LangChain
LangChain
LangChain은 LLM 애플리케이션을 조립하기 위한 오픈소스 개발 프레임워크다. 모델 호출, 프롬프트, 도구(tool) 호출, 메모리, 검색(RAG), 출력 파싱 같은 구성요소를 표준 인터페이스로 추상화해, 특정 LLM 제공자에 묶이지 않고 파이프라인을 갈아끼우며 만들 수 있게 한다. Python·JavaScript/TypeScript 양쪽을 지원한다.
핵심은 다양한 모델·벡터DB·도구를 감싸는 통합 어댑터와, 에이전트·체인을 구성하는 빌딩 블록이다. 그래프 기반으로 상태·분기·반복이 있는 복잡한 에이전트를 만드는 LangGraph가 사실상 핵심 런타임으로 자리 잡았고, 관찰·디버깅은 같은 회사의 LangSmith로 연결된다.
대상은 RAG·에이전트·멀티스텝 워크플로를 직접 코드로 구축하는 개발자·ML 엔지니어다. 프레임워크 자체는 무료 오픈소스이며, 수익화는 LangSmith(관측·평가)와 LangGraph Platform(에이전트 배포·관리) 같은 상용 부가 제품에서 발생한다.
강점은 방대한 통합 생태계, 빠른 프로토타이핑, 제공자 교체 용이성이다. 한계는 추상화 레이어가 두꺼워 디버깅이 어려울 수 있고 잦은 API 변경으로 마이그레이션 부담이 있다는 점, 그리고 단순 작업엔 오히려 직접 SDK 호출이 가볍다는 비판이다. 실무에선 LangGraph 중심으로 얇게 쓰는 패턴이 늘었다.
AI 개발 관련 브리핑
클코나잇 2 웨비나에서 하네스 엔지니어링 구축 사례 공유
요즘IT는 5월 27일과 6월 10일에 클코나잇 2 웨비나를 개최하고, 개발자와 비개발자가 클로드 코드(Claude Code)를 활용한 경험을 공유했다. 바이버스 AI의 김영채는 하네스 엔지니어링 도입 배경과 마에스트로 데브(Maestro Dev)라는 스킬을 통해 코드 관리와 개발 속도를 개선한 사례를 설명했다. 지난 8개월 동안 4명의 개발자가 170만 줄의 코드를 작업하며 발생한 문제를 해결하기 위해 하네스 엔지니어링을 도입했다고 밝혔다.
마에스트로 데브는 개발자의 암묵지를 형식지화하여 자동화된 개발 프로세스를 통해 코드 관리와 출시 속도를 개선하는 데 기여한다.
AI 해커톤에서 재무 업무 문제 해결을 위한 접근 방식
네이버의 ‘모두의 Engineering Day AI 해커톤’에서 참가자들은 실제 업무 문제를 해결하기 위해 팀을 구성하고, AI를 활용하여 재무 업무를 자동화하는 프로젝트를 진행했다. 팀은 수기 Microsoft Excel 기반의 출자 현황 관리를 LLM·MCP 기반의 투자 포트폴리오 관리 플랫폼으로 전환하는 과제를 선택했다. 이 과정에서 AI의 역할을 단순한 도구가 아닌 문제 정의, 설계, 검증의 파트너로 설정하고, 현재 값이 아닌 거래 이력을 중심으로 시스템을 설계했다.
NVIDIA DeepStream 9.1을 활용한 다중 카메라 3D 추적 애플리케이션 구축
대규모 공간에서 비디오 분석 애플리케이션을 개발하는 개발자는 카메라 뷰 간에 이동하는 동일한 객체를 추적해야 한다. 단일 카메라 2D 추적은 신뢰할 수 있는 깊이 정보를 제공하지 않으며, 객체가 프레임을 벗어날 때 추적을 잃는 경우가 많아 창고 안전, 소매 분석, 스마트 빌딩 모니터링과 같은 애플리케이션의 한계를 초래한다. 현재의 3D 추적 방법은 수동 작업을 요구한다.
NVIDIA DeepStream 9.1을 사용하면 다중 카메라 환경에서 신뢰성 있는 3D 추적을 구현할 수 있다.
NVIDIA T4에서 A100 대비 170배 느린 PyTorch 모델 실행
NVIDIA A100에서 포인트 추적 모델이 반 비디오당 약 0.5초 소요되는 반면, T4에서는 같은 호출이 약 85초 소요되어 170배 느려진다. 비디오는 256×256 해상도의 47프레임으로, 배치는 1이다. 현재 GPU는 99% 활용 중이며, 모델은 GPU에서 실행되고 있다. torch.backends.cudnn.benchmark를 활성화해도 효과가 없고, 두 개의 독립적인 T4 머신에서 동일한 느린 성능이 나타났다.
T4에서 A100보다 170배 느린 성능의 원인을 파악하는 것은 모델 최적화에 중요하다.