LangChain이 v1으로 넘어오면서 기존 체인 방식의 예제 코드 상당수가 구식이 됐다. 복잡한 흐름을 체인으로 제어하면 코드가 금세 엉키는 문제도 있다. baem1n이 올린 이 저장소는 수십 개의 한국어 주피터 노트북으로 그 간극을 채워준다. LangGraph에서 State와 Node를 어떻게 짜는가 LangGraph는 State와 Node를 중심으로 흐름을 정의한다. 단계별 데이터가 어떻게 흘러가는지 명시하고, 조건에 따라 경로를 나눈다. 말로만 들으면 추상적인데, 노트북에서 파이썬 코드로 실행해보면 구조가 빠르게 잡힌다. uv 패키지 매니저로 환경을 세팅하고 노드 하나씩 실행하다 보면 데이터가 노드 사이를 오가는 원리가 보인다. 질문을 다시 쓰거나 우선순위를 조정하는 고도화된 RAG 흐름도 단계별로 담겨 있어 실무 프로젝트에 바로 옮겨올 수 있다. 프롬프트 패턴을 모듈로 관리하기 데이터 분석 예제에서는 LLM이 구문을 생성하고 격리된 환경에서 실행한 뒤 시각화까지 이어지는 흐름을 보여준다. Deep Agents 하네스로 반복되는 프롬프트 패턴을 모듈로 분리하면 팀 단위 개발에서 컨벤션을 유지하기 편해진다. 미리 기록된 실행 결과도 포함돼 있어 대형 모델을 직접 돌리지 않아도 봇이 도구를 고르고 동작하는 기록을 살펴볼 수 있다. 내부 원리를 파악하는 데 시간을 아낄 수 있다. 핵심만 뽑으면 LangGraph State/Node 설계를 파이썬 코드로 단계별 실행하니 비결정적 흐름 제어 개념이 빠르게 잡힘 uv로 의존성을 관리하면 환경 세팅 시간이 줄어서 실습에 바로 진입 가능 Deep Agents 하네스로 프롬프트 패턴을 모듈화하면 팀 개발 컨벤션을 일관되게 유지할 수 있음 관련 글 4개의 오픈소스를 이 조합으로 결정하기까지 — 에이전트 오케스트레이션 기술 스택 선정 OpenAI 가이드로 살펴본 에이전트 설계의 실무적 해법 — 에이전트 설계의 예측 가능성과 제어 원문: https://www.linkedin.com/posts/baem1n_github-baem1nlangchain-langgraph-deepagents-notebooks-activity-7435985777458561024-TULI?utm_source=share&utm_medium=member_android&rcm=ACoAAAGPfasB-djMifTErXTP5V7RQzL6YbO5POo