LangChain 구성요소와 LCEL — 파이프 하나가 왜 그렇게 많은 것을 주는가

# (A) OpenAI 원본 SDK — 응답이 ChatCompletion 객체, OpenAI 전용 구조
from openai import OpenAI
client = OpenAI()
client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "2002년 월드컵 4강 국가 알려줘"}],
)

# (B) LangChain — 벤더에 무관한 공통 인터페이스. 응답은 AIMessage
from langchain_openai import ChatOpenAI
chat = ChatOpenAI(model_name="gpt-4o-mini")
chat.invoke("안녕~ 너를 소개해줄래?")
# -> AIMessage(content='...', response_metadata={'token_usage': {...}}, usage_metadata={...})

from langchain.prompts import PromptTemplate

# PromptTemplate: 단일 문자열 프롬프트. {중괄호}가 곧 입력 변수가 된다
prompt = PromptTemplate.from_template(
    """
    너는 요리사야. 내가 가진 재료들을 갖고 만들 수 있는 요리를 {개수}추천하고,
    그 요리의 레시피를 제시해줘. 내가 가진 재료는 아래와 같아.
    <재료>
    {재료}
    """
)
prompt.invoke({"개수": 6, "재료": "사과, 잼"})   # -> StringPromptValue

from langchain_core.prompts import ChatPromptTemplate

# ChatPromptTemplate: 역할(role)이 있는 메시지 리스트. 챗 모델의 네이티브 형식
chat_template = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful AI bot. Your name is {name}."),  # 역할·이름 부여
    ("human",  "Hello, how are you doing?"),   # 여기 human/ai 쌍이
    ("ai",     "I'm doing well, thanks!"),     # 곧 '대화 히스토리 수동 주입'이다
    ("human",  "{user_input}"),                # 실제 사용자 입력
])
chat_template.format_messages(name="Bob", user_input="What is your name?")
# -> [SystemMessage(...), HumanMessage(...), AIMessage(...), HumanMessage(...)]

from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import PromptTemplate

output_parser = CommaSeparatedListOutputParser()

# 파서가 스스로 '이렇게 답하라'는 지시문을 만들어 준다
format_instructions = output_parser.get_format_instructions()
# -> 'Your response should be a list of comma separated values, eg: `foo, bar, baz`'

# partial_variables로 그 지시문을 프롬프트에 미리 고정 주입
prompt = PromptTemplate(
    template="List {subject}. answer in Korean \n{format_instructions}",
    input_variables=["subject"],
    partial_variables={"format_instructions": format_instructions},
)

chain = prompt | model | output_parser
chain.invoke({"subject": "공포 영화"})
# -> ['겟 아웃', '더 링', '콘저링', '할로윈', ...]   문자열이 아니라 파이썬 list

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field

# 원하는 스키마를 Pydantic으로 선언
class Country(BaseModel):
    continent: str = Field(description="사용자가 물어본 나라가 속한 대륙")
    population: str = Field(description="사용자가 물어본 나라의 인구(int 형식)")

parser = JsonOutputParser(pydantic_object=Country)   # Field description이 지시문에 그대로 들어간다

prompt = PromptTemplate(
    template="Answer the user query.\n{format_instructions}\n{query}\n",
    input_variables=["query"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)

chain = prompt | model | parser
chain.invoke({"query": "아르헨티나는 어떤 나라야?"})
# -> {'continent': '남아메리카', 'population': '약 45,376,763'}

# 구식(레거시) — 클래스 생성자에 인자로 밀어넣는 방식
chain = LLMChain(prompt=prompt, llm=model, output_parser=output_parser)
result = chain.run(topic="Artificial Intelligence")

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("tell me a short joke about {topic}")
model  = ChatOpenAI(model="gpt-4o-mini")

# 프롬프트 -> 모델 -> 파서를 '|' 로 잇는다. 왼쪽의 출력이 오른쪽의 입력이 된다
chain = prompt | model | StrOutputParser()

chain.invoke({"topic": "ice cream"})
# -> 'Why did the ice cream truck break down? Because it had a rocky road!'

# 스트리밍은 체인을 바꾸지 않는다. 호출 함수만 stream()으로 바꾸면 된다
chain = prompt | model
for s in chain.stream({"topic": "bears"}):
    print(s.content, end="", flush=True)

from langchain_core.runnables import RunnablePassthrough

RunnablePassthrough().invoke("안녕하세요")     # -> '안녕하세요'

# 용도 1: 프롬프트 변수 이름에 입력을 매핑
runnable_chain = {"sentence": RunnablePassthrough()} | prompt | model | output_parser
runnable_chain.invoke({"sentence": "그녀는 매일 아침 책을 읽습니다."})
# -> 'Elle lit un livre chaque matin.'

# 용도 2: assign — 기존 딕셔너리를 유지한 채 필드를 '추가'
RunnablePassthrough.assign(mult=lambda x: x["num"] * 3).invoke({"num": 3})
# -> {'num': 3, 'mult': 9}     원본 num이 살아 있다는 게 포인트

from langchain_core.runnables import RunnableLambda

def add_thank(x):
    return x + " 들어주셔서 감사합니다 :)"

add_thank = RunnableLambda(add_thank)   # 평범한 함수를 Runnable로 승격

chain = prompt | model | output_parser | add_thank
chain.invoke("반도체")
# -> '반도체의 역사는 ... 지속적으로 발전하고 있습니다. 들어주셔서 감사합니다 :)'

from langchain_core.runnables import RunnableParallel

history_chain = ChatPromptTemplate.from_template("{topic}가 무엇의 약자인지 알려주세요.") | model | output_parser
celeb_chain   = ChatPromptTemplate.from_template("{topic} 분야의 유명인사 3명의 이름만 알려주세요.") | model | output_parser

# 두 체인이 같은 입력을 받아 병렬로 실행되고, 결과가 키별로 묶여 나온다
map_chain = RunnableParallel(history=history_chain, celeb=celeb_chain)
map_chain.invoke({"topic": "AI"})
# -> {'history': 'AI는 "Artificial Intelligence"의 약자로 ...',
#     'celeb':   '1. 앨런 튜링\n2. 제프리 힌튼\n3. 얀 르쿤'}