[플레이데이터 SK네트웍스 Family AI 캠프 13기] - Monthly 회고 (7월 1주차)

1. 한 달 회고 

한 달이 어떻게 흘러갔는지 모르겠다. 

빅데이터 쇼를 갔다와서 그런지

요즘 Langchain - RAG 이 부분이 더욱 흥미가 생겼다. 단순히 기술적으로 흥미롭다는 걸 넘어서 요즘 회사들이 이 부분을 많이 개발하려고 한다는 점에서 그리고 내가 뭔가 기여할 수 있을 거 같아서 이 쪽 분야로 일을 찾고싶다는 생각이 들었다. 

현실적으로 신입을 많이 뽑는 분야는 아니였기에 고민하던 와중에, 아침에 강사님이 어떻게 지내냐고 물어봐주셨고 진로에 대한 상담을 잠깐이나마 할 수 있었다. 꼭 이 쪽 전문가가 되어보고싶다. 

 

2. 팀프로젝트

월요일 발표! 

엄청난 데이터 사이에서 허덕이다가 스트림릿까지 구현했는데 당일 메타데이터를 사용하지 않고 답변한다는 걸 깨달았다.. 그리고 이걸 고쳤던 한 팀원이 고생을 했다... 그 노력과 집중력을 존경한다 정말.. 

사실 나도 그ㅡ 과정을 옆에서 배울 수 있었으면 좋았겠지만, 시간이 너무 없었다.

다음번에 코드를 다시 물어보고 내 손으로 다시 재현을 해봐야겠다.

 

이번에는 나도 발표에 참여했다. 크게 어려운 건 아니였는데 오랜만에 발표라 많이 떨렸다. 

내가 맡은 부분을 설명하고 전달했다는 것만으로 이 팀프로젝트를 잘 이해하고있다는 점에서 내 스스로 의미있다고 생각했다.

그리고 전처리부분과 파인튜닝 부분은 전문가(?)인 재범이가 발표를 했다. 넘 멋진 동기다. 많이 배워갑니다. 

 

 

 

https://github.com/SKNETWORKS-FAMILY-AICAMP/SKN13-3rd-3Team

GitHub - SKNETWORKS-FAMILY-AICAMP/SKN13-3rd-3Team: [SK Networks Family AI Camp 13th] 3rd mini project

우리의 자랑스러운 산출물들! 여기다가도 올려본다 ㅋㅋㅋㅋ 

 

아무래도 우리팀이 제일 잘한거같다(ㅋㅋㅋㅋㅋ)

좋은 팀원들 만나서 으쌰으쌰하고 같이 얘기하면서 더 많이 공부를 하게되고..

정말 멋진 팀원들과 함께하고 있다는 점만으로도 값졌던 시간이였다.

 

앞으로 보완할 점을 보완하고 장고로 화면구현까지 잘 이어나가보겠다. 

 

 

2.1 보완하고 싶은 점 - langchain을 langgraph로 바꿔서 써보고싶다. 

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

from typing_extensions import TypedDict
from typing import Annotated

from dotenv import load_dotenv
load_dotenv()

class ProductInfoState(TypedDict):
	product: str
    price: int
    ingredient:str
    review: str
    

# 노드 정의 -> 함수(callable) -> 입력: State, 출력: State에 저장할 속성(state)
def add_Product(state:ProductInfoState):
    print("add_product:", state)
    return {"product": "cream"}
    
def add_price(state:ProductInfoState):
    print("add_price:", state)
    return {"price":10000} 

def add_ingredient(state:ProductInfoState):
    print("add_ingredient:", state)
    return {"ingredient": "water"}

def add_review(state:ProductInfoState):
    print("add_review:", state)
    return {"review": "perfect"}
    
    
# StateGraph를 구성.
workflow = StateGraph(UserInfoState)
# 노드 추가
workflow.add_node("add_product", add_product)
workflow.add_node("add_price", add_price)
workflow.add_node("add_ingredient", add_ingredient)
workflow.add_node("add_review", add_review)

# 엣지 추가 (노드간의 연결) -> 시작: START 노드
workflow.add_edge(START, "add_product")
workflow.add_edge("add_product", "add_ingredient")
workflow.add_edge("add_price", "add_ingredient")
workflow.add_edge("add_ingredient", "add_review")
workflow.add_edge("add_review", END)

# state graph를 컴파일 - 실행가능한 상태로 만든다. (그래프 검증, 최적화)
graph = workflow.compile()


# 시각화
from IPython.display import Image, display
display(Image(graph.get_graph().draw_mermaid_png()))


######################
# Chatbot 
######################
# 상태(State) 클래스 정의
#  노드들이 공유할 state값들을 정의하는 클래스(타입)
class State(TypedDict):
    # state에 저장할 값(속성, state) 들을 정의
    messages: Annotated[list, add_messages]  # 변수: Annotated[변수타입, 설명]

    # add_messages(left:list, right:list) : return left + right
    
model = ChatOpenAI(model='gpt-4.1-mini')

#######################
# 노드 정의 
# 노드 == 기능 == 함수(callable): 파라미터로 State 타입을 선언. 
def chatbot(state:State):
    # state: Dictionary - key: State클래스에 정의한 변수들.
    print("chatbot: state type:", type(state), state)
    # messages를 llm에 query로 전달.
    response = model.invoke(state['messages'])  #invoke(str 또는 Message List)
    # response를 state에 저장. -> dictionary로 구성 {저장할 state의 이름: 저장할 값}
    return {"messages": [response]}  # 리턴 -> State에 저장.
    
# 그래프를 구성 (StateGraph)
## 노드와 엣지 + state
workflow = StateGraph(State)

# graph(workflow)에 노드를 추가. 이름-함수
workflow.add_node("chatbot", chatbot)

# graph에 엣지를 구성. 엣지: 노드와 노드를 연결
## START 노드 - 엣지 구성 - (END 노드:생략가능)
workflow.add_edge(START, "chatbot")  # 시작노드(이름) -> 도착노드(이름)
workflow.add_edge("chatbot", END)

# 구성을 완료하면 compile -> 그래프 최적화를 하고 실행할 수있도로 만드는 작업.
graph = workflow.compile()


# 그래프 구조 시각화 -> 실행 흐름을 확인
from IPython.display import Image
Image(graph.get_graph().draw_mermaid_png())


########################
# 실행 - graph.invoke()
########################
from langchain_core.messages import HumanMessage
query = "Langgraph에 대해서 알려줘."

init_state = {"messages":[HumanMessage(content=query)]}

resp = graph.invoke(init_state)

 

2.2 보완하고 싶은 점 - tool 쓰기 

from dotenv import load_dotenv
from langchain_tavily import TavilySearch

load_dotenv()


avily_search = TavilySearch(
    max_results=1,
    include_images=True, # 검색한 페이지의 이미지들의 URL도 반환.
    time_range="month", 
)
query = "독도 토너 가격에 대해 알려줘."
resp = tavily_search.invoke(query)

print(type(resp))
resp


##### LLM MODEL에 Tool binding

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4.1-mini")
# model에 tool(들)을 binding(붙여주기.)
tool_model = model.bind_tools(tools=[tavily_search])
type(model), type(tool_model)

query = "독도 토너 가격에 대해 알려줘."
resp1 = tool_model.invoke(query)

print(resp2.content)
print("------------------")
resp1.tool_calls


##### Tool calls 이용해 Tool 호출

# tool객체.invoke(args)
search_result = tavily_search.invoke(resp1.tool_calls[0]['args'])

type(search_result)
search_result

##### Tool call이 여러개인 경우
# Runnable을 한번에 여러번 호출할 때
## Runnable.batch([전달할값1, 전달할값2, .....]) : [결과값1, 결과값2, ..]
resp = model.batch(["안녕하세요", 
                    "독도 토너에 가격에 대해 알려줘.", 
                    "이니스프리 크림 성분을 알려줘."])
                    

##### Tool 의 처리(응답) 결과를 LLM 요청시 사용
                    
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate(
    [
        ("system", "당신은 AI 정보제공자입니다. 제공된 정보를 바탕으로 답변해주세요."),
        ("human", "{user_input}"),
        MessagesPlaceholder(variable_name="messages", optional=True)
    ]
)
input_dict = {"user_input":query, "messages":[resp2, *search_result3]} # messages: [AIMessage, ToolMessage, ToolMessage, ..]

final_chain = prompt | tool_model
final_response = final_chain.invoke(input_dict)
                    
print(final_response.content)