챕터별 상세
LangSmith 배포 전략: SaaS와 Self-Hosting 비교
LangSmith는 Fully Managed SaaS와 Self-Hosting 두 가지 배포 옵션을 제공한다. Self-Hosting 방식은 모든 데이터와 Control Plane이 고객사의 인프라(On-premises) 내에서 호스팅되므로 외부로 데이터가 전송되지 않는다. 이는 보안 규제가 엄격한 금융이나 의료 분야 기업에 적합한 구조이다. 내부적으로는 Redis, Postgres, ClickHouse, S3 Blob Storage 등을 활용하여 대규모 트레이스 데이터를 효율적으로 처리한다.
Self-hosting은 기업이 자신의 서버에 소프트웨어를 직접 설치하여 운영하는 방식으로, 데이터 주권 확보에 유리하다.
LangSmith Insights: 운영 데이터 기반의 자동 패턴 분석
LangSmith Insights는 수백만 개의 트레이스 데이터를 LLM이 자동으로 분석하여 사용 패턴을 클러스터링하는 기능이다. 이를 통해 개발자는 사용자가 에이전트에게 주로 무엇을 묻는지, 어떤 부분에서 에러가 발생하는지 수동 검토 없이 파악할 수 있다. 분석 결과는 계층적 그룹으로 분류되며, 특정 카테고리의 성능을 개선하기 위한 데이터셋 구축에 즉시 활용 가능하다. Anthropic 모델 등을 활용하여 트레이스 요약 및 카테고리 분류를 수행한다.
트레이스(Trace)는 LLM 애플리케이션이 실행되는 전체 과정을 기록한 로그 데이터이다.
에이전트 인증(Agent Auth) 및 노코드 빌더
에이전트가 GitHub, Slack, Jira 등 외부 서비스에 접근할 때 필요한 OAuth 2.0 기반의 통합 인증 기능을 지원한다. 이를 통해 사용자별 권한 관리가 가능해지며, 에이전트가 사용자를 대신해 안전하게 리소스에 접근할 수 있다. 또한 Agent Builder라는 노코드 솔루션을 통해 코딩 없이 텍스트 설명만으로 에이전트를 생성할 수 있다. 이는 Deep Agents 패키지를 기반으로 설계되어 복잡한 멀티스텝 작업을 수행하는 에이전트를 빠르게 프로토타이핑하게 돕는다.
OAuth 2.0은 외부 서비스의 리소스에 대한 접근 권한을 안전하게 위임하기 위한 표준 프로토콜이다.
LangChain & LangGraph V1 주요 업데이트
LangChain V1은 create_agent라는 새로운 추상화 레이어를 도입하여 에이전트 구축 과정을 단순화했다. 기존의 복잡한 ReAct 로직을 직접 작성하는 대신, 모델과 도구 리스트만 정의하면 에이전트가 생성된다. LangGraph V1은 Durable Execution과 Built-in Persistence를 통해 에이전트의 상태를 영구적으로 저장하고 중단된 지점부터 재개할 수 있는 기능을 강화했다. 또한 Middleware 개념을 도입하여 에이전트 실행 전후에 인증이나 요약 등의 로직을 유연하게 삽입할 수 있다.
Durable Execution은 시스템 장애나 중단 상황에서도 작업의 상태를 유지하고 이어서 실행할 수 있는 능력이다.
실전 에이전트 구현: LangGraph 기반 플래너 구축
LangGraph를 사용하여 캘린더 일정 관리와 웹 검색을 수행하는 멀티 에이전트 시스템을 구축했다. 각 에이전트는 특정 도구에 특화된 Sub-agent로 정의되며, Supervisor 에이전트가 사용자 쿼리에 따라 적절한 에이전트를 호출한다. 이 과정에서 MemorySaver를 활용하여 대화의 맥락을 유지하는 Short-term Memory를 구현했다. 결과적으로 에이전트는 이전 대화 내용을 기억하고 이를 바탕으로 후속 작업을 수행할 수 있다.
Short-term Memory는 현재 진행 중인 대화 세션 내에서의 문맥을 유지하는 메모리이다.
미들웨어를 활용한 에이전트 실행 제어
에이전트의 실행 흐름에 개입하는 Human-in-the-loop 미들웨어를 구현했다. 에이전트가 캘린더 일정을 수정하는 것과 같은 민감한 도구를 호출하기 전, 실행을 일시 중단하고 사용자의 승인을 기다리는 메커니즘이다. LangGraph의 interrupt 기능을 미들웨어 내부에 캡슐화하여 에이전트의 핵심 로직을 수정하지 않고도 안전 장치를 추가했다. 사용자가 승인하면 에이전트는 중단된 시점의 상태를 복원하여 작업을 재개한다.
Human-in-the-loop은 AI의 자율적인 동작 중 중요한 결정 단계에서 인간의 개입을 허용하는 설계 방식이다.
MCP(Model Context Protocol) 연동 및 도구 확장
Anthropic에서 제안한 MCP 표준을 LangChain 에이전트에 연동하는 방법을 다뤘다. LangChain MCP Adapter를 사용하면 외부에서 운영되는 MCP 서버의 도구들을 에이전트가 자신의 도구처럼 인식하고 사용할 수 있다. 이를 통해 에이전트의 기능을 동적으로 확장할 수 있으며, 도구 실행 시 필요한 인증 정보(API Key 등)를 런타임 컨텍스트에서 안전하게 주입하는 기법을 적용했다. 이는 에이전트가 직접 인증 정보를 생성하지 않게 하여 보안 사고를 예방한다.
MCP는 LLM과 외부 도구 간의 통신을 표준화하기 위한 프로토콜이다.
멀티모달 처리 및 이미지 분석 미들웨어
에이전트가 이미지를 입력받아 분석하고 그 결과를 텍스트 워크플로에 통합하는 과정을 구현했다. 이미지 분석 전용 미들웨어를 작성하여 LLM이 메인 로직을 수행하기 전 이미지를 먼저 처리하고 요약 정보를 메시지 리스트에 추가하도록 설계했다. 이를 통해 텍스트 기반 에이전트가 시각적 정보를 바탕으로 일정을 예약하거나 정보를 검색하는 멀티모달 작업이 가능해졌다. GPT-4o-mini와 같은 멀티모달 모델을 활용하여 이미지 내의 텍스트와 맥락을 정확히 추출한다.
멀티모달(Multimodal)은 텍스트, 이미지, 오디오 등 서로 다른 형태의 데이터를 동시에 처리하는 기술이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2025. 12. 17.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
