금융 시장 분석을 위한 AI 에이전트 시스템으로, LangGraph를 활용한 멀티 에이전트 아키텍처를 구현합니다.
+------------------+ +------------------+ +------------------+
| | | | | |
| Client Request +---->+ FastAPI Server +---->+ SupervisorNode |
| | | | | |
+------------------+ +------------------+ +--------+---------+
|
|
v
+---------------------------+-----+-----+---------------------------+
| | | |
v v v v
+----------+-----------+ +----------+----+ +-+------------+ +---------+-----------+
| | | | | | | |
| NaverNewsSearcherNode| | Future Node 1 | | Future Node 2| | ReportAssistantNode |
| | | | | | | |
+----------------------+ +---------------+ +--------------+ +---------------------+
LangGraph Multi-Agent Architecture 의존성 관리를 위해 가능하면 uv를 사용하기를 권장합니다.
using uv(recommended)
- how to install
uv
pip install uv
# or
curl -LsSf https://astral.sh/uv/install.sh | sh- run market-analysis
git clone https://github.com/FinAgent-Lab/market-analysis-team
cd market-analysis-team
uv sync
uv run main.pyusing pip
git clone https://github.com/FinAgent-Lab/market-analysis-team
cd market-analysis-team
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python main.py코드를 일관성 있게 유지하기 위해 ruff 도구를 사용합니다. 이 도구는 많은 오픈소스 프로젝트에서 표준에 가깝게 사용되고 있습니다.
이 도구를 사용하기 위해서는 pip를 이용해서 설치해도 되고 uv 도구를 사용해도 됩니다.
여기서는 uv 도구인 uvx를 사용하는 방법을 설명합니다.
$ uvx ruff check --fix
$ uvx ruff format에이전트 개발하며 에이전트의 동작성을 수월하게 확인하고자 하였습니다. 이를 위해 본 프로젝트는 UI 또는 API를 활용합니다.
구현체는 추상 클래스 Node를 실체화하여 작성합니다.
추상 클래스 Node의 주요 함수는 __call__, _run, _invoke, invoke이며, 개발 시에는 _run 함수와 _invoke 함수(선택사항)를 작성합니다.
_run 함수는 SupervisorNode와 연결을 위한 함수입니다.
_invoke 함수는 API 서버를 통해 별도의 인터페이스를 갖고 싶다면 구현합니다.
클래스 관계도는 다음과 같습니다.
src/graph/nodes/경로에 에이전트 코드를 작성합니다.- 코드는 다음과 같이 작성합니다.
class NaverNewsSearcherNode(Node):
def __init__(self):
super().__init__()
# 에이전트에게 역할을 부여하기 위한 프롬프트입니다.
# 경우에 따라서는 필요없을 수 있습니다.
self.system_prompt = (
"You are a news search agent for korean news using naver search api."
"Only use korean source and data to conduct news search."
"Do nothing else"
)
self.agent = None
self.tools = [NaverNewsSearch(sort="date")]
# Supervisor 노드에서 호출했을 시의 로직을 구현하는 함수. 실제로는 base node의 run함수에서 이 함수를 호출합니다.
def _run(self, state: dict) -> dict:
# region [에이전트 동작 로직 구현]
# -----------------------------------------------------------------------
if self.agent is None:
assert state["llm"] is not None, "The State model should include llm"
llm = state["llm"]
self.agent = create_react_agent(
llm,
self.tools,
prompt=self.system_prompt,
)
result = self.agent.invoke(state)
# ----------------------------------------------------------------------
# endregion [에이전트 동작 로직 구현 끝]
self.logger.info(f" result: \n{result['messages'][-1].content}")
# 이 부분은 동일할 것으로 예상합니다.
return Command(
update={
"messages": [
HumanMessage(
content=result["messages"][-1].content,
name="naver_news_searcher",
)
]
},
goto="supervisor",
)
# _run 함수와 유사하나, api를 통해 동작을 확인하기 위한 함수. supervisor와는 상관 없습니다.
# 이 부분은 base node의 invoke함수에서 호출합니다.
# api 서버에 노출하기 위해 별도의 함수로 분리하였으며, 엔드포인트 경로는 소문자 및 Node를 제거한 형태입니다.
# - 예시 : SampleNode 클래스로 코드를 작성 시, 엔드포인트는 /api/sample 입니다.
# OpenWebUI에 연동하기 원한다면 RawResponse 모델로 리턴할 수 있도록 작성합니다.
def _invoke(self, query: str) -> RawResponse:
agent = self.agent or create_react_agent(
ChatOpenAI(model=self.DEFAULT_LLM_MODEL),
self.tools,
prompt=self.system_prompt,
)
result = agent.invoke({"messages": [("human", query)]})
return RawResponse(answer=result["messages"][-1].content)main.py 파일에서 빌더를 이용하여 다음과 같이 노드를 추가할 수 있습니다:
graph_builder.add_node(NaverNewsSearcherNode())API 서버의 기본 포트는 8000번이며, 서버 호스트의 /docs경로를 통해 명세를 확인할 수 있습니다.
- 예:
http://localhost:8000/docs
OpenWebUI에 추가하기 위해서는 pipeline 코드 작성이 필요합니다.
예시 코드는 pipelines/agent_pipeline_example.py를 참고합니다.
pipeline 코드를 작성한 후, 메인 브랜치에 병합하면 배포 과정에 동적으로 통합이 이루어집니다.
...
class Pipeline:
class Valves(BaseModel):
pass
def __init__(self):
# self.name 에 모델 이름 설정
self.name = "Market Analysis - Naver News Searcher"
# self.agent_name은 api 서버의 해당 에이전트 엔드포인트 이름으로 작성
self.agent_name = "navernewssearcher"
...OpenWebUI에 접속해보면 다음과 같이 추가되어있음을 확인할 수 있습니다.
/
├── .env # 개인별 API Key등 환경변수 설정
├── .env.tamplate # 환경변수 템플릿
├── requirements.txt # 필수 라이브러리
├── pyproject.toml # 프로젝트 설정
├── main.py # 전체 워크플로우 정의 및 서비스 시작점
├── startup.py # 의존성 주입 컨테이너 설정
├── api/ # API 서버 관련 모듈
│ └── server.py # FastAPI 서버 구현
├── src/ # 소스 코드
│ ├── graph/ # LangGraph 관련 모듈
│ │ ├── builder.py # 그래프 빌더 클래스
│ │ └── nodes/ # 그래프 노드 모듈
│ │ ├── base.py # 기본 노드 클래스
│ │ ├── supervisor.py # 슈퍼바이저 노드
│ │ ├── naver_news_searcher.py # 네이버 뉴스 검색 노드
│ │ ├── ... # 기타 추가 노드
│ │ └── report_assistant.py # 보고서 작성 노드
│ ├── models/ # 데이터 모델
│ │ └── graph_state.py # 그래프 상태 모델
│ ├── tools/ # 도구 모듈
│ └── utils/ # 유틸리티 함수
│ └── logger.py # 로깅 설정
├── images/ # 도커 이미지 관련 파일
│ └── backend/
│ └── Dockerfile # 백엔드 도커 파일
└── tests/ # 테스트 코드This project is licensed under the MIT License.