LangChain을 활용한 LLM 애플리케이션 개발

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# LLM 초기화
llm = OpenAI(temperature=0.7)

# 프롬프트 템플릿
prompt = PromptTemplate(
    input_variables=["product"],
    template="다음 제품에 대한 마케팅 문구를 작성해줘: {product}"
)

# Chain 생성
chain = LLMChain(llm=llm, prompt=prompt)

# 실행
result = chain.run("스마트워치")

from langchain.chains import SimpleSequentialChain

# 첫 번째 Chain: 제품 분석
analysis_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["product"],
        template="제품 {product}의 특징을 분석해줘"
    )
)

# 두 번째 Chain: 마케팅 문구 생성
marketing_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["analysis"],
        template="다음 분석을 바탕으로 마케팅 문구를 작성해줘:\n{analysis}"
    )
)

# Chain 연결
full_chain = SimpleSequentialChain(
    chains=[analysis_chain, marketing_chain],
    verbose=True
)

result = full_chain.run("스마트워치")

from langchain.agents import initialize_agent, Tool
from langchain.utilities import WikipediaAPIWrapper, PythonREPL

# 도구 정의
wikipedia = WikipediaAPIWrapper()
python_repl = PythonREPL()

tools = [
    Tool(
        name="Wikipedia",
        func=wikipedia.run,
        description="최신 정보 검색에 사용"
    ),
    Tool(
        name="Python",
        func=python_repl.run,
        description="수학 계산이나 코드 실행에 사용"
    )
]

# Agent 초기화
agent = initialize_agent(
    tools,
    llm,
    agent="react-docstore",
    verbose=True
)

# 실행
result = agent.run("2024년 노벨 물리학상 수상자의 나이를 계산해줘")

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# Memory 생성
memory = ConversationBufferMemory()

# Chain에 Memory 추가
chain = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

# 대화
chain.run("내 이름은 홍길동이야")
chain.run("내 이름이 뭐야?")  # "홍길동"을 기억함

from langchain.memory import ConversationBufferWindowMemory

# 최근 3개 대화만 기억
memory = ConversationBufferWindowMemory(k=3)

from langchain.memory import ConversationSummaryMemory

# 대화를 요약해 저장 (메모리 효율적)
memory = ConversationSummaryMemory(llm=llm)

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA

# 문서 로드
loader = TextLoader("document.txt")
documents = loader.load()

# 문서 분할
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

# 임베딩 및 벡터 스토어 생성
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(texts, embeddings)

# RAG Chain 생성
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

# 질문
result = qa_chain.run("문서에서 주요 내용을 요약해줘")

from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory

# 문서 로드 및 벡터화
loader = DirectoryLoader("./company_policies/", glob="*.pdf")
documents = loader.load()
texts = text_splitter.split_documents(documents)
vectorstore = Chroma.from_documents(texts, embeddings)

# Memory 생성
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# RAG Chain 생성
qa_chain = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=vectorstore.as_retriever(),
    memory=memory
)

# 대화
result = qa_chain({"question": "연차 신청 방법이 뭐야?"})

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 코드 리뷰 프롬프트
review_prompt = PromptTemplate(
    input_variables=["code", "language"],
    template="""
    다음 {language} 코드를 리뷰해줘:
    
    {code}
    
    다음 항목을 포함해줘:
    1. 잠재적 버그
    2. 성능 개선 사항
    3. 코드 스타일 제안
    """
)

review_chain = LLMChain(llm=llm, prompt=review_prompt)

# 코드 리뷰
result = review_chain.run(
    code="""
    function getUser(id) {
        return users.find(u => u.id === id);
    }
    """,
    language="JavaScript"
)

from langchain.chains.summarize import load_summarize_chain
from langchain.document_loaders import PyPDFLoader

# PDF 로드
loader = PyPDFLoader("report.pdf")
documents = loader.load()

# 문서 분할
texts = text_splitter.split_documents(documents)

# 요약 Chain
summary_chain = load_summarize_chain(
    llm=llm,
    chain_type="map_reduce",
    verbose=True
)

# 요약 실행
summary = summary_chain.run(texts)

from langchain.agents import create_pandas_dataframe_agent
import pandas as pd

# 데이터 로드
df = pd.read_csv("sales.csv")

# Agent 생성
agent = create_pandas_dataframe_agent(
    llm=llm,
    df=df,
    verbose=True
)

# 자연어 질문
result = agent.run("2024년 매출이 가장 높은 월은?")

pip install langchain openai

export OPENAI_API_KEY="your-api-key"

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

from langchain.llms import OpenAI
llm = OpenAI(temperature=0.7)

from langchain.llms import Anthropic
llm = Anthropic(temperature=0.7)

from langchain.llms import LlamaCpp
llm = LlamaCpp(model_path="./llama-model.bin")