LangChain #1 - 어디에 쓰이는 물건인가

요즘 LLM, LangChain, LangGraph, RAG, AI Agent 같은 단어들이 자주 보인다.  
하나하나 생소하고, 비슷하게 느껴졌는데 조금씩 정리해 보니 각자 역할이 다 있었다.
지금부터 내가 공부하면서 이해한 만큼 정리해보려고 한다.

---

1. LLM (Large Language Model)

대량의 텍스트를 학습한 언어 모델

사용자가 입력한 문장을 보고 그에 맞는 응답을 생성해 내는 말 그대로 뇌 역할을 하는 AI

GPT나 Claude, Gemini 같은 모델들이 여기에 해당된다.

2. LangChain
LLM을 실제 애플리케이션에서 쓰기 위해 등장한 프레임워크
프롬프트, 입력/출력, 외부 함수 호출, 문서 검색 등 여러 요소들을 조립해서 하나의 흐름으로 만들 수 있게 해 준다.
LLM을 실제로 쓸 수 있게 구조화해 주는 도구라고 보면 된다.

3. LangGraph
LangChain의 확장 개념이자 고도화된 형태
LangChain으로는 처리하기 까다로운 분기, 반복, 조건 처리 등을 시각적으로 짤 수 있다.
LangChain이 순차 흐름이라면,  LangGraph는 흐름 제어가 들어간 시스템 느낌이다.

4. RAG (Retrieval-Augmented Generation)
LLM이 원래 가지고 있는 지식 외에, 내가 가진 문서나 DB 내용을 바탕으로 답변을 생성하는 방식. 

예) "내가 정리한 문서를 바탕으로 질문에 답해줘"
검색 + 생성이 결합된 구조로 실제 서비스에서는 거의 필수로 들어간다.

5. AI Agent
말 그대로 “어떤 일을 스스로 수행하는 인공지능”  
프롬프트 하나 던졌더니, 자기가 판단해서 외부 도구도 쓰고, 검색도 하고, 계산도 해서 최종 답을 내놓는 흐름을 가진 시스템을 말한다.
LangChain에서는 Tool + Agent 구조로 만들 수 있고, LangGraph와 조합하면 더 복잡한 Agent도 구현 가능하다.

 

정리
LLM - 텍스트를 생성

LangChain - 입력과 출력을 조립
RAG - 외부 정보를 활용
Agent - 작업을 수행
LangGraph - 복잡한 흐름을 제어

 

어디에 쓸 수 있나

- FAQ 챗봇
- 고객지원 자동화
- 문서 기반 검색 응답 시스템
- 코드 리뷰 보조
- AI 비서, 일정 도우미
- 외부 API 연동형 AI 앱 (계산기, 메일 전송 등)

 

이 중에서 FAQ 챗봇을 직접 만들어보려고 한다.  
구조가 단순하고, RAG나 에이전트 구조도 실습해보기 좋을 것 같아서 선택했다.

---

다음 글에는 LangChain을 실제로 써보면서 간단한 프롬프트 구성부터 테스트해 본 걸 정리해 볼 예정이다.

LangChain #2 - 개발 환경 세팅 + LLM + 문서 기반 답변