pattern

TL;DR⚑

• Agent는 사용자의 입력을 받아 Tool을 실행하고, 결과를 바탕으로 답변을 생성하는 구조임.
• ReAct, Plan & Execute, Self-Reflection, Conversational, Function Calling 등 여러 주요 패턴이 존재.
• LangChain에서는 기본적으로 ReAct 패턴을 사용하며, 상황에 따라 적절한 패턴을 선택하여 활용할 수 있음.
• LangGraph를 기반으로 한 Multi-Agent, Supervisor, Self-RAG, Tree of Thoughts 등의 고급 패턴도 존재함.

Agent의 기본 구조⚑

• 사용자 입력 수신: 사용자가 메시지를 입력함.
• LLM 추론: 입력된 내용을 기반으로 어떤 Tool을 사용할지 결정하기 위해 추론함.
• Tool 선택 및 실행: 적절한 Tool을 선택하고 실행하여 결과를 얻음.
• 후속 행동 결정: 추가 행동이 필요한지 판단하여 반복 실행할지 결정함.
• 최종 답변 반환: 모든 과정이 완료되면 사용자에게 최종 답변을 전달함.

graph LR;
    A[사용자의 입력] --> B[LLM 추론]
    B --> C[Tool 선택]
    C --> D[Tool 실행 및 결과 획득]
    D --> E{추가 행동 필요?};
    E -- 예 --> B;
    E -- 아니오 --> F[최종 답변 반환];

주요 Agent 패턴⚑

1. ReAct (Reasoning + Acting) 패턴⚑

• 특징: LLM이 먼저 답변을 생성하기보다는 어떤 Tool을 사용할지 결정한 후 실행하는 방식임.
• 구체적 사례: LangChain의 zero-shot-react-description Agent는 문맥 내에서 필요한 도구를 선택하고, 실행 후 도출된 결과를 바탕으로 다시 추론하여 최종 답변을 생성함.
• 예시: 사용자 질문에 대해 단순 검색이나 계산이 필요한 경우, 해당 Tool을 실행하고 그 결과를 포함하여 답변하는 과정이 이에 해당됨.

graph LR;
    A[사용자의 입력] --> B[LLM 추론: 문제 이해 및 해결 방법 모색]
    B --> C[Tool 선택: 필요한 도구 결정]
    C --> D[Tool 실행: 선택한 도구를 호출]
    D --> E[결과 획득: 도구 실행 결과 수신]
    E --> F{추가 행동 필요?}
    F -- 예 --> B;
    F -- 아니오 --> G[최종 답변 반환]

2. Plan & Execute 패턴⚑

• Plan & Execute
• 특징: 복잡한 멀티스텝 작업을 위해 계획(Plan) 수립과 실행(Execute) 단계를 명확하게 분리함.
• 구체적 설명:
  • 계획 단계에서는 문제를 여러 단계로 나누어 어떤 순서로 Tool을 실행할지 계획을 세움.
  • 실행 단계에서는 계획에 따라 각 단계별로 Tool을 호출하고 결과를 종합함.
• 사용 예: 복잡한 데이터 분석이나 여러 API를 순차적으로 호출해야 하는 작업에 효과적임.
• 예시: 먼저 데이터를 수집(계획)한 후, 각각의 데이터를 가공 및 분석(실행)하여 최종 결과를 도출하는 작업 방식.

graph LR;
    A[사용자의 입력] --> B[계획 수립]
    B --> C[단계별 실행]
    C --> D[결과 종합]
    D --> E{추가 작업 필요?}
    E -- 예 --> F[계획 재검토 및 수정]
    F --> C
    E -- 아니오 --> G[최종 답변 반환]

3. Self-Reflection Agent (자기 점검)⚑

• Reflection
• 특징: LLM이 스스로 생성한 결과를 검토하고, 오류를 점검하여 필요한 경우 수정하는 방식임.
• 구체적 설명:
  • 피드백 루프: 초기 결과를 생성한 후, 이를 재검토하여 누락이나 오류가 있는지 확인하고, 필요 시 수정 과정을 거침.
  • LangChain에서는 직접적인 구현 예시는 없으나, 커스텀 Agent로 이러한 피드백 루프를 적용할 수 있음.
• 사용 예: 복잡한 질문에 대해 결과의 정확성을 높이고자 할 때 유용함.

graph LR;
    A[첫 번째 결과 생성] --> B[결과 검토 및 수정]
    B --> C{결과가 정확한가?}
    C -- 예 --> D[최종 답변 반환]
    C -- 아니오 --> A

4. Conversational Agent (대화형)⚑

• 특징: 사용자의 이전 대화 이력을 기억하여 문맥을 유지하며 응답을 생성하는 방식임.
• 구체적 설명:
  • Memory 활용: LangChain의 ConversationalBufferMemory 등을 사용하여, 이전 대화 내용을 저장 및 활용함.
  • 장점: 지속적인 대화에서 사용자 의도를 보다 정확하게 파악하고, 일관된 답변을 제공할 수 있음.
  • 단점: 메모리 관리가 제대로 이루어지지 않으면 대화 맥락이 불필요하게 누적될 수 있음.
• 사용 예: 고객 지원 챗봇, 상담 시스템 등 연속 대화가 필요한 환경.

graph LR;
    A[사용자 입력] --> B[대화 이력 확인]
    B --> C[문맥 유지 후 응답 생성]
    C --> D[최종 답변 반환]

5. Function Calling (OpenAI Functions)⚑

• 특징: 미리 정의된 특정 API만을 실행하여, 보다 안전하고 예측 가능한 결과를 얻을 수 있는 방식임.
• 구체적 설명:
  • 보안성 강화: 사용 가능한 함수가 미리 제한되어 있어 외부 API 호출 시 발생할 수 있는 위험을 줄임.
  • 예측 가능성: 특정 기능에 한정된 실행으로, 예상 가능한 결과를 도출할 수 있음.
• 사용 예: 금융 데이터 조회, 예약 시스템 등 API 호출이 필요한 시스템.

graph LR;
    A[사용자의 입력] --> B[필요한 함수 식별]
    B --> C[해당 API 호출]
    C --> D[결과 반환]

6. Multi-Agent Collaboration⚑

• Hierarchical Agent Team / Network 와 같은 세부 패턴 존재
• 특징: 여러 Agent가 병렬 또는 순차적으로 협력하여 문제를 해결함.
• 구체적 설명:
  • 각 Agent는 특정 역할 또는 도메인에 특화되어 있으며, 상호작용을 통해 더 복잡한 문제를 해결할 수 있음.
• 사용 예: 항공권 예약 + 호텔 검색 + 차량 렌탈을 분리된 Agent가 처리한 후 통합 결과 제공.

graph LR;
    A[사용자의 입력] --> B1[Agent A: 항공]
    A --> B2[Agent B: 호텔]
    A --> B3[Agent C: 렌터카]
    B1 --> C[통합 결과 집계]
    B2 --> C
    B3 --> C
    C --> D[최종 응답 생성]

7. Supervisor Agent⚑

• 특징: 상위 LLM이 여러 하위 Agent에게 작업을 분배하고 결과를 통합함.
• 구체적 설명:
  • Supervisor는 전체 목표를 분석하고, 필요한 Agent에 태스크를 위임한 후, 그 결과를 수집하여 최종 응답 생성.

graph LR;
    A[사용자의 입력] --> B[Supervisor Agent]
    B --> C1[하위 Agent 1]
    B --> C2[하위 Agent 2]
    C1 --> D[결과 수집]
    C2 --> D
    D --> E[Supervisor가 최종 응답 생성]

8. Hierarchical Agent⚑

• 특징: 문제를 상위 목표와 하위 태스크로 나누어 단계적으로 해결함.
• 구체적 설명:
  • Team 또는 Tree 구조로 Agent를 구성하여 계층적으로 분할 처리.

graph LR;
    A[상위 목표] --> B[하위 계획 A]
    A --> C[하위 계획 B]
    B --> D[세부 실행 A1]
    B --> E[세부 실행 A2]
    C --> F[세부 실행 B1]
    C --> G[세부 실행 B2]

9. Reflective Retrieval Agent (Self-RAG, Corrective RAG)⚑

• 특징: 검색된 정보의 품질을 평가하고, 필요 시 재검색하거나 스스로 판단을 교정함.
• 구체적 설명:
  • 초기 검색 결과를 검토하고, 부족하거나 부정확하면 다시 검색을 시도하거나 정보를 필터링함.

graph LR;
    A[Query 입력] --> B[초기 Retrieval]
    B --> C[검색 품질 평가]
    C --> D{품질이 적절한가?}
    D -- 예 --> E[응답 생성]
    D -- 아니오 --> F[재검색 및 필터링] --> C

10. Tree of Thoughts (ToT)⚑

• 특징: 다양한 추론 경로를 생성하고, 각 경로를 평가하여 최적의 답을 선택함.
• 구체적 설명:
  • 분기된 추론 경로를 탐색하고, 점수화 및 선택 과정에서 Reflection 기법 활용

graph LR;
    A[문제 입력] --> B1[아이디어 1]
    A --> B2[아이디어 2]
    B1 --> C1[세부 추론 1-1]
    B1 --> C2[세부 추론 1-2]
    B2 --> C3[세부 추론 2-1]
    B2 --> C4[세부 추론 2-2]
    C1 --> D[점수 평가 및 선택]
    C2 --> D
    C3 --> D
    C4 --> D
    D --> E[최종 응답 도출]

11. LLMCompiler / DAG Planning⚑

• 특징: 전체 플랜을 DAG(Directed Acyclic Graph)로 구성하고 병렬 및 순차 실행.
• 구체적 설명:
  • 의존성이 있는 태스크는 순차 실행, 독립된 태스크는 병렬 처리하여 효율적으로 문제 해결

graph LR;
    A[시작 태스크] --> B[분석 단계]
    B --> C1[병렬 태스크 1]
    B --> C2[병렬 태스크 2]
    C1 --> D[결과 통합]
    C2 --> D
    D --> E[후처리 및 응답 생성]

Agent 패턴별 비교⚑

결론⚑

LangChain과 LangGraph 기반의 Agent는 단순한 API 호출기를 넘어서 추론과 행동, 그리고 다단계 계획과 협력적 수행을 결합하는 강력한 지능형 시스템입니다.

• 기본적으로 ReAct 패턴을 사용하여 유연하게 도구를 선택 및 실행하지만,
• 복잡한 작업에는 Plan & Execute, LLMCompiler,
• 결과의 정확성을 높이기 위해 Self-Reflection, Reflective RAG,
• 연속적인 대화에서는 Conversational,
• 특정 API에 한정된 작업에는 Function Calling,
• 고도화된 협업 및 분산 처리가 필요한 경우 Multi-Agent, Supervisor, Hierarchical Agent, Tree of Thoughts 등의 패턴을 적용할 수 있습니다.