LangFlow란 무엇인가요?

LangFlow는 로우코드 또는 노코드 그래픽 사용자 인터페이스(GUI) 내에서 에이전틱 AI 애플리케이션을 생성하는 데 사용됩니다. 사용자는 구성 요소를 연결하며, 이러한 연결이 애플리케이션 내 데이터의 흐름을 결정합니다. 

고객 서비스를 자동화하기 위해 에이전틱 AI 챗봇 애플리케이션을 구축하는 경우, 사용자는 먼저 채팅 인터페이스를 대규모 언어 모델(LLM)에 연결할 수 있습니다. 또한 LLM을 회사의 내부 벡터 데이터베이스에 연결하여 검색 증강 생성(RAG) 시스템을 구축해서 LLM이 고객 주문 내역을 포함한 데이터를 참조할 수 있도록 만들 수 있습니다. 

LLM은 API 키를 통해 도구에 액세스할 수 있으며 API 키는 모듈형 구성 요소로 AI 워크플로에 추가할 수도 있습니다. 에이전트 애플리케이션을 완성하기 위해 LLM은 두 번째 채팅 구성 요소와 연결되어, 챗봇을 통해 사용자에게 출력 결과를 전달합니다.

LangFlow의 효용성은 사용자 친화적인 핵심 기능과 특징에서 비롯됩니다. 

• 로우코드 또는 노코드 시각적 인터페이스

• 광범위한 통합 

• 구성 요소 라이브러리 

• 내보낼 수 있는 플로우 

• 오픈소스

LangFlow의 사용 편의성은 대부분 프레젠테이션 덕분입니다. 사용자는 모듈식 드래그 앤 드롭 비주얼 인터페이스를 통해 AI 애플리케이션을 구축할 수 있습니다. 기계 학습(ML) 프로세스의 각 구성 요소는 워크플로에서 필요에 따라 다른 구성 요소에 연결되는 순서대로 배치됩니다. 

시각적 인터페이스는 복잡한 코딩 프로젝트를 인공 지능(AI) 시스템 내 데이터 흐름을 제어하는 연결이 포함된 직관적인 플로차트로 변환합니다. 초보자는 LangFlow를 사용하여 필요에 따라 다양한 모델, 구성 요소 및 데이터 소스를 추가하여 AI 오케스트레이션을 간소화할 수 있습니다. Python 경험이 있는 사용자는 LangFlow 내에서 C®를 빌드할 수 있습니다. 

노코드 사용의 예로, LangFlow를 사용하면 간단한 슬라이더를 사용하여 선택한 LLM에 대해 제한적인 하이퍼파라미터 튜닝을 수행할 수 있습니다. 사용자는 왼쪽이나 오른쪽으로 빠르게 움직여 LLM 아웃풋의 무작위성 정도를 제어하는 하이퍼파라미터인 온도를 조정할 수 있습니다.

LangFlow의 사용은 사용자가 자연어 프롬프트를 통해 LLM에 코드를 생성하도록 지시하는 vibe 코딩과는 다릅니다. 사용자는 LLM에 코드가 무엇을 해야 하는지 알려주고 LLM에 의존하여 실제 코드를 생성합니다. 

LangFlow는 사용자가 원하는 AI 애플리케이션을 구축할 수 있도록 하며, 코딩의 필요성을 사전 제작된 모듈식 구성 요소로 대체합니다. 사용자는 여전히 코드를 활용해 더 고도화된 에이전틱 자동화에 필요한 맞춤형 구성 요소를 만들 수 있습니다.

LangFlow는 다양한 통합 기능 덕분에 높은 유연성을 제공합니다. LangFlow는 수많은 ML 프레임워크와의 통합을 지원하며, 상위 프레임워크인 LangChain과 마찬가지로 동일한 범위의 API, 벡터 데이터베이스 및 기타 연결 옵션을 지원합니다. 

LangFlow는 단일 파이프라인 내에서 여러 모델이 순차적으로 연결되는 LLM 체이닝도 지원합니다. 체이닝은 각각 자체 LLM, 도구 또는 데이터 소스를 사용할 수 있는 여러 에이전트가 공통 작업을 함께 수행하는 다중 에이전트 오케스트레이션과는 다릅니다. LangFlow의 모듈식 설계는 두 가지 접근 방식을 모두 지원합니다.

LangChain은 AI 개발을 위한 오픈 소스 코드 기반 ML 프레임워크입니다. LangFlow는 LangChain과 같은 ML 프레임워크를 기반으로 작동하는 시각적 도구로, 사용자가 LLM 앱을 구축하고 빠르게 프로토타입을 제작할 수 있게 합니다. LangFlow는 원래 LangChain을 기반으로 구축되었으며 여전히 LangChain과 밀접하게 연결되어 있지만 이제는 다른 프레임워크 및 통합을 지원합니다. 

같은 제품군의 또 다른 플랫폼인 LangGraph도 에이전트 시스템을 구축하는 데 사용됩니다. 그러나 모듈식 GUI 대신 LangGraph는 에이전틱 시스템을 그래프로 시각화하면서 보다 세밀한 제어를 제공합니다.

구성 요소 라이브러리에는 OpenAI의 GPT 제품군, Meta의 Llama 등과 같은 LLM, 채팅 인터페이스, 계산기, 웹 브라우저 등 사용자가 에이전틱 워크플로우에 추가할 수 있는 모든 구성 요소가 포함되어 있습니다. LangFlow는 구성 요소를 두 가지 범주로 그룹화합니다. 

• 대부분의 LangFlow 생성물의 기반이 되는 핵심 구성 요소입니다. 

• 특정 타사 서비스와의 통합을 지원하는 공급자 전용 번들입니다.

LangFlow 프로젝트는 JSON 형식의 플로우로 내보낼 수 있습니다. 제작자는 자신의 플로우를 내보내 다른 사용자와 공유할 수 있으며, 공유받은 사용자는 이를 자신의 LangFlow 인스턴스에 가져와 사용하거나 수정할 수 있습니다. 내보낼 수 있는 플로우는 재사용성을 높여 협업을 촉진하고 프로젝트의 작업 흐름을 간소화합니다.

상위 프레임워크인 LangChain과 마찬가지로 LangFlow는 오픈 소스이며 코드는 누구나 검사, 기여 및 수정할 수 있도록 공개되어 있습니다. 오픈 소스 AI 도구는 AI 설명 가능성을 높이고 운영 투명성을 제공하는 데 도움이 됩니다. 그러나 LangFlow 내에서 비공개형 LLM이나 다른 구성 요소를 사용하더라도, 내부 작동 방식에 대한 접근 권한은 제공되지 않습니다.

LangFlow는 사용이 간편하여 에이전틱 AI를 통한 워크플로의 간소화와 자동화에 이상적인 도구입니다. LangFlow의 실제 사용 사례는 다음과 같습니다. 

• 신속한 프로토타이핑

• AI 에이전트 개발 

• RAG 애플리케이션 

• 고객 서비스 자동화

LangFlow의 드래그 앤 드롭 GUI는 AI 애플리케이션을 위한 신속한 프로토타이핑에 적합합니다. 사용자는 LangFlow의 모듈형 구성 요소로 파이프라인 초안을 설계할 수 있습니다. 또한 이를 다른 사람과 공유 및 테스트하고 필요에 따라 반복 수정할 수 있습니다. Hugging Face Spaces와의 통합을 통해 빠르게 ML 데모를 실행할 수도 있습니다.

LangFlow의 핵심 사용 사례 중 하나는 노코드 AI 에이전트 개발입니다. 구성 요소 라이브러리를 통해 사용자는 LLM을 도구, 데이터베이스 및 기타 추가 기능과 연결하여 에이전트가 의도한 기능을 수행하는 데 필요한 항목에 액세스할 수 있도록 합니다. 또한 사용자는 LLM을 연쇄적으로 연결하거나 멀티에이전트 시스템을 구축할 수도 있습니다.

LangFlow는 채팅 인터페이스와 벡터 데이터베이스용 구성 요소를 활용해 RAG 시스템을 쉽게 구축할 수 있습니다. 자연어 프롬프트는 검색 모델이 연결된 벡터 데이터베이스를 쿼리하는 데 사용하는 임베딩으로 변환됩니다. 

데이터베이스에는 시스템의 의도된 사용 사례와 관련된 정보가 포함되어 있습니다. 예를 들어 신입 직원의 온보딩을 지원하도록 설계된 RAG 시스템은 데이터 세트에서 교육 문서를 참조할 수 있습니다. 그런 다음 LLM은 검색된 데이터를 프롬프트와 결합해 사용자에게 자연어 결과물을 제공합니다.

챗봇은 고객 서비스 자동화에 자주 사용됩니다. 고객은 먼저 주문 내역이나 제품 정보 등 관련 데이터를 조회할 수 있는 챗봇과 상호작용합니다. 고객의 문의가 너무 복잡한 경우 챗봇은 인간 담당자에게 문의를 전달할 수 있습니다. 

LangFlow 사용자는 몇 가지 구성 요소만으로 고객 서비스 챗봇을 빠르게 만들 수 있습니다. 

1. 채팅 입력은 자연어로 된 고객 문의를 받습니다.
2. 임베딩 구성 요소는 입력을 의미론적 검색을 위한 임베딩으로 변환합니다.
3.  회사 데이터가 포함된 벡터 데이터베이스에서 유사한 임베딩을 쿼리합니다. 
4.   LLM은 검색된 데이터를 고객의 쿼리와 결합하여 응답을 생성합니다.
5.  채팅 출력은 자연어로 사용자에게 응답을 반환합니다.