이 프로젝트는 LangGraph를 활용하여 여러 AI 에이전트가 협업하고 서로의 결과물을 검수하며 고품질의 테크 블로그 포스팅을 자동 생성하는 자율형 멀티 에이전트 시스템입니다. 단순 생성(Generation)을 넘어, LangSmith를 통한 실행 추적(Tracing)과 최적화까지 포함된 엔지니어링 프로젝트입니다.
| 구분 | Linear Chain (기존 방식) | Agentic Workflow (현재 프로젝트) |
|---|---|---|
| 흐름 제어 | 순차적 실행 (A → B → C) | 상태 기반 순환 (Cyclic Loop) |
| 품질 관리 | 한 번 생성 후 종료 | 에디터의 피드백 및 재작성 루프 |
| 자율성 | 정해진 순서만 따름 | 조건부 분기(Router)를 통한 자율 결정 |
| 유연성 | 중간 오류 대응 어려움 | Self-Correction (자가 수정) 가능 |
| 운영 관리 | 블랙박스 (내부 파악 불가) | LangSmith를 통한 실시간 Tracing 및 디버깅 |
본 시스템은 StateGraph를 중심으로 세 가지 전문 에이전트가 데이터(State)를 공유하며 협업합니다.
- Researcher Agent: Tavily Search API를 사용하여 주제와 관련된 최신 웹 정보를 수집합니다.
- Writer Agent: 수집된 자료와 에디터의 피드백을 반영하여 블로그 초안을 작성하거나 수정합니다.
- Editor Agent: 작성된 초안을 검수하고 승인(ACCEPT) 또는 반려(REVISE) 피드백을 제공합니다.
- Conditional Router: 편집자의 평가에 따라 프로세스를 종료할지 또는 작가에게 재작성을 요청할지 결정합니다.
 |
 |
 |
 |
 |
 |
사용자가 주제를 입력하면 검색(Search), 작성(Draft), 검수(Critique)의 전 과정을 실시간으로 시각화합니다.
LangSmith를 통해 에이전트 간의 **순환 구조(Cyclic Loop)**와 Self-Correction 과정을 트레이싱한 결과입니다.
- Red Box: Editor의 반려(Reject)로 인해 Writer가 재실행되는 구간을 시각적으로 검증.
- Latency Analysis: 각 단계별 실행 시간과 토큰 사용량을 모니터링하여 최적화 수행.
- Cyclic Feedback Loop: 에디터 에이전트가 만족할 때까지 최대 3회까지 글을 다듬는 자가 수정 메커니즘을 갖추고 있습니다.
- MLOps & Observability: LangSmith를 도입하여 복잡한 에이전트 간 상호작용을 트레이싱하고, 병목 구간 식별 및 토큰 비용을 최적화합니다.
- State Management: LangGraph의 AgentState를 통해 에이전트 간 대화 맥락과 작업 이력을 완벽하게 공유합니다.
- Real-time Web Research: 최신 테크 트렌드를 반영하기 위해 실시간 웹 검색 도구를 통합했습니다.
- Interactive Dashboard: Streamlit을 통해 에이전트 간의 협업 과정과 피드백 내용을 실시간으로 시각화합니다.
- Orchestration: LangGraph, LangChain
- LLM API: OpenAI (gpt-4o-mini)
- Observability (MLOps): LangSmith
- Search Engine: Tavily API
- Interface: Streamlit
- Environment: Python 3.12, uv, python-dotenv
- uv를 사용하여 가상환경을 구축하고 필요한 패키지를 설치합니다.
# uv 설치 (이미 설치된 경우 생략)
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
# 의존성 설치 및 가상환경 동기화
uv sync- 프로젝트 최상단에 .env 파일을 생성하고, OpenAI, Tavily 키와 함께 LangSmith 설정을 입력합니다.
# LLM & Search API
OPENAI_API_KEY=your_openai_api_key
TAVILY_API_KEY=your_tavily_api_key
# LangSmith (Tracing & Monitoring)
LANGCHAIN_TRACING_V2=true
LANGCHAIN_ENDPOINT=https://api.smith.langchain.com
LANGCHAIN_API_KEY=your_langsmith_api_key
LANGCHAIN_PROJECT=ai-tech-blog-team# Streamlit 데모 실행
uv run streamlit run app.py- 에이전트 협업 효율화: 단일 LLM 호출보다 다각도 검수를 통해 정보의 정확도와 문장 구조의 완성도가 획기적으로 향상되었습니다.
- 데이터 기반 최적화 (Data-Driven Optimization): LangSmith를 통해 에이전트의 실행 경로를 분석하고, 불필요한 검색 호출을 줄여 응답 속도와 비용을 최적화했습니다.
- 제어 가능한 자율성: 무한 루프 방지 로직과 단계별 프롬프트 최적화를 통해 실무에서 사용 가능한 수준의 에이전트 워크플로우를 구현했습니다.
- 최신 정보의 결합: 정적 학습 데이터의 한계를 웹 검색 도구와의 유기적인 결합으로 극복했습니다.