⚠️ 환경설정 안내이 노트북들을 실행하기 전에 Colab의 왼쪽 사이드바 > 🔑 Secrets에서 다음 API 키들을 설정해주세요:
OPENAI_API_KEY: OpenAI API 키TAVILY_API_KEY: Tavily API 키LANGSMITH_API_KEY: LangSmith API 키 (선택사항, 추적용)설정 후 코드에서
userdata.get()함수로 안전하게 불러올 수 있습니다.
LangGraph를 활용한 멀티 에이전트 시스템 구축 방법을 다루는 튜토리얼 모음입니다. 단순한 에이전트 협업부터 복잡한 계층적 팀 구조까지 다양한 패턴을 실습할 수 있습니다.
1️⃣ 기초 멀티 에이전트 협업
Basic Multi-agent Collaboration
- 주요 개념: 에이전트 간 기본적인 협업과 작업 분배
- 학습 내용:
- 여러 에이전트가 각자의 전문성을 활용한 협업
- 작업을 도메인별로 분할하는 방법
- 에이전트 간 메시지 전달과 결과 통합
- 적용 사례: 연구 보고서 작성, 코드 생성과 검토 등
2️⃣ Agentic RAG 시스템
Agentic Retrieval-Augmented Generation
- 주요 개념: 지능형 검색 에이전트 구축
- 학습 내용:
- 검색이 필요한 질문과 직접 답변 가능한 질문 구분
- 문서 관련성 평가 및 질문 재작성
- 벡터 검색과 생성형 AI의 결합
- 핵심 기능:
- 자동 검색 도구 호출 결정
- 검색 결과의 품질 평가
- 부적절한 결과에 대한 질문 개선
3️⃣ 에이전트 감독 시스템
Multi-agent Supervision
- 주요 개념: 슈퍼바이저를 통한 작업 조율
- 학습 내용:
- 중앙 감독자가 워커 에이전트들에게 작업 분배
- 작업 진행 상황 모니터링
- 워커 간 효율적인 작업 라우팅
- 아키텍처: 1개 슈퍼바이저 + N개 워커 에이전트
4️⃣ 계층적 에이전트 팀
Hierarchical Agent Teams
- 주요 개념: 복잡한 작업을 위한 다층 구조
- 학습 내용:
- 최상위 슈퍼바이저와 중간 수준 슈퍼바이저 구성
- 계층적 작업 분해와 위임
- 복잡한 연구 프로젝트 관리
- 실습 예제: 연구 보조 시스템 구축
- 웹 리서치 팀
- 문서 작성 팀
- 각 팀별 전문화된 워커들
- 기초 협업 → 감독 시스템 → Agentic RAG → 계층적 팀
- 도메인 전문화: 각 에이전트가 특정 분야 전문가 역할
- 작업 파이프라인: 순차적/병렬적 작업 처리
- 품질 관리: 결과 검증과 개선 피드백 루프
- 확장성: 에이전트 수 증가에 따른 효율적 관리
- LangGraph: 에이전트 워크플로우 구성
- LangChain: LLM 인터페이스와 도구 연동
- OpenAI GPT: 언어 모델 엔진
- Vector Store: 문서 검색을 위한 벡터 데이터베이스
- LangSmith: 디버깅과 성능 추적
- 환경 설정: Colab Secrets에서 API 키 설정
- 노트북 실행: 순서대로 또는 관심 있는 주제부터 시작
- 실습 진행: 각 노트북의 코드를 실행하며 개념 이해
- 응용 개발: 학습한 패턴을 실제 프로젝트에 적용
- Human-in-the-loop: 인간 개입이 있는 에이전트 시스템
- Memory Systems: 에이전트 간 지식 공유
- Error Handling: 에이전트 실패 상황 처리
- Performance Optimization: 대용량 처리와 비용 최적화
- 연구 자동화: 논문 조사, 분석, 요약
- 콘텐츠 생성: 블로그, 보고서, 기술 문서 작성
- 고객 서비스: 다단계 문제 해결
- 데이터 분석: 복합적인 데이터 처리 워크플로우
버그 리포트, 기능 요청, 또는 개선 사항이 있으시면 이슈를 등록해 주세요.
💡 Tip: 각 노트북은 독립적으로 실행 가능하지만, 순서대로 학습하시면 개념 이해에 더욱 도움이 됩니다!