Agent RAG 구현에서 '정보 추출 및 평가' 노드 결과 애러

안녕하세요. 답변이 늦었습니다. Pydantic에서 기대하는 출력 구조가 OpenAI와 Anthropic이 다르기 때문에 발생한 에러로 보입니다. 수업 영상 몇 분/초 구간인지 알려주시면 같은 모델로 테스트해보겠습니다.

OpenAI API를 활용하여 LLM Chain 구현하기 (실습) 에서

안녕하세요. 판다스 스튜디오입니다. pypi 서버의 일시적 장애 또는 방화벽 이슈로 보이긴 합니다. 우선 다음과 같이 poetry cache를 삭제하고 다시 한번 설치해보세요. poetry cache clear --all pypi 계속 문제가 발생하면 편하게 말씀해주세요. 감사합니다.

강사님의 LLM 모델의 버전이 어떻게 되나요?

안녕하세요. 저는 OpenAI API를 사용하고 있습니다. (gpt-4o-mini-2024-07-18 버전) 에러 메시지에서 확인하실 수 있듯이, Azure OpenAI API를 사용하시려면 최신 API 버전(2024-08-01-preview 이상)으로 설정하시는 것이 가장 간단한 해결책입니다.

메시지 그래프/피드백 루프 활용하기에서 질문

안녕하세요. 판다스 스튜디오입니다. 4:07에서에서 rag_chain.invoke에 문자열 타입의 쿼리가 입력될 경우, 해당 쿼리는 두 경로로 전달됩니다. "context" 키로 라우팅되어 RunnableLambda(retrieve_docs)에 입력으로 전달되고, 이후 format_docs를 통해 처리됩니다. 그 결과가 "context" 키에 할당됩니다. "question" 키로는 RunnablePassthrough()를 통해 원본 쿼리가 그대로 전달됩니다.12:20 에서 상태 업데이트 문제 GraphState에서 grade와 같은 새로운 필드값을 업데이트할 때 기존 상태값인 "messages"와 "documents"는 사라지지 않습니다.LangGraph에서 상태 업데이트는 부분적으로 이루어집니다. 노드 함수가 특정 필드만 반환(return)할 경우, 해당 필드만 업데이트되고 나머지 필드는 그대로 유지됩니다. 감사합니다.

2-3 임베딩모델 에러

안녕하세요. 판다스 스튜디오입니다. 발생한 에러는 LangChain 자체의 문제가 아니라 OpenAI API의 할당량 초과 문제로 보입니다. OpenAI API 크레딧을 확인해보시기 바랍니다. 크레딧 잔액이 있는데 계속 같은 오류가 발생하면, 인증키를 재발급 받아서 처리하시면 됩니다. 감사합니다.

안녕하세요. 오늘 커뮤니티에 올라온 서적 예제 4.11관련 질문입니다.

안녕하세요. 판다스 스튜디오입니다. langchain_huggingface버전 업데이트로 소스코드에 수정사항이 있었던 것 같습니다. 아래와 같이 client 속성에 "_"를 붙여주시면 확인 가능합니다. embeddings._client.max_seq_length말씀해주신 오타는 다음에 2쇄를 인쇄할 때 수정하겠습니다. 감사합니다.

llm 모델 사용 관련 질문 있습니다.

안녕하세요. 별 다른 이유는 없습니다. 단지, 오픈소스 모델 중에서 파라미터수가 많은(성능이 더 좋을 것으로 보이는) 모델을 적용해 본 것입니다. 같은 모델 중에서 파라미터 수가 작은 qwen2.5:7b, deepseek-r1:7b 모델을 사용하시면 될 것 같습니다.또는 최근에 구글에서 공개한 gemma3:4b 모델도 성능이 좋은 편입니다. 감사합니다.

에이전틱 루프에서의 병렬 노드 구현 문의

안녕하세요. 판다스 스튜디오입니다. 두 가지 시나리오 모두 LangGraph에서 구현 가능합니다. 1. 순차적 처리 후 결과 집계 방식첫 번째 시나리오는 순차 처리 후 집계하는 방식입니다. from typing import TypedDict, Annotated from langgraph.graph import StateGraph, START, END import operator # 상태 정의 class State(TypedDict): query: str result_1: str result_2: str final_result: str # 노드 정의 def process_1(state: State): # 쿼리를 기반으로 첫 번째 작업 수행 result_1 = f"작업 1의 결과: {state['query']} 처리됨" return {"result_1": result_1} def process_2(state: State): # 쿼리를 기반으로 두 번째 작업 수행 result_2 = f"작업 2의 결과: {state['query']} 처리됨" return {"result_2": result_2} def aggregate(state: State): # 작업 1과 2의 결과를 집계 combined = f"작업 1 결과: {state['result_1']}, 작업 2 결과: {state['result_2']}" return {"final_result": combined} # 그래프 구성 workflow = StateGraph(State) workflow.add_node("process_1", process_1) workflow.add_node("process_2", process_2) workflow.add_node("aggregate", aggregate) # 엣지 정의 - 순차적 실행 workflow.add_edge(START, "process_1") workflow.add_edge("process_1", "process_2") workflow.add_edge("process_2", "aggregate") workflow.add_edge("aggregate", END) # 그래프 컴파일 graph = workflow.compile() # 실행 result = graph.invoke({"query": "테스트 쿼리"}) print(result["final_result"]) 2. 병렬 실행 후 결과 취합 방식두 번째 시나리오는 LangGraph의 Send API를 사용하여 구현할 수 있습니다. from typing import TypedDict, Annotated, List from langgraph.graph import StateGraph, START, END from langgraph.constants import Send import operator # 상태 정의 class State(TypedDict): query: str results: Annotated[List[str], operator.add] # 결과를 리스트에 추가하는 reducer final_result: str # 노드 정의 def process_1(state: State): result = f"작업 1의 결과: {state['query']} 처리됨" return {"results": [result]} def process_2(state: State): result = f"작업 2의 결과: {state['query']} 처리됨" return {"results": [result]} def process_3(state: State): result = f"작업 3의 결과: {state['query']} 처리됨" return {"results": [result]} def aggregate(state: State): # 모든 결과 취합 combined = "취합된 결과: " + ", ".join(state["results"]) return {"final_result": combined} # 그래프 구성 workflow = StateGraph(State) workflow.add_node("process_1", process_1) workflow.add_node("process_2", process_2) workflow.add_node("process_3", process_3) workflow.add_node("aggregate", aggregate) # 병렬 처리를 위한 조건부 엣지 함수 def branch_parallel(state: State): # 병렬로 실행할 노드들 정의 return [ Send("process_1", state), Send("process_2", state), Send("process_3", state), ] # 엣지 정의 - 병렬 실행 workflow.add_edge(START, branch_parallel) workflow.add_edge("process_1", "aggregate") workflow.add_edge("process_2", "aggregate") workflow.add_edge("process_3", "aggregate") workflow.add_edge("aggregate", END) # 그래프 컴파일 graph = workflow.compile() # 실행 result = graph.invoke({"query": "테스트 쿼리", "results": []}) print(result["final_result"])

[공유] llama3-groq 모델명 수정 필요

네~ 정보 공유 감사드립니다. 즐거운 하루 되세요.

수업자료 문의

안녕하세요. 판다스 스튜디오입니다. 강의 페이지 하단 메뉴에서 "자료다운"을 선택하시면 실습파일을 받을 수 있습니다. (사진)감사합니다.