LangChain VS LangGraph

AI Agent 개발에서 중요한 프레임워크인 LangChain과 LangGraph는 복잡한 RAG를 구축할 때 핵심적인 프레임워크입니다.

둘 다 목적은 비슷하나 구성 요소와 연결 방식에 차이가 있는데 기본 개념을 통해 알아보고자 합니다.

 

LangChain

이전 포스팅에서 간략히 개념을 다룬적이 있긴 합니다.

LangChain은 대형 언어 모델인 LLM을 다양한 데이터 소스와 외부 도구에 연결하여 활용할 수 있도록 하며

데이터 검색, 메모리 및 API 관리를 통해 워크플로우 구성과 효울적인 확장을 지원합니다.

즉, 여러 도구를 활용하여 동적인 의사결정을 수행할 수 있도록 하여 단순 질의응답 시스템 보다 복잡한 작업을 수행하는 AI 애플리케이션 구축에 도움을 줍니다.

이미지 출처 : https://cobusgreyling.medium.com/

 

LangGraph

LangGraph는 LangChain 보다 더 복잡하고 동적인 작업을 처리하기 위한 프레임워크로, 다양한 AI 도구와 데이터를 시각적으로 연결하고 관리할 수 있도록 합니다.

그래프 기반의 연결 방식이 특징인데, 각 요소를 노드로, 관계를 엣지로 표현하여 복잡한 AI 흐름을 시각적으로 명확하게 볼 수 있도록 지원합니다.

특히 대규모 데이터 처리와 복잡한 단계적 작업을 효율적으로 관리할 수 있고 그리드 형식의 시각적 인터페이스가 하나의 그래프 구조로 묶어 작업 추적에 용이합니다.

그러나 해당 소프트웨어는 독점이라 현재 무료 셀프 호스팅 버전도 있지만 클라우드 SaaS 버전은 향후 유료 전환 될 예정이며 엔터프라이즈급은 유료로 제공되고 있습니다.

가격 안내 페이지

 

차이점

LangChain은 모듈화 된 체인 구조를 통한 순차적 연결로 애플리케이션을 구성하며 주로 순차적인 작업 흐름에서 입력과 출력의 명확한 정의하에 작업을 진행합니다.

 

LangGraph는 그래프 기반의 구조를 통해 노드와 엣지로 구성된 복잡한 워크플로우 구성이 가능하며 병렬 처리와 조건부 로직을 통해 복잡한 작업도 관리가 편리하며 다중 에이전트 협업을 지원하여 다양한 작업을 동시에 처리할 수 있습니다.

---

LangChain은 다양한 외부 도구와의 통합이 용이하고 빠른 프로토타이핑이 가능합니다.
하지만 복잡한 작업 흐름이나 다중 에이전트 구현에 한계가 있으며 대규모 시스템 구축에는 추가 작업이 필요할 수 있습니다.

 

LangGraph는 복잡한 작업 흐름과 로직 구성에 용이하고 병렬 처리와 확장성이 높습니다.
그러나 구조 복잡성으로 인한 학습에 오랜 시간이 소요될 수 있습니다.

---

LangChain은 각 체인 내에서 독립적인 상태 관리를 수행하며 상세한 상태 관리는 외부 시스템과 통합이 필요합니다.

 

LangGraph는 그래프의 각 노드가 상태를 유지하며 노드 간 상태 전달과 업데이트를 통해 복잡한 상태 관리를 수행합니다.

이미지 출처 : https://cobusgreyling.medium.com/