커스텀 워크플로

커스텀 워크플로 (Custom workflow)

커스텀 워크플로 아키텍처에서는 LangGraph를 사용해 여러분 자신이 만든 맞춤형 실행 흐름을 정의해요. 그래프 구조에 대한 완전한 제어권을 갖습니다 — 순차 단계, 조건 분기, 루프, 병렬 실행까지 모두요. 다른 패턴들이 표준 부품 조립식이라면, 커스텀 워크플로는 부품부터 직접 설계하는 공방이라고 할 수 있죠.

출처: LangChain 공식 문서 — multi-agent/custom-workflow

graph LR
    A([Input]) --> B{{Conditional}}
    B -->|path_a| C[Deterministic step]
    B -->|path_b| D((Agentic step))
    C --> G([Output])
    D --> G([Output])

    classDef trigger fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
    classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:2px,color:#030710
    classDef decision fill:#FDF3FF,stroke:#7E65AE,stroke-width:2px,color:#504B5F

    class A,G trigger
    class C,D process
    class B decision

핵심 특징 (Key characteristics)

그래프 구조에 대한 완전한 제어
결정적 로직과 에이전트적 동작의 혼합
순차 단계, 조건 분기, 루프, 병렬 실행 지원
다른 패턴을 워크플로의 노드로 내장 가능

언제 쓰나요? (When to use)

표준 패턴(서브에이전트, 스킬 등)이 요구사항에 맞지 않을 때, 결정적 로직과 에이전트적 동작을 섞어야 할 때, 또는 복잡한 라우팅이나 다단계 처리가 필요한 사용 사례라면 커스텀 워크플로를 쓰면 돼요.

워크플로의 각 노드는 단순한 함수일 수도, LLM 호출일 수도, 도구를 가진 완전한 에이전트일 수도 있습니다. 커스텀 워크플로 안에서 다른 아키텍처를 합성할 수도 있어요 — 예를 들어 멀티 에이전트 시스템을 하나의 노드로 내장하는 식이죠.

기본 구현 (Basic implementation)

핵심 통찰은 이거예요. 어떤 LangGraph 노드 안에서도 LangChain 에이전트를 직접 호출할 수 있다는 겁니다. 커스텀 워크플로의 유연성과 미리 만들어진 에이전트의 편의성을 동시에 얻는 셈이죠.

from langchain.agents import create_agent
from langgraph.graph import StateGraph, START, END

agent = create_agent(model="openai:gpt-5.5", tools=[...])

def agent_node(state: State) -> dict:
    """A LangGraph node that invokes a LangChain agent."""
    result = agent.invoke({
        "messages": [{"role": "user", "content": state["query"]}]
    })
    return {"answer": result["messages"][-1].content}

# Build a simple workflow
workflow = (
    StateGraph(State)
    .add_node("agent", agent_node)
    .add_edge(START, "agent")
    .add_edge("agent", END)
    .compile()
)

예시: RAG 파이프라인 (Example: RAG pipeline)

흔한 사용 사례는 검색(retrieval)과 에이전트를 결합하는 거예요. 다음 예시는 지식 베이스에서 검색하고 실시간 뉴스도 가져올 수 있는 WNBA 통계 어시스턴트를 만드는 커스텀 RAG 워크플로입니다.

이런 커스텀 RAG 워크플로는 세 가지 유형의 노드를 보여줘요. 사용자 입력을 받는 노드, 관련 문서를 검색하는 검색 노드, 그 검색 결과를 바탕으로 에이전트가 답을 생성하는 노드입니다. 검색과 생성이 결정적으로 연결되는 지점과, 도구 호출이 필요한 지점에서 에이전트가 개입하는 지점이 분명히 나뉘어요. 이렇게 결정적 단계와 에이전트적 단계를 한 그래프에 섞는 것이 커스텀 워크플로의 힘입니다.

튜토리얼: 라우팅이 있는 멀티 소스 지식 베이스 (Tutorial: Build a multi-source knowledge base with routing)

Router 패턴은 커스텀 워크플로의 한 예시예요. GitHub, Notion, Slack을 병렬로 질의한 뒤 결과를 합성하는 라우터를 만드는 튜토리얼이 준비되어 있습니다. 자세한 내용은 Router 지식 베이스 튜토리얼을 참고하세요.

커스텀 워크플로