아프니까 개발자다 아프니까 개발자다

코드 속에 갇힌 AI 에이전트로컬 서버에서 Gemma 4 모델을 vLLM으로 서빙하고, LangGraph로 ReAct 에이전트를 만들어 RAG 검색, 웹 검색, 캘린더, 메모리 저장 등 7개 도구를 연결해 쓰고 있었습니다. 코드로는 잘 돌아가지만 몇 가지 불만이 있었습니다.에이전트가 어떤 도구를 호출했는지 확인하려면 로그 파일을 grep해야 합니다시스템 프롬프트 한 줄 바꾸려면 Python 코드를 수정하고 서버를 재시작해야 합니다새 도구를 추가하려면 코드 작성 → 테스트 → 배포 사이클을 돌아야 합니다실행 흐름을 파악하려면 코드를 머릿속으로 따라가야 합니다이걸 해결할 방법을 찾다가 n8n을 떠올렸습니다. 이미 셋업은 해놨지만 실제로 AI 에이전트 워크플로우에 써본 적은 없었거든요.n8n이 뭔가요?n8n은..

LangChain이 있는데 왜 LangGraph가 따로 필요할까? LLM 에이전트의 핵심 흐름이 일직선(Chain)이 아니라 순환하는 그래프(Graph)이기 때문입니다. 실제 코드를 따라가며, 이 그래프가 어떤 모양이고 왜 이런 구조가 되는지 풀어봅니다.Chain의 한계 — 직선은 판단을 못 한다LangChain의 기본 모델은 이름 그대로 Chain입니다. A → B → C 순서로 단계를 밟는 파이프라인이죠.# Chain 방식: 검색 → LLM → 출력 (순서 고정)chain = retriever | prompt | llm | output_parser이 구조는 "검색해서 답변해" 같은 단순 RAG에는 충분합니다. 하지만 이런 상황에서 막힙니다:검색 결과가 불충분하면? → 다시 검색해야 하는데, 체인은 뒤..