패스트캠퍼스 환급챌린지 37일차 : 테디노트의 RAG 비법노트 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

 

랭체인에서 제공하는 다양한 도구(Tools) 툴킷(Toolkits) 활용법

- LLM은 본질적으로 텍스트 생성기이고, 이에 Tool을 붙이면 계산, 검색, 코드 실행, 이미지 생성과 같은 외부 행동이 가능해짐.

- 도구(Tool)는 에이전트, 체인 또는 LLM이 외부 세계와 상호작용하기 위한 인터페이스.

- LangChain에서 기본 제공하는 도구를 쉽게 활용할 수 있으며, 사용자 정의 도구(Custom Tool)를 쉽게 구축하는 것도 가능.

 

Tool vs Toolkit

• Tool : 단일 기능(계산, 검색, 실행 등)
• Toolkit : 여러 Tool을 묶은 기능 세트

빌트인 도구(built-in tools)

Tool은 단일 도구를 의미하며, Toolkit은 여러 도구를 묶어서 하나의 도구로 사용 가능. 

 

> Python REPL

Python 코드를 REPL(Read-Eval-Print Loop) 환경에서 실행하기 위한 클래스를 제공

→ 계산, 데이터 가공, 결과 검증 사용시 유용

• Python 셀 환경 제공
• 유효한 Python 명령어를 입력으로 받아 실행
• 결과를 보력면 print(...) 함수 사용

사용방법

• PythonREPLTool 인스턴스 생성
• run 또는 arun, invoke 메서드를 사용하여 Python 코드 실행

> 검색 API 도구

Tavily 검색 API를 활용하여 검색 기능을 구현하는 도구로, 두 가지 주요 클래스 제공.
→ TavilySearchResults, TavilyAnswer

• 인터넷에서 외부 검색 가능

> TavilySearchResults

최신 정보, 외부 지식, 뉴스 정보가 필요한 경우 유용

• Tavily 검색 API를 쿼리하고 JSON 형식의 결과를 반환
• 포괄적이고 정확하며 신뢰할 수 있는 결과에 최적화된 검색 엔진
• 현재 이벤트에 대한 질문에 답변할 때 유용

> Image 생성 도구(DALL-E)

• DallEAPIWrapper 클래스 : OpenAI의 DALL-E 이미지 생성기를 위한 래퍼(wrapper)
  이 도구를 사용하면 DALL-E API를 쉽게 통합하여 텍스트 기반 이미지 생성 기능 구현이 가능하며, 다양한 설정 옵션을 통해 유연하고 강력한 이미지 생성 도구로 활용 가능.

* Tool 설계 시 주의점

Tool을 너무 많이 사용하면 Agent 판단이 복잡해지고, 잘못된 Tool 호출 가능

⇒ 필요한 Tool만 최소한으로 제공하는 것이 중요

 

---

랭체인에서 제공하는 도구와 툴킷들이 꽤 많네요. LLM은 단순히 텍스트를 생성하는 역할을 하는데, Tool은 에이전트나 체인, LLM이 외부 세계와 상호작용하기 위한 인터페이스로, LLM의 단순했던 역할을 넘어 실제 작업을 수행할 수 있게 만들어 줍니다. 이 내용을 통해 LLM을 대답하는 모델이 아니라 행동하는 에이전트로 확장할 수 있다는 점을 알게 됐습니다. 

랭체인에서는 다양한 빌트인 도구를 제공하는데, Tool은 하나의 기능을 담당하는 단일 도구를 말한다면, Toolkit은 여러 개의 Tool을 묶어 하나의 기능 세트로 제공하는 구조입니다. 이를 통해 에이전트에게 필요한 능력만 선별적으로 부여할 수 있죠. 

가장 먼저 Python REPL Tool에 대해 배웠는데, 이 도구는 Python 코드를 REPL 환경에서 실행할 수 있게 해줍니다. 에이전트는 이 도구를 통해 계산을 수행하거나, 데이터를 가공하거나, 결과를 검증할 수 있죠. 단순 계산부터 복잡한 로직 검증까지 가능하기 때문에 수치 계산이나 데이터 처리 작업에 아주 유용해서 여러모로 쓸 일이 많을 것 같습니다.

검색 API도구의 필요성은 말할 것도 없죠. 검색 API 도구는 인터넷에서 외부 정보를 검색하고, JSON 형태의 신뢰도 높은 결과를 반환하는 역할을 합니다. 특히 최신 이벤트나 시사성 질문에 답해야 하는 경우, 사전 학습 데이터에 의존하는 LLM의 한계를 효과적으로 보완해 준다는 점이 너무 좋았어요!!

마지막으로 DALL-E 이미지 생성 도구도 학습했습니다. 텍스트 기반 이미지 생성 기능을 구현할 수 있다는데, 이를 통해 단순한 텍스트 응답을 넘어서 시각 자료를 함께 제공하는 애플리케이션으로 확장 가능하다고 합니다. 

오늘 배운 내용들은 Tool을 단순한 부가기능으로 보는 것이 아니라, LLM의 활용 범위를 근본적으로 확장하는 핵심요소로 여겨야 한다는 것을 깨달았습니다. 적절한 Tool을 조합하면 LLM은 질문에 답하는 수준을 넘어 실제 업무를 수행하는 에이전트로 발전시킬 수 있다는 겁니다. 앞으로 에이전트 기반 시스템을 설계할 때는, 어떤 Tool을 어떤 목적에 맞게 제공할지부터 고민해봐야겠습니다.

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스