바닥부터 LangFlow(3)

LangFlow

- Langflow는 다중 에이전트 및 RAG(리트리벌-증강 생성) 애플리케이션을 구축하기 위한 시각적 프레임워크입니다. 오픈 소스이며, Python 기반으로 완전히 커스터마이징이 가능하고, LLM(대형 언어 모델) 및 벡터 스토어와 독립적으로 사용할 수 있습니다.

 

Sequential tasks agent

- Sequential Tasks Agent 흐름은 여러 Agent 컴포넌트를 사용하여 다중 에이전트 애플리케이션을 구축하는 방식입니다. 각 에이전트는 고유한 LLM 모델과 도구 세트를 가지며, Prompt 컴포넌트는 Agent Instructions 필드에 연결되어 에이전트의 동작을 제어합니다.

 

Data component

- 이 컴포넌트들은 데이터를 로드할 때 일부 처리를 하거나 타입 검사를 수행할 수 있습니다. 예를 들어, 원시 HTML 데이터를 텍스트로 변환하거나, 파일의 유형이 허용된 유형인지 확인하는 등의 작업을 할 수 있습니다.

 

Embedding component

- 임베딩 모델은 텍스트를 수치 벡터로 변환하는 역할을 합니다. 이 벡터들은 입력 텍스트의 의미적 의미를 포착하고, LLM(대형 언어 모델)이 문맥을 이해할 수 있게 합니다.

• Embedding 모델은 단어, 문장, 문서 등의 텍스트를 수치 벡터로 변환합니다. 이 벡터는 텍스트의 의미적 특성을 수치적으로 표현
• Embeddings는 문맥을 반영한 벡터를 생성하여, 텍스트의 의미를 단어 하나하나가 아닌 전체적인 문맥을 기반으로 이해
• 유사도 계산을 용이하게 만듭니다. 벡터 공간에서 두 텍스트 간의 유사성을 측정할 수 있기 때문에
• 텍스트를 벡터로 변환하여 이를 AI 모델에 입력하면, 모델은 텍스트의 의미를 더 잘 이해하고, 더 정확한 결과를 생성
• 임베딩을 활용하면 대규모 데이터베이스에서 빠르고 효율적인 검색
• Embeddings는 **자연어 처리(NLP)**와 같은 복잡한 작업을 해결하는 데 매우 효과적

Custom component

- 커스텀 컴포넌트는 Langflow 내에서 생성되며, 사용자 정의 Python 코드를 통해 플랫폼의 기능을 확장합니다, Langflow는 백엔드에서 Python을 사용하기 때문에, Custom Component 내에서 Python 함수를 구현할 수 있습니다. 이를 통해 Pandas, Scikit-learn, Numpy와 같은 라이브러리들을 활용하여 데이터 처리를 다양한 방식으로 처리하는 컴포넌트를 만들 수 있습니다