조대협의 블로그

Open AI Day 2025를 한마디로 정리하자면, 기존의 모델의 집중했던 전략에서, 애플리케이션 개발을 위한 전반적인 에코 시스템 확장으로 전략을 확장하였으며, 마케팅 // GTM (Go To Market) 전략의 승리라고 볼 수 있다. 이번에 발표한 Agent Kit나 Model Eval, Tracing 등 다수의 기능들은 이미 오픈소스나 경쟁 벤더들이 제공하고 있는 기술들인데, 몇개의 추가 제품을 잘 녹여서 메세지를 만들어냄으로써 혁신적인 발전으로 보이도록 잘 포장을 하였다. 이 글에서는 이번에 Open AI가 발표한 새로운 제품들에 대해서 간략하게 알아보고, 이 발표가 주는 의미에 대해서 정리해보고자 한다. Apps in ChatGPTChatGPT 기반의 에이전트 웹사이트를 손쉽게 만들 수 있는..

참고한 원본 글 : https://www.anthropic.com/engineering/claude-code-best-practices Anthropic이 공개한 Claude Code는 단순한 코드 자동 완성 도구를 넘어, 개발자의 쉘 환경과 파일 시스템에 직접 접근하여 자율적으로 작업을 수행하는 '에이전트형(Agentic)' 개발 도구다. 하지만 이 강력한 자율성은 명확한 가이드라인 없이는 오히려 예측 불가능한 결과를 낳을 수 있다.이 글에서는 Anthropic이 공식적으로 밝힌 엔지니어링 블로그의 내용을 기반으로, Claude Code의 잠재력을 100% 끌어내기 위한 핵심적인 베스트 프랙티스를 항목별로 심층 분석하고, 실제 적용 가능한 예제와 함께 제시하고자 한다.1. 초기 설정 최적화 (Custo..

AI 자동화란 무엇인가AI 자동화는 인공지능 기술을 활용하여 반복적인 작업을 자동으로 처리하고, 데이터를 분석하며, 의사 결정을 최적화하는 프로세스이다. 단순한 작업부터 복잡한 비즈니스 워크플로우까지 다양한 영역에서 효율성을 높이고, 수작업으로 인한 오류를 줄이며, 생산성을 향상시킨다. 예를 들어, AI 자동화는 고객 문의를 실시간으로 분류하거나, 데이터를 분석해 보고서를 생성하거나, 소셜 미디어 콘텐츠를 자동으로 게시하는 데 사용된다. 이러한 기술은 비즈니스 운영을 간소화하고, 더 나은 고객 경험을 제공하며, 조직이 더 빠르게 성장할 수 있도록 돕는다.AI 자동화의 실질적인 예시고객 지원: 고객 이메일을 분석해 우선순위를 지정하고, 자동으로 답변 템플릿을 생성한다.마케팅: 소셜 미디어 캠페인 데이터를 ..

LLM 애플리케이션을 만드는데, 이미 Langchain과 같은 프레임웍이 있는데, 왜 추가로 Langgraph와 같은 프레임웍이 필요할까?예를 들어서, 질문에 대해서 구글 검색을 하고, 그 내용을 기반으로 답변하는 Agent를 만든다고 하자.아래 구조와 같이 질문을 분석해서 좀 더 명확한 프롬프트로 만들어내고, 구글 검색을 한 후, 검색 내용이 답변을 하는데 충분한 정보를 가지고 있는지 판단을 하고, 만약에 검색된 정보가 충분하지 않으면 질문을 변경해서 다시 구글 검색을 하고, 충분한 정보를 수집할때 까지 이 과정을 반복한 다음에, 이 정보를 이용해서 답변을 생성해서 리턴한다. 이 구조를 Langchain으로 만들 수 없을까?물론 가능은 하다. 대략 다음과 같은 구조를 가지면 된다. chain = ( ..

4. Tool 호출Graph에서 외부 Tool을 호출하는 방법에 대해서 알아보도록 하자. 먼저 Tool 함수를 정의해야 하는데,Tool을 일반적인 파이썬 함수로 정의한다. 이때 중요한 부분은 함수 첫줄에 툴에 대한 설명을 주석으로 달아줘야 한다. LLM AI 모델이 어떤 툴을 사용해야할지 판단할때 이 정보를 이용해서, 툴의 기능을 파악한 후에, 툴 호출 여부를 결정한다. 아래는 get_weather라는 툴을 정의한 코드로, 특정 지역의 날씨를 리턴하는 테스트 코드이다. (지역명이 sf나 san francisco인 경우에는 온도를 60도로, 아니면 90도 온도로 리턴한다.) 이렇게 툴을 호출하는 노드를 ToonNode라고 하는데, 인자로, 호출할 툴 함수를 정의한다. 아래 코드에서 보면 ToolNode([..

3. EdgeEdge는 노드가 정의된 후에, 노드에서 호출한 다음 노드를 정의한다. 사용 방법은 매우 간단하다.아래와 같이 노드를 먼저 정의한 후에, add_edge를 이용하여 연결하고자 하는 노드 이름을 지정하면 된다. 아래 코드의 경우 node_1→node_2를 호출하는 구조를 정의하였다. builder.add_node("node_1", node_1)builder.add_node("node_2", node_2)graph.add_edge("node_1", "node_2")Conditional routing일반적인 Edge flow이외에, 조건에 따라서 특정 노드로 Routing 하도록 플로우를 정의할 수 있다. 예를 들어서 아래 그림과 같이, node_1실행후에, 조건에 따라서 node_2또는 node..

Langgraph에서는 하나의 Graph에서 여러개의 State를 동시에 사용할 수 있다. 또한 정의된 State는 전역변수 처럼 인식되서, 다른 Node로 그 값을 넘기지 않아도 그 값이 그대로 유지되고 사용이 가능하다.예를 들어node1(State1)->State2node2(State2)->State3node3(State1)->State3로 호출하는 구조가 있다고 하자.이 경우, node1의 output인 State2는 node2의 Input에 들어가지만, node2의 output이 State3인데, node3에서 State3를 받지 않고, State1을 받을 수 있을까? 답변은 된다.State1,2,3의 정보가 같이 유지되고 있기 때문에, 이전 노드의 State가 아니더라도 사용이 가능하다. 아래 ..

2. NodeNode는 State 정보를 활용해서, State 정보를 변경하거나 action을 취하는 그래프내의 함수이다. 함수내에서는 LLM 모델을 실행해서 질문에 대한 정답을 찾거나 , Tool 등을 이용해서 Action을 취하거나, 또는 RAG를 통해서 질문에 필요한 추가 컨택스트 정보를 검색해와서 State에 저장해서 다음 Node에서 LLM이 답변에 활용할 수 있도록 한다. 예를 들어 web_search,chat 이라는 Node가 있을때, web_search Node에서는 Google 검색을 이용하여, 질문에 필요한 추가 정보를 검색해서 State에 저장한후, 다음 chat 노드에서 해당 State에 저장된 Context 정보를 리턴하는 식으로 구현이 된다. Node는 Python funct..

먼저 Langgraph의 개념을 이해하려면 3가지 State, Node, Edge에 대해서 알아야 한다. 각 컴포넌트의 개념과 세부 문법에 대한 이해가 없으면 어떻게 Langgraph가 작동하는지에 대해서 이해가 매우 어렵기 때문에, 이 글에서는 개념과 문법에 대해서 설명하도록 한다. 그래프는 Node로 구성이 되어 있는데, State를 받아서, 작업을 하고, State를 출력하는 역할을 한다. Node를 실행한 후에, 다른 Node를 실행하기 위해서는 Edge를 따라서, Node를 이동하게 된다. 이 개념을 그림으로 표현하면 아래와 같다. 사각형이 Node이고, Node들을 연결하는 선이 Edge, 그리고, Node들이 입력으로 받고, 업데이트 하는 것이 State (상태 정보)이다. 1. State..

TypedDict는 파이썬의 타입 힌트를 위한 기능으로, 딕셔너리의 키와 값에 대한 타입을 명시적으로 지정할 때 사용한다. 일반 dict와 달리, 정해진 키와 그에 해당하는 값의 타입을 강제하여 코드의 안정성과 가독성을 높여준다.TypedDict란 무엇인가?TypedDict는 typing 모듈에서 제공하는 클래스로, 딕셔너리의 구조를 미리 정의할 수 있게 해준다. 딕셔너리에 어떤 키가 존재해야 하는지, 그리고 각 키에 해당하는 값의 타입이 무엇인지 명시할 수 있다.이는 정적 타입 검사 도구(static type checker)가 코드 실행 전에 잠재적인 오류를 발견하도록 돕는다. 예를 들어, 존재하지 않는 키에 접근하거나 잘못된 타입의 값을 할당하려고 할 때 미리 경고를 받을 수 있다.예제TypedDic..