[생성형 AI] LCEL(LangChain Expression Language) 실습: 체인을 더욱 간결하게 구성하기

https://claremont.tistory.com/entry/%EC%83%9D%EC%84%B1%ED%98%95-AI-LangChain%EC%9D%B4%EB%9E%80

[생성형 AI] LangChain이란?

https://claremont.tistory.com/entry/LangChain-%EA%B8%B0%EC%B4%88-LLM%EA%B3%BC-%ED%94%84%EB%A1%AC%ED%94%84%ED%8A%B8-%EC%97%94%EC%A7%80%EB%8B%88%EC%96%B4%EB%A7%81-%EC%8B%A4%EC%8A%B5

LangChain 기초: LLM과 프롬프트 엔지니어링 실습

 

 

ㅁLangChain Expression Language(LCEL): LangChain에서 체인을 더욱 간결하게 구성할 수 있도록 도와주는 문법
이전에는 LLM.invoke(prompt.format(___)) 형태로 실행했다면, LCEL에서는 체인의 구성 요소를 | (파이프) 연산자로 연결하여 보다 직관적인 형태로 체인을 구성할 수 있다!

 

이번 실습에서는 LCEL의 기본 개념과 활용법을 배우고, 다양한 방식으로 체인을 조합하는 방법을 익힌다
직접 코드를 실행하면서 깨달은 점과 트러블슈팅 과정도 함께 정리해 보았다 [:

---

1. LangChain 환경 설정 및 LLM 모델 준비

먼저, LangChain을 사용하기 위해 필요한 패키지를 설치한다.

pip install openai langchain langchain_openai -q

 

이후, OpenAI API 키를 환경 변수에 설정해야 한다.

import os
os.environ["OPENAI_API_KEY"] = "your_openai_api_key_here"

 

이제 LangChain에서 사용할 LLM 모델을 불러온다.

 

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

llm = ChatOpenAI(temperature=0.5, model='gpt-4o-mini', max_tokens=1000)

 

이제 드디어 LCEL을 활용한 체인 구성을 실습해 보자!

---

2. LCEL의 기본 개념: 파이프(|) 연산자를 활용한 체인 구성

기존 방식에서는 다음과 같이 invoke()를 통해 LLM과 상호작용했다.

fun_chat_template = ChatPromptTemplate.from_messages([
    ('user', "tell me an English joke about {topic}, also, explain in Korean why it is fun.")
])

response = llm.invoke(fun_chat_template.format_messages(topic='AI'))
print(response.content)

 

LCEL을 사용하면 체인을 더욱 간결하게 만들 수 있다.

joke = fun_chat_template | llm
response = joke.invoke({'topic': 'apple'})
print(response.content)

 

LCEL을 사용했을 때의 차이점

• | (파이프)를 사용하여 프롬프트와 LLM을 연결한다
• invoke()의 입력값을 딕셔너리 형태로 전달한다

📌 실제 실행 후 느낀 점

• 기존보다 코드가 훨씬 직관적이고 가독성이 좋아짐을 체감할 수 있었다
• invoke({'topic': 'apple'})처럼 입력값이 1개일 때는 문자열로도 입력할 수가 있다 (joke.invoke('apple') 가능)

---

3. 다중 매개변수를 포함한 체인 구성

하나의 체인에서 여러 개의 입력값을 받을 수도 있다.
예를 들어, 영어와 한국어 농담을 동시에 생성하는 체인을 만들어 보자.

fun_chat_template1 = ChatPromptTemplate.from_messages([
    ('user', "tell me an English joke about {topic}, also, explain in Korean.")
])

fun_chat_template2 = ChatPromptTemplate.from_messages([
    ('user', "tell me a Korean joke about {topic}, also, explain in Korean.")
])

joke = fun_chat_template1 | fun_chat_template2 | llm
print(joke)

 

📌 여기서 배운 점

• 여러 개의 프롬프트를 순차적으로 연결 가능하다
• | 연산자를 사용하면 여러 개의 프롬프트를 하나의 체인으로 결합할 수가 있다

 

하지만, 실제로 실행해 보니 결과가 원하는 대로 나오지 않았다...
LLM이 어떤 템플릿을 먼저 실행해야 하는지 명확하게 구분하지 못하는 문제가 있었다 🥲

 

🔹 트러블슈팅

• 각각의 프롬프트를 개별적으로 실행한 후 응답을 조합하는 방식으로 개선

response1 = llm.invoke(fun_chat_template1.format_messages(topic='AI'))
response2 = llm.invoke(fun_chat_template2.format_messages(topic='AI'))

print(response1.content)
print(response2.content)

 

이 방식을 사용하면 프롬프트별로 개별적인 결과를 확인할 수 있어 보다 정확한 응답을 얻을 수 있었다

---

4. 파서를 활용한 체인 출력 형식 변환

LCEL에서는 출력 결과를 특정 형식으로 변환하는 파서(Parser)를 추가할 수 있다.

4-1. String 형식으로 변환하기

from langchain_core.output_parsers import StrOutputParser

recipe_template = ChatPromptTemplate.from_messages([
    ('system', '당신은 전 세계의 조리법을 아는 셰프입니다.'),
    ('user', '저는 {ingredient}를 이용한 환상적인 외국 음식을 만들고 싶습니다. 추천해주세요!')
])

recipe_chain = recipe_template | llm | StrOutputParser()
response = recipe_chain.invoke({'ingredient': '와인'})
print(response)

4-2. JSON 형식으로 변환하기

from langchain_core.output_parsers import JsonOutputParser

jsonparser = JsonOutputParser()

recipe_chain = recipe_template | llm | jsonparser
response = recipe_chain.invoke({'ingredient': '콜라'})
print(response)

 

📌 느낀 점

• JSON 형식으로 출력하면 AI 모델이 보다 구조적인(?) 응답을 생성할 수 있다
• 하지만 매번 형식이 달라지는 문제 발생 → 해결책으로 Pydantic을 활용한 스키마 설정을 사용해 보기로 하였다

---

5. Pydantic을 활용한 데이터 구조화

Pydantic을 사용하면 출력값의 구조를 강제할 수 있어, 모델이 예측 불가능한 답변을 하는 것을 방지할 수 있다.

from pydantic import BaseModel, Field

class Recipe(BaseModel):
    name: str = Field(description="음식 이름")
    difficulty: str = Field(description="만들기의 난이도")
    origin: str = Field(description="원산지")
    ingredients: list[str] = Field(description="재료")
    instructions: list[str] = Field(description="조리법")
    tip: str = Field(description="조리 과정 팁")

 

이제 Pydantic을 적용한 JSON 파서를 생성한다.

parser = JsonOutputParser(pydantic_object=Recipe)
structured_llm = llm.with_structured_output(Recipe)

response = structured_llm.invoke("생강으로 만들 수 있는 요리 레시피 알려주세요.")
print(response)

 

📌 트러블슈팅 과정

• 처음에는 LLM이 JSON 형식을 따르지 않는 문제가 발생했다
• Pydantic을 사용해 스키마를 정의한 후에는 보다 일관된 형식으로 결과를 얻을 수 있었다

---

+ LCEL의 고급 기능: RunnableParallel을 활용한 체인 병렬 실행

LCEL에서는 RunnableParallel을 사용하여 여러 개의 체인을 병렬로 실행할 수 있다.
예를 들어, 하나의 입력값으로 색깔과 음식 이름을 동시에 생성하는 체인을 만들어 보자.

from langchain_core.runnables import RunnableParallel

prompt1 = ChatPromptTemplate.from_template("색깔을 하나 알려주세요, 색깔만 출력하세요.")
prompt2 = ChatPromptTemplate.from_template("음식을 하나 알려주세요, 음식만 출력하세요.")

chain1 = prompt1 | llm | StrOutputParser()
chain2 = prompt2 | llm | StrOutputParser()

chain3 = RunnableParallel(color=chain1, food=chain2)
response = chain3.invoke({})
print(response)

 

📌 여기서 내가 배운 점

• LCEL의 RunnableParallel을 활용하면 여러 개의 요청을 동시에 실행할 수 있음
• 응답 속도가 빨라지고, 여러 개의 체인을 조합할 때 매우 유용

---

 

 

마무리하며: LCEL을 활용한 LangChain 최적화

이번 실습을 통해 LCEL을 활용하여 체인을 보다 직관적으로 구성하는 방법을 익혔다
특히, 파이프(|) 연산자, JSON 파싱, Pydantic을 활용한 데이터 구조화, RunnableParallel을 이용한 병렬 실행 등의 기능이 매우 유용했다.

 

💡 앞으로 시도해보고 싶은 것

• 벡터 데이터베이스(Vector DB)와 결합하여 RAG 모델을 LCEL 방식으로 최적화
• 체인의 디버깅을 쉽게 하기 위한 중간 출력값 로깅 기능 추가

LCEL(LangChain Expression Language)를 처음 배워봤는데 굉장히 강력한 문법임을 알게 되었다! 💪