이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
핵심 요약
InMemoryStore를 활용하여 사용자 정보를 키-밸류 형태로 저장하고, 이를 도구로 호출하여 맞춤형 응답을 생성하는 에이전트 아키텍처를 구현한다. RunnableConfig를 통해 사용자별 데이터 격리와 일관성을 유지한다.
배경
AI 에이전트 개발 도서의 실습 내용을 바탕으로, 사용자의 과거 대화와 정보를 기억하는 장기 메모리 시스템 구축 방법을 다룬다.
대상 독자
LangGraph를 사용하여 개인화된 AI 에이전트를 개발하려는 개발자
의미 / 영향
이 구현 방식을 통해 에이전트는 사용자의 과거 이력과 선호도를 기억하여 개인화된 응답을 제공할 수 있다. 이는 단순한 챗봇을 넘어 사용자의 문맥을 이해하는 지능형 에이전트 서비스 개발의 기초가 된다.
챕터별 상세
00:52
실습 환경 설정
VS Code에서 주피터 노트북을 실행하기 위해 커널 등록이 필요하다. 터미널에서 ipykernel을 설치하고, 특정 가상 환경을 커널로 등록하여 실행 환경을 구성한다. 이후 리로드 윈도우를 통해 커널을 선택하고 OpenAI API 키를 .env 파일에 설정하여 실습 준비를 완료한다.
02:51
InMemoryStore를 활용한 장기 메모리
랭그래프는 대화 세션이 종료된 후에도 데이터를 유지하기 위해 InMemoryStore 클래스를 제공한다. 이는 키-밸류 기반의 저장소로 사용자 정보와 대화 이력을 지속적으로 보관하는 역할을 수행한다. 이를 통해 에이전트는 단발성 대화가 아닌 장기적인 문맥을 유지한다.
05:26
사용자 정보 조회 및 저장 도구 생성
사용자 정보를 저장하고 조회하기 위해 put과 get 메서드를 사용하는 도구를 정의한다. put 메서드는 특정 컬렉션에 사용자 ID를 키로 하여 데이터를 저장하며, get 메서드는 해당 ID로 저장된 정보를 가져온다. 이를 통해 에이전트는 사용자별 맞춤형 데이터를 관리한다.
10:04
카테고리별 정보 검색 및 에이전트 구현
사용자의 카테고리별 정보를 검색하기 위해 search 메서드를 사용한다. 네임스페이스와 카테고리를 필터링하여 벡터 검색을 수행하고, 결과를 내림차순으로 정렬하여 반환한다. 이후 InMemorySaver를 체크포인트로 설정하여 대화 상태를 저장하는 에이전트를 생성한다.
13:49
에이전트 테스트
구현된 에이전트가 사용자 정보를 저장하고 검색하는 과정을 테스트한다. 사용자가 다이어트 중이라는 정보를 입력하면 에이전트는 이를 저장하고, 이후 대화에서 해당 정보를 바탕으로 응답한다. 다른 스레드에서도 동일한 사용자 ID를 사용하면 저장된 정보를 불러와 개인화된 대화를 이어간다.
실무 Takeaway
- InMemoryStore를 활용하면 대화 세션 간 사용자 데이터를 영구적으로 저장하고 관리할 수 있다.
- RunnableConfig를 사용하여 도구 호출 시 사용자 ID를 전달함으로써 데이터 격리와 일관성을 보장한다.
- InMemorySaver를 체크포인트로 설정하여 멀티턴 대화의 상태를 관리하고 복구할 수 있다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 06. 01.수집 2026. 06. 01.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.