에이전트를 위한 도구 정의
@tool 데코레이터로 사용자 지정 도구를 만들고, LLM이 각 도구를 호출할 시점을 판단할 수 있도록 명확한 설명을 작성하며, Pydantic으로 입력을 검증합니다.
에이전트를 위한 도구 정의은(는) CoddyKit의 무료 AI Engineering Academy 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 AI Engineering Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. AI Engineering Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
도구가 에이전트에 초능력을 부여합니다
도구가 없는 에이전트는 이미 알고 있는 내용만 추론할 수 있으며 웹을 검색하거나 데이터베이스를 조회하거나 이메일을 보낼 수 없습니다. 도구는 에이전트가 실제 세계의 행동을 수행하고 최신 정보를 가져올 수 있도록 하여 에이전트의 기능을 확장하는 Python 함수입니다. 도구를 명확하게 정의하는 것은 신뢰할 수 있는 에이전트를 구축하는 가장 중요한 단계 중 하나입니다.
LangChain의 @tool 데코레이터
LangChain의 @tool 데코레이터는 모든 Python 함수를 에이전트가 호출할 수 있는 도구로 변환합니다. 함수의 독스트링은 LLM이 호출 시점을 결정할 때 사용하는 도구 설명이 됩니다. 명확하고 구체적인 설명은 에이전트의 도구 선택 정확도를 크게 향상합니다.
from langchain_core.tools import tool
@tool
def get_weather(city: str) -> str:
'''Get the current weather conditions for a given city.
Use this tool when the user asks about weather in a specific location.
Input should be just the city name, e.g. 'London' or 'New York'.
'''
# Real implementation would call a weather API
return f'The weather in {city} is 18 degrees Celsius and partly cloudy.'
print(get_weather.name) # 'get_weather'
print(get_weather.description) # The docstring above형식 주석과 스키마 생성
LangChain은 Python 형식 주석을 바탕으로 각 도구의 JSON Schema를 자동으로 생성합니다. 에이전트는 시스템 프롬프트에서 이 스키마를 받아 어떤 인수가 필요한지, 각 인수의 형식이 무엇인지, 어떤 제약 조건이 있는지 파악합니다. 도구 함수에는 항상 정확한 형식을 주석으로 지정하십시오.
from langchain_core.tools import tool
@tool
def calculate_compound_interest(
principal: float,
annual_rate: float,
years: int
) -> float:
'''Calculate compound interest earned over a number of years.
Args:
principal: Initial investment amount in dollars.
annual_rate: Annual interest rate as a decimal (e.g. 0.05 for 5%).
years: Number of years to compound.
Returns:
Final amount after compounding.
'''
return principal * (1 + annual_rate) ** years
# Inspect the auto-generated schema
print(calculate_compound_interest.args_schema.schema())Pydantic을 사용한 입력 검증
복잡한 입력을 사용하는 도구에는 Pydantic 모델을 args_schema로 정의하십시오. 이렇게 하면 LLM이 도구 호출 방법을 결정할 때 자동 검증, 형식 변환 및 필드 수준의 자세한 문서화를 활용할 수 있습니다.
from langchain_core.tools import tool
from pydantic import BaseModel, Field
class SearchInput(BaseModel):
query: str = Field(description='The search query to look up.')
num_results: int = Field(default=5, ge=1, le=20, description='Number of results to return (1-20).')
@tool(args_schema=SearchInput)
def web_search(query: str, num_results: int = 5) -> str:
'''Search the web for current information on any topic.
Use this for facts that may have changed after the model training cutoff.
'''
return f'Searching for "{query}", returning {num_results} results...'효과적인 도구 설명 작성하기
도구 설명은 도구 정의에서 가장 중요한 부분입니다. LLM은 설명을 읽고 도구를 언제 그리고 어떻게 호출할지 결정합니다. 좋은 설명은 다음 질문에 답합니다. 이 도구는 무엇을 하나요? 언제 사용해야 하나요? 입력은 어떤 형태여야 하나요? 출력은 무엇인가요?
- 나쁜 예: '검색 도구입니다.'
- 좋은 예: '최신 뉴스, 사실 또는 데이터를 웹에서 검색합니다. 사용자가 최근 사건이나 학습 데이터에 없는 사실에 관해 질문할 때 사용합니다. 입력: 간결한 검색어입니다.'
도구 반환 형식
도구는 문자열, 딕셔너리 또는 구조화된 Pydantic 객체를 반환할 수 있습니다. 하지만 에이전트는 결국 대화에 포함할 결과를 텍스트로 받아야 합니다. 딕셔너리를 반환하면 LangChain이 이를 문자열로 직렬화합니다. 복잡하게 중첩된 데이터는 원시 JSON보다 읽기 쉬운 요약으로 형식화해야 모델이 더 쉽게 추론할 수 있습니다.
from langchain_core.tools import tool
import json
@tool
def get_stock_price(ticker: str) -> str:
'''Look up the current stock price for a given ticker symbol.
Input should be the stock ticker symbol in uppercase, e.g. AAPL or MSFT.
'''
# Stub — real implementation calls a financial API
data = {'ticker': ticker, 'price': 182.50, 'currency': 'USD', 'change': '+1.2%'}
return f'{ticker}: ${data["price"]} ({data["change"]})'도구 오류를 적절하게 처리하기
도구는 실패할 수 있습니다. API가 중단될 수 있고, 네트워크 시간 초과가 발생할 수 있으며, 사용자가 유효하지 않은 입력을 제공할 수도 있습니다. 예외가 에이전트 순환을 중단하게 두는 대신 도구 로직을 try/except로 감싸고 설명이 포함된 오류 문자열을 반환하십시오. 그러면 에이전트가 실패 원인을 추론하여 다시 시도할지 다른 방법을 사용할지 결정할 수 있습니다.
from langchain_core.tools import tool
import requests
@tool
def fetch_url(url: str) -> str:
'''Fetch the text content of a web page given its URL.
Use for accessing specific documents or web pages the user references.
'''
try:
resp = requests.get(url, timeout=10)
resp.raise_for_status()
return resp.text[:2000] # Return first 2000 chars
except requests.Timeout:
return 'Error: Request timed out after 10 seconds.'
except requests.HTTPError as e:
return f'Error: HTTP {e.response.status_code}'
except Exception as e:
return f'Error fetching URL: {str(e)}'비동기 도구
에이전트가 많은 도구 호출을 실행하거나 도구가 입출력 중심의 네트워크 요청을 수행하는 경우 이벤트 순환이 차단되지 않도록 비동기 도구 함수를 정의하십시오. LangChain의 에이전트 실행기는 비동기 도구를 기본적으로 지원하므로 도구 함수에서 async def를 사용하기만 하면 됩니다.
from langchain_core.tools import tool
import httpx
@tool
async def async_fetch(url: str) -> str:
'''Asynchronously fetch content from a URL.
Preferred over fetch_url when making multiple concurrent requests.
'''
async with httpx.AsyncClient(timeout=10) as client:
try:
resp = await client.get(url)
resp.raise_for_status()
return resp.text[:2000]
except Exception as e:
return f'Error: {str(e)}'도구를 도구 모음으로 구성하기
서로 관련된 도구가 많다면 도구를 도구 모음으로 그룹화하십시오. 도구 모음은 도구 목록을 반환하는 클래스입니다. LangChain 도구 모음은 공통 패턴을 따릅니다. 생성자에서 API 키와 같은 구성을 받고 get_tools() 메서드를 제공합니다. 따라서 여러 에이전트에서 도구를 깔끔하고 재사용 가능하게 관리할 수 있습니다.
from langchain_core.tools import BaseTool
from typing import List
class WeatherToolkit:
def __init__(self, api_key: str):
self.api_key = api_key
def get_tools(self) -> List[BaseTool]:
return [
get_weather, # defined earlier with @tool
get_weather_forecast, # another tool
get_weather_alert # another tool
]
# Usage
toolkit = WeatherToolkit(api_key='your_weather_api_key')
tools = toolkit.get_tools()
print(f'Loaded {len(tools)} weather tools')사용자 역할별 도구 접근 제한
모든 사용자가 모든 도구에 액세스할 수 있어서는 안 됩니다. 읽기 전용 사용자가 send_email 또는 delete_record 도구를 실행해서는 안 됩니다. 인증된 사용자의 권한에 따라 에이전트에 전달할 도구를 선택하여 역할 기반 도구 액세스를 구현하십시오.
def get_tools_for_user(user_role: str) -> list:
read_tools = [web_search, get_weather, calculate_compound_interest]
write_tools = [send_email, create_calendar_event, update_record]
if user_role == 'admin':
return read_tools + write_tools
elif user_role == 'member':
return read_tools
else:
return [web_search] # Guest: only public search도구 문서화 모범 사례
문서가 잘 작성된 도구는 에이전트 오류를 크게 줄여 줍니다. 다음 모범 사례를 따르십시오. 명확한 동사 우선 이름을 사용하고(websearch가 아니라 search_web), 예상 입력 형식을 명시적으로 설명하며, 잘못된 긍정을 피할 수 있도록 도구를 사용하면 안 되는 경우를 언급하십시오. 또한 모델이 올바르게 분석할 수 있도록 출력이 어떤 형태인지 설명하십시오.
빠른 확인
LangChain 에이전트용 도구 정의에 대한 이해도를 확인해 보십시오.
단원 요약
이 단원에서는 다음을 배웠습니다. @tool 데코레이터는 독스트링을 설명으로 사용하여 Python 함수를 에이전트가 호출할 수 있는 도구로 변환합니다. Pydantic 스키마는 검증된 형식 지정 입력을 추가합니다. 또한 도구는 오류를 우아하게 처리하고 설명적인 오류 문자열을 반환해야 합니다. 다음으로 LangChain을 사용해 완전한 ReAct 에이전트를 조립하고 추론 단계를 추적해 보겠습니다.
자주 묻는 질문
“에이전트를 위한 도구 정의” 강의는 무료인가요?
네 — “에이전트를 위한 도구 정의” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 AI Engineering Academy 강의 전체를 잠금 해제할 수 있습니다. AI Engineering Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
“에이전트를 위한 도구 정의”에서 뭘 배우나요?
@tool 데코레이터로 사용자 지정 도구를 만들고, LLM이 각 도구를 호출할 시점을 판단할 수 있도록 명확한 설명을 작성하며, Pydantic으로 입력을 검증합니다. 브라우저에서 직접 실행하는 실습 코드로 AI Engineering Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
AI Engineering Academy을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 AI Engineering Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.
“에이전트를 위한 도구 정의” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 AI Engineering Academy 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 AI Engineering Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.