LLM 기반 통합 검색 에이전트: LangGraph와 Gemini를 활용한 지능형 정보 검색 아키텍처

핵심 기술

LLM 기반의 인텐트 분류를 통해 Google 검색, 웹 스크래핑 또는 여러 데이터 소스 결합 등 최적의 검색 전략을 지능적으로 결정하는 통합 검색 에이전트(Unified Search Agent) 아키텍처를 소개합니다. LangGraph를 활용한 그래프 기반 워크플로우와 Gemini 2.0 Flash를 이용한 구조화된 인텐트 분류가 핵심입니다.

기술적 세부사항

• LLM 기반 인텐트 분류: Gemini 2.0 Flash를 사용하여 사용자의 쿼리를 general_search, product_search, web_scraping, comparison 네 가지 카테고리로 분류합니다. Pydantic 모델을 통해 신뢰도와 함께 구조화된 출력을 보장합니다.
• 유연한 검색 라우팅:
  • URLs 감지 시: 웹 스크래핑으로 직접 이동
  • 일반 검색: Google 검색만 사용
  • 상품 검색: Google 검색 후 웹 스크래핑 병행
  • 웹 스크래핑: 웹 스크래핑만 사용
  • 비교 검색: Google 검색과 웹 스크래핑을 병렬로 실행
• LangGraph 기반 워크플로우: START → Intent Classifier → [Google Search | Web Scraping | Both] → Final Processing → END 구조의 그래프 기반 워크플로우로 에이전트를 오케스트레이션합니다.
• 데이터 소스 통합: Bright Data MCP를 통해 Google 검색 및 웹 스크래핑을 수행하며, 필요시 여러 소스의 결과를 결합합니다.
• 결과 처리 및 랭킹:
  • 각 결과에 대해 관련성 점수(Relevance Score)와 품질 점수(Quality Score)를 계산합니다.
  • 최종 점수 = (관련성 * 0.7) + (품질 * 0.3)으로 산출하여 최적의 결과를 제공합니다.
• MCP(Model Context Protocol) 서버화: FastMCP를 사용하여 에이전트를 MCP 서버로 래핑하여 Claude Desktop 등 다른 AI 애플리케이션과의 쉬운 통합을 지원합니다.
• LangGraph Studio 통합: 시각적 디버깅, 실시간 워크플로우 모니터링, 상태 편집 등 개발 생산성을 크게 향상시킵니다.
• 확장성: 새로운 노드 추가 (예: 학술 검색), 커스텀 스코어링 모델, 벡터 DB 통합, 실시간 데이터 스트림 연동 등을 통해 쉽게 확장 가능합니다.

개발 임팩트

• 사용자 의도에 따라 동적으로 검색 전략을 변경하여 정보 검색의 효율성과 정확성을 극대화합니다.
• 복잡한 정보 수집 과정을 자동화하여 개발자의 시간과 노력을 절감합니다.
• 모듈식 설계와 구조화된 출력은 시스템의 유지보수성과 확장성을 높입니다.
• MCP 통합을 통해 다양한 AI 환경과의 연동이 용이해져 응용 범위가 넓어집니다.

커뮤니티 반응

GitHub 저장소를 통해 코드를 클론하고 로컬에서 실행하며 LangGraph Studio를 통해 개발 과정을 시각적으로 확인하고 디버깅하는 경험이 개발 생산성을 크게 향상시킨다는 점을 강조하고 있습니다.