Transpoter

논문 검색 및 추천을 위한 AI 에이전트 시스템

보고서 파일 : 생성형 AI 응용 Final Project 보고서.docx

📁 프로젝트 구조

transpoter/
│
├── graph/                     # LangGraph 기반 에이전트 구조
│   ├── graph.py               # 메인 그래프 정의 및 노드 연결
│   ├── state.py               # AgentState 정의 (메시지 관리, 상태 추적)
│   ├── nodes.py               # 핵심 노드 (agent_node, tools_node)
│   ├── runner.py              # 그래프 실행 및 스트리밍 처리
│   └── subgraphs/             # 기능별 서브 그래프
│       ├── paper_search.py    # 논문 검색 (RAG → API → Google)
│       ├── paper_analysis.py  # 논문 분석 (RAG → API → 사용자 확인)
│       └── recommendation.py  # 논문 추천 (관심사 기반)
│
├── tools/                     # Tool 정의 및 관리
│   ├── tool_definitions.py    # OpenAI Function Calling 형식 Tool 정의
│   ├── tool_registry.py       # Tool 등록 및 실행 관리
│   ├── chroma_client.py       # ChromaDB 벡터 검색 클라이언트
│   └── reranker.py            # Cohere Reranker API 통합
│
├── prompts/                   # 프롬프트 템플릿
│   ├── system_prompt.py       # 에이전트 시스템 프롬프트
│   └── memory_extractor_prompt.py  # 메모리 추출 프롬프트
│
├── memory/                    # 메모리 시스템
│   └── reflection.py          # 대화 기록 기반 메모리 추출
│
├── data/                      # PDF 논문 파일 저장소 (인덱싱 대상)
├── chroma_db/                 # ChromaDB 벡터 DB 저장 경로
├── images/                    # 프로젝트 이미지 자료
│
├── ui.py                      # Gradio 기반 웹 UI + FastAPI 서버
├── ingest.py                  # PDF 임베딩 및 ChromaDB 인덱싱 스크립트
├── main.py                    # 테스트용 CLI 실행 파일
│
├── requirements.txt           # 패키지 의존성
└── README.md                  # 프로젝트 문서

🔧 주요 파일 설명

핵심 구조 (graph/)

• graph.py: LangGraph 기반 에이전트 워크플로우 구성
• state.py: 에이전트 상태 관리 (최근 50개 메시지 유지)
• nodes.py: OpenAI API 호출 및 Tool 실행 노드
• runner.py: 그래프 실행 및 스트리밍 출력 처리

Tool 시스템 (tools/)

• tool_definitions.py: 논문 검색/분석/추천 Tool 정의
• tool_registry.py: Tool 등록 및 동적 호출 관리
• chroma_client.py: 벡터 검색 (RAG)
• reranker.py: Cohere Reranker로 검색 정확도 향상

UI 및 실행 파일

• ui.py: Gradio 웹 인터페이스 (채팅 + 로그 표시)
• ingest.py: PDF 파일을 ChromaDB에 인덱싱 (벡터 저장)
• main.py: CLI 테스트용 (실제 사용하지 않음)

📦 설치 및 실행

1. 환경 설정

pip install -r requirements.txt

2. PDF 인덱싱

python ingest.py

data/ 폴더의 PDF 논문들을 ChromaDB에 저장합니다.

3. 웹 UI 실행

python ui.py

브라우저에서 http://127.0.0.1:8000 접속

🧠 시스템 아키텍처

전체 시스템 구조

사용자의 쿼리는 LLM(GPT API)을 통해 처리되며, LangGraph가 논문 검색, 분석, 추천의 세 가지 주요 워크플로우를 관리합니다. 각 워크플로우는 다음 Tool들을 활용합니다:

• Read/Write Memory: 대화 기록 저장 및 관리
• Google Search: 웹 기반 논문 검색
• Semantic Scholar: 학술 논문 API 검색
• RAG Search: Vector DB(ChromaDB)를 통한 로컬 논문 검색

개발자가 업로드한 Documents는 Encoder를 통해 임베딩되어 Vector DB에 저장됩니다.

LangGraph 워크플로우

1. 논문 검색 흐름 (Paper Search)

ps_setup → ps_rag → ps_api → ps_google → ps_finish

• ps_rag: RAG에서 검색, 찾으면 즉시 ps_finish로 이동
• ps_api: RAG에서 못 찾으면 Semantic Scholar API 검색, 찾으면 ps_finish
• ps_google: API에서도 못 찾으면 Google Custom Search 실행 후 ps_finish

2. 논문 분석 흐름 (Paper Analysis)

pa_setup → pa_rag → pa_api → pa_ask_user → pa_finish

• pa_rag: RAG에서 검색, 찾으면 즉시 pa_finish
• pa_api: RAG에서 못 찾으면 Semantic Scholar API 검색, 찾으면 pa_finish
• pa_ask_user: API에서도 못 찾으면 사용자 확인 요청 (Interrupt - Human-in-the-loop)

3. 논문 추천 흐름 (Recommendation)

rec_setup → rec_interests → rec_recommend → rec_finish

• rec_interests: 사용자 관심사 분석
• rec_recommend: ChromaDB 기반 유사 논문 추천

🛠️ 기술 스택

• LangGraph: 에이전트 워크플로우 구성
• OpenAI GPT-4o-mini: LLM 모델
• ChromaDB: 벡터 DB (RAG)
• Cohere Reranker: 검색 정확도 향상
• Gradio + FastAPI: 웹 UI
• Semantic Scholar API: 논문 검색
• Google Custom Search: 웹 검색