LangChain 기반 추상화 계층 도입으로 RAG 파이프라인 구축 코드 30라인 단축

Context

순수 Python 기반 RAG 구현 시 PDF 파싱, Text Splitting, Vector DB API 등 각 컴포넌트의 파편화된 인터페이스로 인한 유지보수 비용 증대. LLM 제공자 변경 시마다 메시지 포맷과 토큰 계산 로직을 수정해야 하는 강결합 구조의 한계 존재.

Technical Solution

• LangChain의 Uniform Interface를 통한 컴포넌트 간 결합도 완화 및 교체 비용 최소화 설계
• LCEL(LangChain Expression Language)의 파이프 연산자(|)를 활용한 Query-Retrieve-Prompt-LLM 흐름의 선언적 구성
• RecursiveCharacterTextSplitter를 도입하여 단순 줄바꿈 기반 분할의 문맥 단절 문제 해결
• ChromaDB 기반의 Vector Store 구축으로 고차원 벡터 데이터의 지속성 확보 및 유사도 검색 최적화
• System Prompt 내 제약 조건 명시를 통해 컨텍스트 외 정보 생성(Hallucination)을 억제하는 가드레일 설정
• Multi-Query Retrieval 및 Reranking 전략을 통한 Top-K 설정의 Trade-off(정밀도 vs 재현율) 보완 구조 제시