LangChain 완벽 가이드 | LLM 앱 개발·Chain·Agent·RAG·실전 활용

2026년 4월 7일 · 15분 읽기 · 수정 2026년 4월 7일 고급

이 글의 핵심

LangChain으로 LLM 앱을 개발하는 완벽 가이드입니다. Chain, Agent, Memory, RAG, Vector Store까지 실전 예제로 정리했습니다.

실무 경험 공유: 단순 GPT API 호출을 LangChain으로 전환하면서, 복잡한 워크플로우 구현이 가능해지고 응답 품질이 크게 향상된 경험을 공유합니다.

들어가며: “LLM 앱 개발이 어려워요”

실무 문제 시나리오

시나리오 1: Prompt 관리가 복잡해요
하드코딩은 유지보수가 어렵습니다. LangChain은 Template을 제공합니다.

시나리오 2: 문서 검색이 필요해요
단순 GPT는 제한적입니다. LangChain은 RAG를 지원합니다.

시나리오 3: 복잡한 워크플로우가 필요해요
순차 호출은 번거롭습니다. LangChain은 Chain과 Agent를 제공합니다.

1. LangChain이란?

핵심 특징

LangChain은 LLM 앱 개발 프레임워크입니다.

주요 기능:

Chain: 여러 단계 연결
Agent: 자율적 의사결정
Memory: 대화 기억
RAG: 문서 기반 응답
Vector Store: 임베딩 저장

2. 설치 및 기본 사용

설치

pip install langchain langchain-openai

기본 LLM 호출

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4",
    temperature=0.7,
    api_key="your-api-key"
)

response = llm.invoke("Hello, how are you?")
print(response.content)

3. Prompt Template

from langchain.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant that translates {input_language} to {output_language}."),
    ("human", "{text}")
])

prompt = template.format_messages(
    input_language="English",
    output_language="Korean",
    text="Hello, how are you?"
)

response = llm.invoke(prompt)
print(response.content)

4. Chain

Simple Chain

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=template)

result = chain.invoke({
    "input_language": "English",
    "output_language": "Korean",
    "text": "Hello"
})

print(result[text])

Sequential Chain

from langchain.chains import SequentialChain

# 첫 번째 Chain: 요약
summary_chain = LLMChain(llm=llm, prompt=summary_template, output_key="summary")

# 두 번째 Chain: 번역
translate_chain = LLMChain(llm=llm, prompt=translate_template, output_key="translation")

# 연결
overall_chain = SequentialChain(
    chains=[summary_chain, translate_chain],
    input_variables=[text],
    output_variables=["summary", "translation"]
)

result = overall_chain.invoke({"text": "Long article..."})

5. Agent

Tool 정의

from langchain.agents import Tool
from langchain.tools import DuckDuckGoSearchRun

search = DuckDuckGoSearchRun()

tools = [
    Tool(
        name="Search",
        func=search.run,
        description="Useful for searching the internet"
    ),
    Tool(
        name="Calculator",
        func=lambda x: eval(x),
        description="Useful for math calculations"
    )
]

Agent 실행

from langchain.agents import initialize_agent, AgentType

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

result = agent.invoke("What is the population of Seoul in 2024?")
print(result[output])

6. Memory

Conversation Buffer

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()

conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

conversation.invoke("Hi, I'm John")
conversation.invoke("What's my name?")
# "Your name is John"

7. RAG (Retrieval-Augmented Generation)

문서 로드

from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

loader = TextLoader("document.txt")
documents = loader.load()

text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
splits = text_splitter.split_documents(documents)

Vector Store

from langchain_openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma

embeddings = OpenAIEmbeddings()

vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=embeddings
)

Retrieval QA

from langchain.chains import RetrievalQA

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

result = qa_chain.invoke("What is the main topic of the document?")
print(result[result])

8. 실전 예제: 챗봇

from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain
from langchain.prompts import ChatPromptTemplate

llm = ChatOpenAI(model="gpt-4", temperature=0.7)

template = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful customer service assistant."),
    ("human", "{input}")
])

memory = ConversationBufferMemory()

conversation = ConversationChain(
    llm=llm,
    memory=memory,
    prompt=template,
    verbose=True
)

def chat(message: str) -> str:
    response = conversation.invoke({"input": message})
    return response[response]

# 사용
print(chat("Hi, I need help with my order"))
print(chat("My order number is 12345"))
print(chat("When will it arrive?"))

정리 및 체크리스트

핵심 요약

LangChain: LLM 앱 개발 프레임워크
Chain: 여러 단계 연결
Agent: 자율적 의사결정
Memory: 대화 기억
RAG: 문서 기반 응답
Vector Store: 임베딩 저장

구현 체크리스트

같이 보면 좋은 글

FastAPI 완벽 가이드
OpenAI API 가이드
Vector Database 가이드

이 글에서 다루는 키워드

LangChain, LLM, AI, GPT, RAG, Agent, Python

자주 묻는 질문 (FAQ)

Q. OpenAI API만으로는 안 되나요?

A. 단순 호출은 가능하지만, 복잡한 워크플로우는 LangChain이 훨씬 편합니다.

Q. 다른 LLM도 사용할 수 있나요?

A. 네, Claude, Gemini, Llama 등 다양한 LLM을 지원합니다.

Q. 비용은 얼마나 드나요?

A. LangChain은 무료이고, LLM API 비용만 발생합니다.

Q. 프로덕션에서 사용해도 되나요?

A. 네, 많은 AI 스타트업에서 사용하고 있습니다.