[독서] 러닝 랭체인: 생성형 AI 애플리케이션 개발을 체계적으로 정리해주는 안내서

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

---

러닝 랭체인 도서 정보 

 

---

도서 선택 이유

 

 

실무에서 이미 랭체인을 활용한 RAG 시스템을 구현해보고, 랭그래프를 이용해 일종의 에이전트처럼 동작하는 구조도 만들어본 경험이 있습니다. 다만 그 과정은 대부분 블로그 글, 공식 문서, ChatGPT·Gemini 등의 제안에 기반한 단편적 학습에 가까웠고, 프레임워크 자체를 체계적으로 이해했다고 자신있게 말하기에는 아쉬움이 남아 있었습니다.

 

마침 한빛미디어의 11월 리뷰 도서 선택지 중 <러닝 랭체인>이 있었고, 이 책이 랭체인 엔지니어들이 직접 집필한 도서라는 사실을 알게 되어, 더 고민할 것 없이 선택했습니다.(한빛미디어 감사합니다)

 

RAG 프레임워크는 랭체인 외에도 라마인덱스 등 다양한 대안들이 존재합니다. 그렇지만 랭체인이 내놓은 “구성 요소를 연결한다”는 핵심 철학과 확장성은 필수적인 개념으로 자리 잡았다고 느끼고 있습니다. 프레임워크는 언젠가 더 새로운 것이 등장해 대체될 수 있지만, Chain을 비롯하여 랭체인이 정립한 개념적 구조는 앞으로도 LLM 기반 서비스를 개발한다면 반드시 이해해야 할 공통 언어가 될 것이라 생각했습니다.

 

---

목차와 주요 내용 소개

 

 

Chapter 00~01. 랭체인을 위한 기초 AI 지식과 기본 LLM 사용법

 

가장 기초적인 언어모델 개념부터 프롬프트 전략(제로샷, CoT, RAG, Tool Calling)까지, 동일한 질문을 점진적으로 개선해 나가는 예시가 재밌었습니다. 단순한 팁 전달이 아니라, 왜 이런 전략이 필요하게 되었는지를 자연스럽게 설명해주는 구성이었습니다.

 

또한 랭체인의 체인 구성 시, LCEL (Langchain Expression Language, 기본 제공 컴포턴트 중심)과 명령형 구성(사용자 정의 로직이 많을 때)이라는 명확한 기준을 제시해준 점도 유익했습니다. 실무에서 사용 중인 RAG 파이프라인도 결국 명령형 방식이 더 적합하다는 사실을 도서를 통해 다시 확인했습니다.

 

---

Chapter 02~03. RAG: 데이터 인덱싱과 데이터 기반 대화

 

2장은 RAG의 핵심이 되는 데이터 전처리·인덱싱, 3장은 검색된 결과를 기반으로 답변 생성 전략을 다룹니다.

 

실무에서 문서를 직접 적재하면서 겪었던 어려움(예를 들면, 텍스트 청크가 어색하게 잘리지 않도록 조정하고, 표를 처리하기 위해 마크다운으로 변환하고, 메타데이터 구조를 꾸준히 보정하는 작업)을 생각하면, RAG의 데이터 준비 단계는 결코 단순하지 않습니다. 책에서도 이 과정을 간결하게 설명하고 있지만, 실제로는 꽤 많은 손이 가는 영역입니다. 다만 책의 예제를 보며 “다음에는 이렇게 접근하면 더 수월하겠구나”라는 힌트를 얻을 수 있었습니다.

 

특히 MultiVectorRetriever는 실무적으로 바로 활용할 수 있을 것 같습니다. 원본 청크에는 요약만 두고, 상세 표는 별도의 벡터로 관리해 검색 시 참조하는 방식은 실용적일 것 같습니다. 표가 길어져 잘리는 문제를 해결하는 데 도움이 될 것 같고, 전처리 부담도 줄어들어 다음 프로젝트에 꼭 적용해보려 합니다. SelfQueryRetriever도 문서 버전 관리를 위해 매우 유용할 것으로 보입니다. 도메인 특성상 매년 정책이 바뀌는 상품의 정보를 다룰 필요가 있다면 큰 도움이 될 것 같습니다.

 

쿼리 재작성, 다중 쿼리 전략은 이미 실무에서 큰 효과를 경험한 바 있는 단계였습니다. 또한 라우팅 개념은 앞으로의 RAG 시스템에서 중요한 역할을 할 것 같습니다. 모든 데이터베이스·모든 모델을 호출할 필요 없이 가장 적합한 조합을 자동으로 선택하는 구조는 비용, 속도, 정확도 관점에서 이점을 제공합니다.

 

---

Chapter 04~05. 랭그래프: 복잡한 LLM 아키텍처 설계하기

 

 

4장에서는 랭그래프의 기본 개념인 상태, 노드, 엣지를 소개하면서, 체인보다 복잡한 아키텍처를 구성하기 위한 사고방식을 정리합니다. 단방향 흐름인 체인과 다르게 그래프 구조는 조건, 상태에 따라 유연한 이동을 가능하게 하여 LLM 활용의 잠재력을 넓혀줍니다. 체인은 앞만 보고 직진하는 느낌이라면, 그래프는 다양한 케이스를 이해하며 이전보다 사람처럼 복합적인 이해를 할 수 있게 되었다고나 할까요.

 

5장에서는 본격적으로 LLM 호출, 체인, 라우터라는 기본 컴포넌트를 이용해 복잡한 그래프를 구축하는 예시를 제공합니다. 특히 LLM 애플리케이션에서 항상 고미해야 하는 "자율성"과 신뢰성"이라는 트레이드오프 구조를 설명해준 부분도 인상적이었습니다. 시스템의 자유도를 어디까지 허용할 것인지, 어떤 지점에서 제약을 걸 것인지가 결국 개발 범위를 결정하기 때문에 반드시 알아야할 개념이라고 생각합니다.

 

---

Chapter 06-07. 에이전트:  외부 환경과 상호작용하는 AI 시스템 만들기

 

 

최근 가장 뜨거운 주제 중 하나인 AI 에이전트를 랭그래프 관점에서 정리합니다. 툴을 직접 호출하는 경우, 선택하게 하는 경우, 툴이 과도하게 많을 때의 전략 등, 표준화된 아키텍처 패턴을 따라가며 배울 수 있어 실용적입니다.

 

특히 성찰(Reflection) 아키텍처는 보고서 작성, 문서 정리와 같이 실무 자동화 영역에서 곧바로 활용 가능할 것이라는 생각이 들었습니다. 실무에서 이런 기능을 만들 기회가 곧 있을 것 같아 기대가 됩니다.

 

---

Chapter 08-11. 운영/배포/평가/확장까지

 

 

8~11장은 "서비스를 만든다"에서 끝나는 것이 아니라, 운영 가능한 LLM 시스템을 완성하기 위한 후반부 내용을 다룹니다. LLM 애플리케이션의 관리 범위를 다루며 평가/배포/운영까지 이어지는 전체 수명을 실무 관점에서 정리합니다.

 

• 8장: 예측 가능성과 지연 시간 관리, 구조화된 출력 등 언어모델의 신뢰성을 높이는 전략
• 9장: 랭그래프 플랫폼, 랭스미스를 이용한 시각화/디버깅/배포
• 10장: 테스트, 평가, 모니터링 기법, 자체보정 RAG 등 현실적인 평가 전략
• 11장: 챗봇, 협업형 LLM, 앰비언트 컴퓨팅 등 시스템에서의 언어모델 활용 패턴

 

언젠가 어느 커뮤니티에서 본 것 같은데, 언어모델과 에이전트가 급격히 발전하면서 앞으로는 자연어만으로 서비스를 이용할 수 있게 될 것이라는 예측이 있다고 합니다. 과거 서비스 개발처럼 주어진 단계에 따라 진행하거나, 선택지들 사이에서 사용자가 버튼을 누르는 것이 아니라, 텍스트 입력이나 말하는 것만으로(이거도 결국 텍스트이긴하지만) 서비스 이용이 가능할 것이라는 거죠. 당장은 이정도의 실현은 어렵겠지만 앞으로 언어모델을 이용한 소프트웨어 개발이 어떻게 변화될지 기대가 됩니다.

---

도서 총평

 

 

좋았던 점

 

도서를 신청하며 기대했던 바를 실현했습니다. 역시 가장 큰 장점은 단편적으로 알고 있던 개념들을 구조화해 준다는 점입니다. 랭체인 > 랭그래프 > 에이전트 > 테스트와 배포라는 흐름은 개발자가 실제로 작업하는 순서와 거의 동일하기도 하여, 자연스럽게 머릿속에 체계가 잡힐 수 있습니다.

 

각 개념이 왜 필요한지, 어떤 상황에서 어떤 구조를 선택해야 하는지 명확하게 설명해 주어 언어모델을 기존 시스템에 통합해보고 싶은 개발자라면 무리 없이 이해할 수 있을 거라고 예상합니다.

 

아쉬웠던 점

 

파이썬과 자바스크립트 예제를 모두 제공하는 구성은 다양한 개발자층을 배려한 선택이지만, 개인적으로는 파이썬만 사용해도 충분한 독자 입장에서는 분량이 다소 늘어난 느낌이 있었습니다. 다만 자바스크립트 예제를 통해 대규모 애플리케이션 환경에서의 확장성도 엿볼 수 있었고, 언젠가 JS 기반 LLM 앱도 다뤄보면 좋겠다는 생각이 들었습니다

 

또한 RAG 데이터 인덱싱 파트는 현실적으로 매우 공수가 많이 드는 영역인데, 실제 업무에서 겪는 복잡함에 비하면 다소 간단하게 다뤄진 면이 있습니다. 특히 폐쇄망 환경에서는 대형 모델을 활용하기 어려운 만큼, 전처리의 중요성은 책보다 훨씬 높다는 점을 독자들이 염두에 두었으면 합니다.

 

앞으로 활용할만한 점

 

도서를 읽고 나니 지금보다 더 복잡한 LLM 애플리케이션을 설계, 개발해보고 싶은 욕구가 생겼습니다. 특히 부록에서 다루는 MCP는 앞으로 실무에 큰 영향을 미칠 기술이라고 생각되어, 차근히 공부해보려고 합니다. 10장에서 소개해준 랭스미스와 랭스미스를 활용한 평가도 실전에서 유용할 것으로 생각합니다.

 

생성형 AI는 지금 이 순간에도 빠르게 변화하고 있는데요. 이 책은 그 변화 속에서도 기본적인 흐름을 이해하고 실전에 적용할 수 있는 기반을 마련해주는 책이라고 할 수 있겠습니다. 특히 LLM을 기존 시스템에 통합해보고 싶으신 분들에게 추천드리고 싶습니다.