1-memory_store.ipynb

다음은 요청하신 내용의 자연스러운 한국어 번역입니다.

메모리를 가진 챗봇

개요

기억(Memory)은 사람들이 정보를 저장, 검색, 사용하여 현재와 미래를 이해할 수 있도록 하는 인지 기능입니다.

AI 애플리케이션에서 사용할 수 있는 다양한 유형의 장기 기억이 있습니다.

목표

여기서는 장기 기억을 저장하고 검색하는 방법으로 LangGraph 메모리 스토어를 소개합니다.

단기(short-term (within-thread)) 메모리와 장기(long-term (across-thread)) 메모리를 모두 사용하는 챗봇을 만들어 보겠습니다.

저희는 사용자에 대한 사실들인 장기 의미 기억(semantic memory)에 중점을 둘 것입니다.

이러한 장기 기억은 사용자에 대한 사실을 기억하여 개인화된 경험을 제공하는 챗봇을 만드는 데 사용됩니다.

챗봇은 사용자와 대화하는 중에 실시간으로”in the hot path” 메모리를 저장하게 됩니다.

%%capture --no-stderr
%pip install -U langgraph langchain-openai

다음으로, 환경 변수를 설정합니다.

from dotenv import load_dotenv
 
load_dotenv("../.env", override=True)

True

We’ll use LangSmith for tracing.

import os
import getpass
 
 
def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")
 
 
_set_env("LANGSMITH_API_KEY")
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_PROJECT"] = "langchain-academy"

LangGraph 스토어 소개

LangGraph 메모리 스토어는 LangGraph에서 스레드 간에 정보를 저장하고 검색하는 방법을 제공합니다.

이것은 영구적인 키-값(key-value) 스토어를 위한 오픈 소스 기본 클래스입니다.

import uuid
from langgraph.store.memory import InMemoryStore
 
in_memory_store = InMemoryStore()

스토어(Store)에 객체(예: 메모리)를 저장할 때는 다음 정보를 제공합니다.

• 객체의 namespace: (디렉터리와 유사한) 튜플
• 객체의 key: (파일 이름과 유사)
• 객체의 value: (파일 내용과 유사)

namespace와 key를 지정하여 put 메서드로 스토어에 객체를 저장합니다.

# 저장할 메모리를 위한 네임스페이스
user_id = "1"
namespace_for_memory = (user_id, "memories")
 
# 메모리를 키와 값으로 네임스페이스에 저장
key = str(uuid.uuid4())
 
# 값은 사전이어야 합니다
value = {"food_preference": "나는 피자를 좋아한다"}
 
# 기억을 간직하라
in_memory_store.put(namespace_for_memory, key, value)

namespace를 기준으로 스토어에서 객체를 검색할 때는 search를 사용합니다.

결과값으로 리스트가 반환됩니다.

# Search
memories = in_memory_store.search(namespace_for_memory)
type(memories)

list

# Metatdata
memories[0].dict()

{'namespace': ['1', 'memories'],
 'key': '6e480dcc-8cee-4a74-a1f9-23a9a7df93d1',
 'value': {'food_preference': '나는 피자를 좋아한다'},
 'created_at': '2025-10-02T07:51:15.888884+00:00',
 'updated_at': '2025-10-02T07:51:15.888886+00:00',
 'score': None}

# The key, value
print(memories[0].key, memories[0].value)

6e480dcc-8cee-4a74-a1f9-23a9a7df93d1 {'food_preference': '나는 피자를 좋아한다'}

또한 get을 사용하여 namespace와 key로 객체를 검색할 수도 있습니다.

# 네임스페이스와 키로 메모리를 가져오기
memory = in_memory_store.get(namespace_for_memory, key)
memory.dict()

{'namespace': ['1', 'memories'],
 'key': '6e480dcc-8cee-4a74-a1f9-23a9a7df93d1',
 'value': {'food_preference': '나는 피자를 좋아한다'},
 'created_at': '2025-10-02T07:51:15.888884+00:00',
 'updated_at': '2025-10-02T07:51:15.888886+00:00'}

장기 기억(long-term)을 가진 챗봇

여기서 만들고자 하는 챗봇은 다음과 같이 두 가지 유형의 메모리를 가집니다.

1. 단기 (스레드 내) 메모리: 챗봇이 대화 기록을 유지하여, 하나의 채팅 세션이 중단되더라도 대화를 이어갈 수 있습니다.
2. 장기 (스레드 간) 메모리: 챗봇이 모든 채팅 세션에 걸쳐 특정 사용자에 대한 정보를 기억합니다.

_set_env("OPENAI_API_KEY")

단기 메모리를 위해서는 체크포인터(checkpointer)를 사용할 것입니다.

체크포인터에 대한 더 자세한 내용은 모듈 2와 저희의 개념 문서를 참조하세요. 간단히 요약하면 다음과 같습니다.

• 각 단계의 그래프 상태를 스레드에 기록합니다.
• 스레드에 대화 기록을 유지합니다.
• 스레드의 어느 단계에서든 그래프가 중단되거나 재개될 수 있도록 합니다.

그리고 장기 메모리를 위해서는 위에서 소개한 LangGraph Store를 사용할 것입니다.

from langchain_openai import ChatOpenAI
 
# LLM 초기화
model = ChatOpenAI(model="gpt-4o", temperature=0)

대화 기록은 체크포인터를 사용하여 단기 메모리에 저장됩니다.

챗봇은 이 대화 기록을 성찰합니다.

그런 다음 메모리를 생성하여 LangGraph Store에 저장합니다.

이 메모리는 향후 채팅 세션에서 챗봇의 응답을 개인화하는 데 사용될 수 있습니다.

from IPython.display import Image, display
 
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.store.base import BaseStore
 
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.runnables.config import RunnableConfig
 
# 챗봇 지시사항
MODEL_SYSTEM_MESSAGE = """당신은 사용자에 대한 정보를 제공하는, 
기억력을 가진 유용한 어시스턴트입니다.
이 사용자에 대한 메모리가 있다면, 응답을 개인화하는 데 사용하세요.
메모리는 다음과 같습니다 (비어 있을 수 있습니다): {memory}"""
 
# 대화 기록과 기존 메모리를 바탕으로 새로운 메모리 생성
CREATE_MEMORY_INSTRUCTION = """
당신은 응답을 개인화하기 위해 사용자에 대한 정보를 수집하고 있습니다.
 
## 현재 사용자 정보:
{memory}
 
## 지시사항:
1. 아래의 대화 기록을 주의 깊게 검토하세요
2. 다음과 같은 사용자에 대한 새로운 정보를 식별하세요:
   - 개인 정보 (이름, 위치)
   - 선호도 (좋아하는 것, 싫어하는 것)
   - 관심사 및 취미
   - 과거 경험
   - 목표 또는 미래 계획
3. 새로운 정보가 있다면 기존 메모리와 병합하세요
4. 메모리를 명확한 글머리 기호 목록 형식으로 만드세요
5. 새로운 정보가 기존 메모리와 충돌하는 경우, 가장 최신 버전을 유지하세요
 
## 주의: 
- 사용자가 직접 언급한 사실 정보만 포함하세요. 
- 추측이나 추론을 하지 마세요.
 
아래 대화 기록을 바탕으로 사용자 정보를 업데이트해주세요:"""
 
 
def call_model(
    state: MessagesState,
    config: RunnableConfig,
    store: BaseStore,
):
    """스토어에서 메모리를 불러와 챗봇의 응답을 개인화합니다."""
 
    # config에서 사용자 ID 가져오기
    user_id = config["configurable"]["user_id"]
 
    # 스토어에서 메모리 검색
    namespace = ("memory", user_id)
    key = "user_memory"
    existing_memory = store.get(namespace, key)
 
    # 메모리가 존재하면 실제 메모리 내용을 추출합니다.
    if existing_memory:
        # 값(Value)은 'memory' 키를 가진 딕셔너리입니다.
        existing_memory_content = existing_memory.value.get("memory")
    else:
        existing_memory_content = "기존 메모리가 없습니다."
 
    # 시스템 프롬프트에 메모리 형식 지정
    system_msg = MODEL_SYSTEM_MESSAGE.format(
        memory=existing_memory_content,
    )
 
    # 메모리와 대화 기록을 함께 사용하여 응답
    response = model.invoke(
        [SystemMessage(content=system_msg)] + state["messages"],
    )
 
    return {"messages": [response]}
 
 
def write_memory(
    state: MessagesState,
    config: RunnableConfig,
    store: BaseStore,
):
    """대화 기록을 성찰하고 스토어에 메모리를 저장합니다."""
 
    # config에서 사용자 ID 가져오기
    user_id = config["configurable"]["user_id"]
 
    # 스토어에서 기존 메모리 검색
    namespace = ("memory", user_id)
    existing_memory = store.get(namespace, "user_memory")
 
    # 메모리 추출
    if existing_memory:
        existing_memory_content = existing_memory.value.get("memory")
    else:
        existing_memory_content = "기존 메모리가 없습니다."
 
    # 시스템 프롬프트에 메모리 형식 지정
    system_msg = CREATE_MEMORY_INSTRUCTION.format(
        memory=existing_memory_content,
    )
    new_memory = model.invoke(
        [SystemMessage(content=system_msg)] + state["messages"],
    )
 
    # 스토어의 기존 메모리 덮어쓰기
    key = "user_memory"
 
    # 값을 'memory' 키를 가진 딕셔너리로 작성
    store.put(namespace, key, {"memory": new_memory.content})
 
    # 아무것도 반환하지 않음
    return
 
 
# 그래프 정의
builder = StateGraph(MessagesState)
builder.add_node("call_model", call_model)
builder.add_node("write_memory", write_memory)
 
builder.set_entry_point("call_model")
builder.add_edge("call_model", "write_memory")
builder.set_finish_point("write_memory")
 
# 장기 (스레드 간) 메모리를 위한 스토어
across_thread_memory = InMemoryStore()
 
# 단기 (스레드 내) 메모리를 위한 체크포인터
within_thread_memory = MemorySaver()
 
# 체크포인터와 스토어를 연결하여 그래프를 컴파일합니다.
graph = builder.compile(
    checkpointer=within_thread_memory,
    store=across_thread_memory,
)
 
# 그래프 시각화
display(Image(graph.get_graph(xray=1).draw_mermaid_png()))

챗봇과 상호작용할 때는 다음 두 가지를 제공합니다.

1. 단기 (스레드 내) 메모리: 대화 기록을 유지하기 위한 스레드 ID.
2. 장기 (스레드 간) 메모리: 장기 메모리를 사용자별로 관리하기 위한 사용자 ID.

이것들이 실제로 어떻게 함께 작동하는지 살펴보겠습니다.

# 단기 (스레드 내) 메모리를 위해 스레드 ID를 제공합니다.
# 장기 (스레드 간) 메모리를 위해 사용자 ID를 제공합니다.
config = {"configurable": {"thread_id": "1", "user_id": "1"}}
 
# 사용자 입력
input_messages = [
    HumanMessage(content="안녕하세요, 제 이름은 랜스입니다."),
]
 
# 그래프 실행
for chunk in graph.stream(
    {"messages": input_messages},
    config,
    stream_mode="values",
):
    chunk["messages"][-1].pretty_print()

================================ Human Message =================================

안녕하세요, 제 이름은 랜스입니다.
================================== Ai Message ==================================

안녕하세요, 랜스님! 만나서 반갑습니다. 오늘 어떻게 도와드릴까요?

# 사용자 입력
input_messages = [
    HumanMessage(content="저는 샌프란시스코를 자전거로 돌아다니는 걸 좋아합니다."),
]
 
# 그래프 실행
for chunk in graph.stream(
    {"messages": input_messages},
    config,
    stream_mode="values",
):
    chunk["messages"][-1].pretty_print()

================================ Human Message =================================

저는 샌프란시스코를 자전거로 돌아다니는 걸 좋아합니다.
================================== Ai Message ==================================

샌프란시스코는 자전거 타기에 정말 멋진 도시죠! 금문교를 자전거로 건너보셨나요? 아니면 다른 추천할 만한 경로가 있으신가요?

스레드 내 메모리를 위해 MemorySaver 체크포인터를 사용하고 있습니다.

이것은 대화 기록을 스레드에 저장합니다.

스레드에 저장된 대화 기록을 살펴볼 수 있습니다.

thread = {"configurable": {"thread_id": "1"}}
state = graph.get_state(thread).values
for m in state["messages"]:
    m.pretty_print()

================================ Human Message =================================

안녕하세요, 제 이름은 랜스입니다.
================================== Ai Message ==================================

안녕하세요, 랜스님! 만나서 반갑습니다. 오늘 어떻게 도와드릴까요?
================================ Human Message =================================

저는 샌프란시스코를 자전거로 돌아다니는 걸 좋아합니다.
================================== Ai Message ==================================

샌프란시스코는 자전거 타기에 정말 멋진 도시죠! 금문교를 자전거로 건너보셨나요? 아니면 다른 추천할 만한 경로가 있으신가요?

그래프를 컴파일할 때 스토어를 사용했다는 것을 기억해 보세요.

across_thread_memory = InMemoryStore()

그리고 대화 기록을 성찰하여 메모리를 스토어에 저장하는 write_memory 노드를 그래프에 추가했습니다.

이제 메모리가 스토어에 저장되었는지 확인할 수 있습니다.

# 저장할 메모리를 위한 네임스페이스
user_id = "1"
namespace = ("memory", user_id)
existing_memory = across_thread_memory.get(namespace, "user_memory")
existing_memory.dict()

{'namespace': ['memory', '1'],
 'key': 'user_memory',
 'value': {'memory': '- 개인 정보:\n  - 이름: 랜스\n  - 위치: 샌프란시스코\n\n- 선호도:\n  - 좋아하는 것: 샌프란시스코를 자전거로 돌아다니는 것\n\n- 관심사 및 취미:\n  - 자전거 타기'},
 'created_at': '2025-10-02T07:51:21.441092+00:00',
 'updated_at': '2025-10-02T07:51:21.441093+00:00'}

이제 동일한 사용자 ID로 새로운 스레드를 시작하겠습니다.

챗봇이 사용자의 프로필을 기억하고 응답을 개인화하는 것을 확인할 수 있을 것입니다.

# 스레드 간 메모리를 위한 사용자 ID와 새로운 스레드 ID를 제공합니다.
config = {"configurable": {"thread_id": "2", "user_id": "1"}}
 
# 사용자 입력
input_messages = [
    HumanMessage(content="안녕하세요! 자전거 타러 어디 가면 좋을까요?"),
]
 
# 그래프 실행
for chunk in graph.stream(
    {"messages": input_messages},
    config,
    stream_mode="values",
):
    chunk["messages"][-1].pretty_print()

================================ Human Message =================================

안녕하세요! 자전거 타러 어디 가면 좋을까요?
================================== Ai Message ==================================

안녕하세요, 랜스! 샌프란시스코에서 자전거 타기에 좋은 곳을 추천드릴게요. 

1. **골든 게이트 파크**: 넓고 다양한 경로가 있어서 자전거 타기에 아주 좋습니다. 자연을 즐기며 여유롭게 탈 수 있어요.

2. **마린 헤드랜즈**: 골든 게이트 브리지를 건너면 나오는 이 지역은 멋진 경치와 함께 도전적인 코스를 제공합니다.

3. **엠바카데로**: 해안가를 따라 자전거를 타며 도시의 활기찬 분위기를 느낄 수 있습니다.

4. **프레시디오**: 역사적인 장소와 아름다운 자연 경관을 함께 즐길 수 있는 곳입니다.

이 중에서 마음에 드는 곳이 있나요?

# 사용자 입력
input_messages = [
    HumanMessage(
        content="좋아요, 근처에 들러볼 만한 빵집 있나요? 자전거 타고 나면 크루아상이 먹고 싶거든요."
    )
]
 
# 그래프 실행
for chunk in graph.stream(
    {"messages": input_messages},
    config,
    stream_mode="values",
):
    chunk["messages"][-1].pretty_print()

================================ Human Message =================================

좋아요, 근처에 들러볼 만한 빵집 있나요? 자전거 타고 나면 크루아상이 먹고 싶거든요.
================================== Ai Message ==================================

자전거 타고 나서 크루아상을 즐기기에 좋은 빵집 몇 곳을 추천드릴게요!

1. **타르틴 베이커리 (Tartine Bakery)**: 미션 디스트릭트에 위치한 이곳은 샌프란시스코에서 가장 유명한 빵집 중 하나로, 크루아상이 아주 맛있습니다.

2. **비 파티세리 (b. Patisserie)**: 퍼시픽 하이츠에 위치한 이곳은 프랑스 스타일의 페이스트리로 유명하며, 크루아상이 특히 인기가 많습니다.

3. **아르스티산 베이커리 (Arsicault Bakery)**: 리치먼드 디스트릭트에 있는 이곳은 바삭하고 버터리한 크루아상으로 많은 사랑을 받고 있습니다.

이 빵집들은 자전거로 이동하기에도 좋고, 맛있는 크루아상을 즐기기에 완벽한 곳들입니다. 즐거운 라이딩과 맛있는 크루아상 즐기세요!

LangSmith에서 추적 보기

예상대로, 메모리가 스토어에서 검색되어 시스템 프롬프트의 일부로 제공되는 것을 확인할 수 있습니다.

https://smith.langchain.com/public/84c9f37c-9f3b-4d9a-9e3c-b6ddcbffc376/r