Conversational Memory,Conversation Retrieval Chain, Checkpointers : 구독자님 질문에 답하다가 그만 여기까지 나갔네요.

오늘 비디오는 구독자님이 Streamlit ,LangChain 그리고 LangGraph 에서 Chatbot 기능을 지원하기 위한 Memory 기능의 차이점을 문의 하셔서 거기에 대한 답변을 드리기 위해 만들었습니다.

답변을 준비하다 보니까 그냥 댓글로 몇마디 할 만한 사항이 아니더라구요.

AI 가 처음 나왔을 때 LangChain 에서는 Input Context 의 Length limit 에 대한 고민을 많이 했었던 것 같습니다.

그래서 대화 히스토리 관리하는데 있어서 input context를 줄이는 방법에 집중을 했었습니다. (Conversational Memory)

하지만 이 기능은 AI Model 들이 input context의 크기를 대폭 늘리면서 더 이상 필요성이 대두 되지는 않은 것 같습니다.

곧이어 나온 RAG 기능을 제대로 지원할 수 있는 대화 history 관리 툴을 LangChain에서는 제공 했습니다. (Conversation Retrieval Chain)

그런데 AI 세계는 멈추지 않았습니다.

좀 더 복잡한 문제를 해결하는 AI 서비스를 제공하기 위해 AI Agent 개념이 나왔습니다. (CheckPointer)

이것을 설명하기 위해서 AI , RAG , AI Agent 이런 AI App 개발의 트렌드 변화까지 다 말하게 됐네요.

이번 기회에 한번 더 이 트랜드 변화를 정리해 보네요.

 

 

https://youtu.be/2uNLjZRV6iQ?si=W7pBMVOuwB4o9F9_

 

Catchup AI Portfolio · Streamlit

Catchup AI Portfolio

 

Catchup LangChain Tutorial · Streamlit

Catchup LangChain Tutorial

 

Catchup LangGraph Tutorial · Streamlit

Catchup LangGraph Tutorial