LangGraph 레퍼런스 가이드

이코에코(Eco²)/Applied 2026. 1. 9. 23:02

작성일: 2026-01-09
적용 서비스: apps/chat
참고 문서: LangGraph 공식 문서
LangGraph 핵심 개념, API, 그리고 Chat 서비스 마이그레이션에 적용할 패턴 정리

1. LangGraph 개요

LangGraph는 복잡한 생성형 AI 워크플로우를 구축하기 위한 그래프 기반 오케스트레이션 프레임워크입니다.

1.1 핵심 특징

특징	설명
명시적 상태 모델링	노드별 입력/출력 정의로 흐름 추적 및 디버깅 용이
조건부 분기/루프	상태 간 조건 분기와 재귀적 루프 설정 가능
LLM 통합 추상화	OpenAI, Anthropic, Gemini 등 다양한 LLM 지원
내장 Persistence	체크포인트 기반 상태 저장/복원
스트리밍 지원	노드별 이벤트 및 토큰 스트리밍

1.2 Workflow vs Agent

Workflow (정적 흐름):
┌─────┐    ┌─────┐    ┌─────┐
│ A   │ →  │ B   │ →  │ C   │
└─────┘    └─────┘    └─────┘
※ 코드 경로가 미리 정해져 있음

Agent (동적 흐름):
┌─────┐    ┌─────┐    ┌─────┐
│ LLM │ ⇄  │Tool │ ⇄  │ LLM │  → (반복)
└─────┘    └─────┘    └─────┘
※ LLM이 다음 액션을 동적으로 결정

Chat 서비스 적용:

이미지 파이프라인 → Workflow (vision → rag → answer)
텍스트 파이프라인 → Workflow + Routing (intent에 따른 분기)

2. Graph API vs Functional API

LangGraph는 두 가지 API 스타일을 제공합니다.

2.1 Graph API (권장 - Chat 서비스 적용)

from langgraph.graph import StateGraph, START, END
from typing import TypedDict


class ChatState(TypedDict):
    """그래프 상태 정의."""
    job_id: str
    message: str
    image_url: str | None
    intent: str | None
    answer: str | None


# 노드 함수 정의
async def vision_node(state: ChatState) -> ChatState:
    """이미지 분류 노드."""
    result = await classify_image(state["image_url"])
    return {**state, "classification": result}


async def intent_node(state: ChatState) -> ChatState:
    """의도 분류 노드."""
    intent = await classify_intent(state["message"])
    return {**state, "intent": intent}


# 라우팅 함수
def route_by_input(state: ChatState) -> str:
    """이미지 유무에 따라 분기."""
    return "vision_node" if state["image_url"] else "intent_node"


# 그래프 구성
graph = StateGraph(ChatState)
graph.add_node("vision_node", vision_node)
graph.add_node("intent_node", intent_node)
graph.add_node("rag_node", rag_node)
graph.add_node("answer_node", answer_node)

graph.set_entry_point("start")
graph.add_conditional_edges("start", route_by_input)
graph.add_edge("vision_node", "rag_node")
graph.add_edge("intent_node", "rag_node")
graph.add_edge("rag_node", "answer_node")
graph.add_edge("answer_node", END)

# 컴파일
app = graph.compile()

2.2 Functional API (기존 코드 통합 시)

from langgraph.func import entrypoint, task


@task
async def classify_image(image_url: str) -> dict:
    """이미지 분류 태스크."""
    return await vision_model.classify(image_url)


@task
async def search_rules(classification: dict) -> dict:
    """규정 검색 태스크."""
    return retriever.get_disposal_rules(classification)


@entrypoint()
async def chat_pipeline(message: str, image_url: str | None = None):
    """Chat 파이프라인 엔트리포인트."""
    if image_url:
        classification = await classify_image(image_url)
    else:
        classification = await classify_text(message)

    rules = await search_rules(classification)
    answer = await generate_answer(classification, rules, message)

    return {"answer": answer}

2.3 API 선택 기준

기준	Graph API	Functional API
시각화	✅ 그래프 다이어그램 자동 생성	❌ 지원 안 됨
조건부 분기	✅ `add_conditional_edges`	⚠️ Python if/else
기존 코드 통합	⚠️ 노드로 래핑 필요	✅ 데코레이터만 추가
복잡한 워크플로우	✅ 명시적 엣지 정의	⚠️ 코드 복잡도 증가

결론: Chat 서비스는 Graph API 사용 권장 (intent 분기, 시각화 필요)

3. 스트리밍 (Streaming)

LangGraph는 세 가지 스트리밍 모드를 제공합니다.

3.1 스트리밍 모드

# 1. values: 전체 State 스트리밍 (매 노드 후)
async for state in app.astream(input, stream_mode="values"):
    print(state)

# 2. updates: State 변경분만 스트리밍
async for update in app.astream(input, stream_mode="updates"):
    print(update)  # {"node_name": {"key": "new_value"}}

# 3. custom: 노드 내부에서 직접 이벤트 emit
async for event in app.astream(input, stream_mode="custom"):
    print(event)

3.2 Custom 이벤트 스트리밍

from langgraph.types import StreamWriter


async def answer_node(
    state: ChatState, 
    writer: StreamWriter
) -> ChatState:
    """답변 생성 노드 - 토큰 스트리밍."""

    # 진행 상황 이벤트
    writer({"type": "progress", "stage": "answer", "status": "started"})

    full_answer = ""
    async for token in llm.astream(state["prompt"]):
        full_answer += token
        # 토큰 단위 이벤트
        writer({"type": "delta", "content": token})

    writer({"type": "progress", "stage": "answer", "status": "completed"})

    return {**state, "answer": full_answer}

3.3 Chat 서비스 SSE 통합

# presentation/http/controllers/chat.py
from sse_starlette.sse import EventSourceResponse


@router.post("/messages")
async def send_message(payload: ChatMessageRequest):
    """채팅 메시지 - SSE 스트리밍 응답."""

    async def event_generator():
        async for event in app.astream(
            {"message": payload.message, "image_url": payload.image_url},
            stream_mode="custom",
        ):
            yield {
                "event": event.get("type", "message"),
                "data": json.dumps(event),
            }

    return EventSourceResponse(event_generator())

4. Persistence (상태 저장)

LangGraph는 체크포인터를 통해 상태를 저장하고 복원할 수 있습니다.

4.1 Memory Checkpointer (개발용)

from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()
app = graph.compile(checkpointer=checkpointer)

# 실행 (thread_id로 세션 구분)
config = {"configurable": {"thread_id": "user-123"}}
result = await app.ainvoke(input, config=config)

# 상태 복원
state = await app.aget_state(config)

4.2 Redis Checkpointer (프로덕션)

from langgraph.checkpoint.redis import RedisSaver

checkpointer = RedisSaver.from_url("redis://localhost:6379")
app = graph.compile(checkpointer=checkpointer)

4.3 Chat 서비스 적용

# 멀티턴 대화를 위한 대화 히스토리 저장
config = {
    "configurable": {
        "thread_id": f"chat-{user_id}",  # 사용자별 세션
    }
}

# 이전 대화 컨텍스트 포함하여 실행
result = await app.ainvoke(
    {"message": "그럼 플라스틱은요?"},  # 이전 대화 맥락 유지
    config=config,
)

5. 서브그래프 (Subgraphs)

복잡한 워크플로우를 모듈화하여 관리합니다.

5.1 서브그래프 정의

# 이미지 파이프라인 서브그래프
image_subgraph = StateGraph(ImageState)
image_subgraph.add_node("vision", vision_node)
image_subgraph.add_node("rag", rag_node)
image_subgraph.add_edge("vision", "rag")
image_pipeline = image_subgraph.compile()


# 텍스트 파이프라인 서브그래프
text_subgraph = StateGraph(TextState)
text_subgraph.add_node("intent", intent_node)
text_subgraph.add_node("rag", rag_node)
text_subgraph.add_conditional_edges("intent", route_by_intent)
text_pipeline = text_subgraph.compile()


# 메인 그래프에서 서브그래프 사용
main_graph = StateGraph(ChatState)
main_graph.add_node("image_pipeline", image_pipeline)
main_graph.add_node("text_pipeline", text_pipeline)
main_graph.add_node("answer", answer_node)

5.2 Chat 서비스 모듈 구조

apps/chat/application/pipeline/
├── graph.py              # 메인 그래프 (entry point)
├── state.py              # ChatState 정의
├── subgraphs/
│   ├── image_pipeline.py # 이미지 파이프라인 서브그래프
│   └── text_pipeline.py  # 텍스트 파이프라인 서브그래프
└── nodes/
    ├── vision_node.py
    ├── intent_node.py
    ├── rag_node.py
    └── answer_node.py

6. 에러 핸들링

6.1 노드 레벨 에러 핸들링

async def vision_node(state: ChatState) -> ChatState:
    """이미지 분류 노드 - 에러 핸들링 포함."""
    try:
        result = await vision_model.classify(state["image_url"])
        return {**state, "classification": result}
    except VisionModelError as e:
        # 에러 상태로 전환
        return {**state, "error": str(e), "error_stage": "vision"}


def route_on_error(state: ChatState) -> str:
    """에러 발생 시 에러 핸들링 노드로 라우팅."""
    if state.get("error"):
        return "error_handler"
    return "next_node"

6.2 재시도 로직

from tenacity import retry, stop_after_attempt, wait_exponential


@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=1, max=10),
)
async def vision_node_with_retry(state: ChatState) -> ChatState:
    """재시도 로직이 포함된 Vision 노드."""
    result = await vision_model.classify(state["image_url"])
    return {**state, "classification": result}

7. Chat 서비스 아키텍처 적용

7.1 기존 Celery Chain vs LangGraph

Celery Chain (분산 Worker):
┌─────────┐     ┌─────────────┐     ┌─────────┐     ┌─────────┐
│ API     │ →   │ RabbitMQ    │ →   │ Worker1 │ →   │ Worker2 │
└─────────┘     └─────────────┘     │ (Vision)│     │ (RAG)   │
                                    └─────────┘     └─────────┘
※ 네트워크 + 큐 대기 오버헤드

LangGraph (단일 프로세스):
┌─────────────────────────────────────────────────┐
│              Chat API (BackgroundTasks)          │
│  ┌────────┐    ┌────────┐    ┌────────┐         │
│  │ Vision │ →  │  RAG   │ →  │ Answer │         │
│  │ Node   │    │ Node   │    │ Node   │         │
│  └────────┘    └────────┘    └────────┘         │
│       └──────────── EventPublisher ─────────────┤→ Redis Streams
└─────────────────────────────────────────────────┘
※ 메모리 내 즉시 실행, 노드 전환 지연 없음

7.2 이벤트 발행 통합

# 노드에서 EventPublisher 사용
async def vision_node(
    state: ChatState,
    event_publisher: EventPublisherPort,  # DI
) -> ChatState:
    """Vision 노드 - 기존 EventPublisher 재사용."""

    # 시작 이벤트 (Redis Streams → Event Router → SSE Gateway)
    event_publisher.publish_stage_event(
        task_id=state["job_id"],
        stage="vision",
        status="started",
    )

    result = await vision_model.classify(state["image_url"])

    # 완료 이벤트
    event_publisher.publish_stage_event(
        task_id=state["job_id"],
        stage="vision",
        status="completed",
        result={"classification": result},
    )

    return {**state, "classification": result}

7.3 전체 흐름

1. Client: POST /chat/messages
2. Chat API: job_id 발급, 202 Accepted 응답
3. BackgroundTasks: LangGraph 실행
4. 각 노드: EventPublisher → Redis Streams
5. Event Router: Redis Streams → Pub/Sub (기존)
6. SSE Gateway: Pub/Sub → Client SSE (기존)
7. Client: EventSource로 실시간 진행 상황 수신

8. 권장 프로젝트 구조

apps/chat/
├── application/
│   ├── pipeline/
│   │   ├── __init__.py
│   │   ├── graph.py          # create_chat_graph()
│   │   ├── state.py          # ChatState TypedDict
│   │   ├── nodes/
│   │   │   ├── __init__.py
│   │   │   ├── start_node.py
│   │   │   ├── vision_node.py
│   │   │   ├── intent_node.py
│   │   │   ├── rag_node.py
│   │   │   ├── answer_node.py  # StreamWriter 사용
│   │   │   └── end_node.py
│   │   └── routing.py        # 라우팅 함수들
│   └── chat/
│       ├── ports/
│       │   ├── event_publisher.py
│       │   ├── llm_client.py
│       │   └── vision_model.py
│       └── dto/
│           └── chat_dto.py
│
├── infrastructure/
│   ├── llm/
│   │   ├── gpt/
│   │   └── gemini/
│   └── messaging/
│       └── redis_event_publisher.py  # scan_worker 복사
│
├── presentation/
│   └── http/
│       └── controllers/
│           └── chat.py       # POST /messages → SSE
│
└── setup/
    ├── config.py
    └── dependencies.py       # 그래프 DI 설정

9. 참고 자료

LangGraph 공식 문서: https://docs.langchain.com/oss/python/langgraph
Workflows and Agents: https://docs.langchain.com/oss/python/langgraph/workflows-agents
Persistence: https://docs.langchain.com/oss/python/langgraph/persistence
Streaming: https://docs.langchain.com/oss/python/langgraph/streaming
Application Structure: https://docs.langchain.com/oss/python/langgraph/application-structure
Graph API: https://docs.langchain.com/oss/python/langgraph/graph-api
Functional API: https://docs.langchain.com/oss/python/langgraph/functional-api

'이코에코(Eco²) > Applied' 카테고리의 다른 글

LangGraph 스트리밍 패턴 심화 가이드 (1)	2026.01.09
Stateless Reducer Pattern for AI Agents (0)	2026.01.05
LangGraph : 상태관리, SSE, 오케스트레이션, 비동기 태스크 (0)	2026.01.05
Dependency Injection for LLM (1)	2026.01.05
LLM Gateway & Unified Interface Pattern (0)	2026.01.05

ABOUT ME

mango_fr 개발기 mango_fr 개발기

1. LangGraph 개요

1.1 핵심 특징

1.2 Workflow vs Agent

2. Graph API vs Functional API

2.1 Graph API (권장 - Chat 서비스 적용)

2.2 Functional API (기존 코드 통합 시)

2.3 API 선택 기준

3. 스트리밍 (Streaming)

3.1 스트리밍 모드

3.2 Custom 이벤트 스트리밍

3.3 Chat 서비스 SSE 통합

4. Persistence (상태 저장)

4.1 Memory Checkpointer (개발용)

4.2 Redis Checkpointer (프로덕션)

4.3 Chat 서비스 적용

5. 서브그래프 (Subgraphs)

5.1 서브그래프 정의

5.2 Chat 서비스 모듈 구조

6. 에러 핸들링

6.1 노드 레벨 에러 핸들링

6.2 재시도 로직

7. Chat 서비스 아키텍처 적용

7.1 기존 Celery Chain vs LangGraph

7.2 이벤트 발행 통합

7.3 전체 흐름

8. 권장 프로젝트 구조

9. 참고 자료

'이코에코(Eco²) > Applied' 카테고리의 다른 글

티스토리툴바

ABOUT ME

1. LangGraph 개요

1.1 핵심 특징

1.2 Workflow vs Agent

2. Graph API vs Functional API

2.1 Graph API (권장 - Chat 서비스 적용)

2.2 Functional API (기존 코드 통합 시)

2.3 API 선택 기준

3. 스트리밍 (Streaming)

3.1 스트리밍 모드

3.2 Custom 이벤트 스트리밍

3.3 Chat 서비스 SSE 통합

4. Persistence (상태 저장)

4.1 Memory Checkpointer (개발용)

4.2 Redis Checkpointer (프로덕션)

4.3 Chat 서비스 적용

5. 서브그래프 (Subgraphs)

5.1 서브그래프 정의

5.2 Chat 서비스 모듈 구조

6. 에러 핸들링

6.1 노드 레벨 에러 핸들링

6.2 재시도 로직

7. Chat 서비스 아키텍처 적용

7.1 기존 Celery Chain vs LangGraph

7.2 이벤트 발행 통합

7.3 전체 흐름

8. 권장 프로젝트 구조

9. 참고 자료

'이코에코(Eco²) > Applied' 카테고리의 다른 글

관련글 관련글 더보기

티스토리툴바