex AI를 지원합니다.

대상 독자

이것은 구조화된 실습 방식으로 LLM 에이전트 구축을 배우고자 하는 개발자를 대상으로 합니다. LangChain 생태계(LangGraph 및 Deep Agents 포함)에 관심이 있는 사람들에게 특히 유용합니다. 이 자료는 LangChain Academy의 압축 버전으로, LangChain 엔지니어와의 세션에서 실행되도록 설계되었지만 Python 환경 및 API 키 설정에 익숙하다면 자기 주도 학습에도 적합합니다.

주요 특징

• 두 가지 명확한 학습 경로: 101은 기본, 201은 프로덕션 패턴
• create_agent() 및 create_deep_agent()와 같은 현대적인 프리미티브로 에이전트를 점진적으로 구축하는 실습 노트북
• LangGraph Studio에서 실행할 수 있는 독립 실행형 에이전트 예제: 날씨, 이메일 분류, 멀티 에이전트 음악 상점, 딥 리서처, DeepAgents 리서치 에이전트
• 고급 주제 다루기: 미들웨어, 인간 참여, 멀티 에이전트 감독, 장기 메모리, 스킬, 병렬 하위 에이전트
• 여러 LLM 공급자(OpenAI, Azure, Bedrock, Vertex AI)에 대한 단일 구성으로 쉽게 전환
• 핫 리로딩 및 시각적 디버거를 갖춘 로컬 개발에 langgraph dev 사용