LangGraph 사용법: 멀티 에이전트로 S&P 500 데이터 시각화하기

LangChain이 만든 멀티 에이전트 라이브러리 LangGraph를 알아보자

LangGraph란 무엇인가?

LangGraph의 주요 기능

1. 사이클 구조: 각 에이전트가 단순히 역할을 수행하고 끝나는 것이 아니라, 명확한 사이클을 통해 다음 역할을 수행할 에이전트에게 전달합니다.

2. 글로벌 스테이트 관리: 모든 에이전트가 현재 상태를 공유하여, 전체 시스템의 상태를 파악하고 작업을 진행합니다.

3. 다양한 도구와의 연동: 검색, 차트 생성, 코드 실행 등 다양한 도구와 연동하여 작업을 수행할 수 있습니다.

LangGraph의 혁신적인 점

1. 에이전트의 역할 분담과 협업: LangGraph에서는 각 에이전트가 명확한 역할을 맡고, 그 역할에 따라 작업을 수행합니다. 예를 들어, 검색 에이전트는 데이터를 수집하고, 차트 생성 에이전트는 수집된 데이터를 바탕으로 그래프를 그립니다.

2. 상태 관리 및 공유: 모든 에이전트가 현재 작업의 상태를 공유합니다. 이를 통해 에이전트 간의 협업이 원활하게 이루어질 수 있으며, 작업의 진행 상황을 실시간으로 파악할 수 있습니다.

3. 명확한 흐름도: LangGraph는 에이전트 간의 작업 흐름을 명확하게 정의합니다. 이를 통해 각 에이전트가 언제 어떤 작업을 수행해야 하는지 알 수 있으며, 작업의 순서를 체계적으로 관리할 수 있습니다.

LangGraph로 할 수 있는 일

1. 데이터 검색 및 수집:
• 예를 들어, 학교 과제로 특정 주제에 대해 자료를 찾아야 한다고 생각해보세요. LangGraph를 사용하면 에이전트가 인터넷에서 필요한 자료를 자동으로 검색하고 수집해줍니다.

2. 데이터 분석 및 시각화:
• 수집한 데이터를 바탕으로 차트나 그래프를 만들어야 할 때, LangGraph의 에이전트가 데이터를 분석하고 예쁜 그래프를 그려줄 수 있습니다.

3. 복잡한 작업의 자동화:
• 여러 단계의 작업이 필요한 경우, 각 단계를 여러 에이전트가 나눠서 수행하고, 최종 결과를 만들어냅니다. 예를 들어, 데이터 검색, 정리, 분석, 시각화 등 각 단계를 에이전트가 협력하여 수행합니다.

LangGraph 사용 예제

1. 환경 설정 및 에이전트 생성

# API 키 설정
api_key = 'your_api_key_here'

# 에이전트 생성 함수
def create_agent():
    from langchain.agents import Agent
    from langchain.tools import GoogleSearchTool, PythonExecutorTool

    # 에이전트가 사용할 도구들
    tools = [GoogleSearchTool(api_key=api_key), PythonExecutorTool()]

    # 에이전트 생성
    agent = Agent(tools=tools, system_message='검색 및 차트 생성을 수행합니다.')
    return agent

2. 도구 정의

# 구글 검색 도구 정의
search_tool = GoogleSearchTool(api_key=api_key)

# 파이썬 코드 실행 도구 정의
python_tool = PythonExecutorTool()

3. 에이전트 상태 관리 및 노드 생성

from langchain.state import AgentState

# 에이전트 상태 클래스 정의
class AgentState:
    def __init__(self):
        self.state = {}

# 노드 생성 함수
def create_node(agent, state):
    from langchain.nodes import Node

    # 에이전트 노드 생성
    node = Node(agent=agent, state=state)
    return node

4. 멀티 에이전트 콜라보레이션 구현

# 리서치 에이전트 정의
research_agent = create_agent()
research_state = AgentState()

# 차트 생성 에이전트 정의
chart_agent = create_agent()
chart_state = AgentState()

# 리서치 노드 생성
research_node = create_node(research_agent, research_state)

# 차트 생성 노드 생성
chart_node = create_node(chart_agent, chart_state)

5. 그래프 정의 및 실행

from langchain.graph import Graph

# 그래프 정의
graph = Graph()
graph.add_node(research_node)
graph.add_node(chart_node)
graph.add_edge(research_node, chart_node, condition='data_collected')

# 그래프 실행
graph.run('S&P 500 지수의 최근 5년간 데이터를 찾아줘.')

6. 결과 확인 및 시각화

# 수집된 데이터 예제
data = {
    '2019': 2946.35,
    '2020': 3756.07,
    '2021': 4766.18,
    '2022': 3785.38,
    '2023': 4193.50
}

# 차트 생성 코드
import matplotlib.pyplot as plt

years = list(data.keys())
values = list(data.values())

plt.plot(years, values, marker='o')
plt.title('S&P 500 지수 (2019-2023)')
plt.xlabel('년도')
plt.ylabel('지수')
plt.show()

결론