ReAct 에이전트

직접 ReAct 에이전트를 만들어 볼 시간이에요! ReAct는 Reason and Act의 줄임말로, 에이전트가 어떻게 의사 결정을 하는지 설명합니다. 이번 연습에서는 내장된 wikipedia 도구를 불러와 Wikipedia의 외부 데이터를 LLM과 통합해 보겠습니다. OpenAI의 gpt-4o-mini 모델을 사용하는 llm은 이미 정의되어 있어요.

참고: wikipedia 도구는 의존성으로 wikipedia Python 라이브러리 설치가 필요합니다. 이 연습에서는 이미 설치되어 있어요.

이 연습은 강의의 일부입니다

LangChain으로 LLM 애플리케이션 개발하기

연습 안내

load_tools() 함수를 사용해 "wikipedia" 도구를 불러오세요.
create_react_agent()에 llm과 사용할 도구들을 전달해 ReAct 에이전트를 정의하세요.
제공된 입력으로 에이전트를 실행하고, response의 마지막 메시지에서 콘텐츠를 출력하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Define the tools
tools = load_tools(["____"])

# Define the agent
agent = create_react_agent(____, ____)

# Invoke the agent
response = agent.____({"messages": [("human", "How many people live in New York City?")]})
print(response['messages'][-1].____)

코드 편집 및 실행

이 연습은 강의의 일부입니다

LangChain으로 LLM 애플리케이션 개발하기

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

LLM 기반 애플리케이션을 위한 LangChain 프레임워크에 오신 것을 환영합니다! 모델, 체인, 에이전트, 프롬프트, 파서 등 LangChain의 핵심 구성 요소를 살펴보게 됩니다. Hugging Face의 오픈 소스 모델과 OpenAI의 상용 모델을 활용해 챗봇을 만들고, 프롬프트 템플릿을 작성하며, 대화 중 문맥과 리소스를 관리하기 위한 다양한 챗봇 메모리 전략도 통합해 볼 거예요.

Exercise 1: LangChain 생태계 Exercise 2: LangChain에서 OpenAI 모델 사용하기!Exercise 3: LangChain에서 Hugging Face 모델 사용하기!Exercise 4: 프롬프트 템플릿 Exercise 5: 프롬프트 템플릿과 체이닝 Exercise 6: 채팅 프롬프트 템플릿 Exercise 7: Few-shot 프롬프트 작성 Exercise 8: Few-shot 예시 세트 만들기 Exercise 9: Few-shot 프롬프트 템플릿 만들기 Exercise 10: Few-shot 프롬프트 구현하기

이제 LangChain 체인을 한 단계 업그레이드해 볼까요? LangChain Expression Language(LCEL)를 사용해 더 유연하게 체인을 정의하는 방법을 배웁니다. 구성 요소 간에 입력을 전달하는 순차 체인을 만들어 더 발전된 애플리케이션을 구현해 볼 거예요. 또한 의사 결정을 위해 LLM을 활용하는 에이전트 통합도 시작합니다.

Exercise 1: 순차 체인 Exercise 2: 순차 체인을 위한 프롬프트 만들기 Exercise 3: LCEL로 만드는 순차 체인 Exercise 4: LangChain 에이전트 소개 Exercise 5: 에이전트란 무엇일까요?Exercise 6: ReAct 에이전트

현재 연습

Exercise 7: 에이전트를 위한 사용자 지정 도구 Exercise 8: 툴 사용을 위한 함수 정의 Exercise 9: 사용자 지정 도구 만들기 Exercise 10: 에이전트에 사용자 정의 도구 통합하기

LLM의 한계 중 하나는 특정 시점까지의 데이터로 학습되어 지식 컷오프가 존재한다는 점입니다. 이 장에서는 Retrieval Augmented Generation(RAG)을 사용해 외부 데이터를 LLM과 통합하는 애플리케이션을 만드는 방법을 배웁니다. RAG 워크플로에는 데이터 분할, 벡터 데이터베이스를 사용한 임베딩 생성 및 저장, 애플리케이션에서 활용할 가장 관련성 높은 정보 검색 등 여러 단계가 포함돼요. 전체 워크플로를 차근차근 익혀 마스터해 보세요!

Exercise 1: 문서 로더 통합하기 Exercise 2: PDF 문서 로더 Exercise 3: CSV 문서 로더 Exercise 4: HTML 문서 로더 Exercise 5: 검색을 위한 외부 데이터 분할 Exercise 6: 문자 단위로 분할하기 Exercise 7: 문자를 기준으로 재귀적으로 분할하기 Exercise 8: HTML 분할하기 Exercise 9: 벡터 데이터베이스를 활용한 RAG 저장 및 검색 Exercise 10: 문서와 벡터 데이터베이스 준비하기 Exercise 11: 검색 프롬프트 템플릿 만들기 Exercise 12: RAG 체인 만들기 Exercise 13: 마무리!