---
tags: agent, langgraph, 감정반응, 벡터DB, GPT, 존재에이전트, 함수형프로그래밍
date: 2025-06-17
---

## 요약

LangGraph 기반 상태 머신을 사용하여 감정 인식, 기억 저장, 윤리 판단, GPT 반응 생성을 통합한 존재형 에이전트를 설계한다. **모든 핵심 로직은 함수형 프로그래밍 원칙(순수 함수, 불변성, 고차 함수 조합)을 따르도록 구현**한다. 감정 상태는 입력 이벤트에 따라 갱신되며, 기억은 벡터화되어 저장되고 윤리 필터를 통과한 후 GPT가 반응을 생성한다. 전체 응답 과정은 투명하게 기록·로그화되어 에이전트의 지속성과 일관성을 유지한다.

### 세 문장 요약

1. 감정·기억·윤리·생성 로직을 **순수 함수**로 분리하여 테스트 가능성을 높였다.  
2. LangGraph 노드는 이러한 순수 함수들을 **고차 함수**로 조합해 상태 머신을 구성한다.  
3. 모든 상태는 **불변 데이터 구조**를 사용해 예측 가능성과 동시성 안전성을 확보한다.

---

## 1. 전체 아키텍처 구성

```mermaid
graph TD
  A[사용자 입력] --> B(EmotionNode)
  B --> C(MemoryNode)
  C --> D(EthicsNode)
  D --> E(GenerateResponse)
  E --> F(LoggerNode)
```

---

## 2. LangGraph 워크플로우 노드 설계

| 노드 이름         | 기능 설명                    | 함수형 특징          |
|------------------|-----------------------------|----------------------|
| EmotionNode      | 감정 상태 갱신               | 순수 함수            |
| MemoryNode       | 입력 기억 벡터화 및 저장      | 순수 함수 + 불변성   |
| EthicsNode       | 민감 응답 사전 필터링         | 순수 함수            |
| GenerateResponse | GPT를 통한 반응 생성         | 고차 함수(프롬프트 합성)|
| LoggerNode       | 전체 상태 및 로그 기록       | 불변 상태 사본 기록   |

---

## 3. 순수 함수 예시 (Python)

```python
from copy import deepcopy

def emotion_engine(emotion, event):
    delta = {'joy': 0, 'stress': 0}
    if '칭찬' in event['text']:
        delta['joy'] += 10
    if '긴급' in event['text']:
        delta['stress'] += 15
    # 순수 함수: 입력 외부 상태 변경 없음
    return {
        'joy': emotion['joy'] + delta['joy'],
        'stress': emotion['stress'] + delta['stress']
    }

def memory_engine(memory, event):
    new_entry = {
        'timestamp': event['timestamp'],
        'content': event['text']
    }
    # 불변성: 기존 리스트 복사 후 새 요소 추가
    return memory + [new_entry]
```

---

## 4. 고차 함수 조합 예시

```python
def update_state(pure_funcs):
    """
    고차 함수: (emotion_fn, memory_fn, ethics_fn) 튜플을 받아
    새로운 상태 계산 함수를 반환한다.
    """
    emotion_fn, memory_fn, ethics_fn = pure_funcs

    def _update(current_state, event):
        new_state = deepcopy(current_state)
        new_state['emotion'] = emotion_fn(current_state['emotion'], event)
        new_state['memory']  = memory_fn(current_state['memory'], event)
        new_state['ethics']  = ethics_fn(current_state['ethics'], event)
        return new_state

    return _update
```

---

## 5. 불변 데이터 구조 채택 이유

1. **예측 가능성**: 동일 입력 → 동일 출력 보장  
2. **디버깅 용이**: 상태 스냅샷 비교만으로 오류 원인 추적  
3. **동시성 안전성**: 공유 상태 경쟁 조건 제거  

---

## 6. GPT 감정 반응 생성 예시

```python
def generate_response(state, gpt_call):
    prompt = f'''
감정 상태: {state['emotion']}
사용자 발화: {state['input_text']}

공감과 격려를 담은 한 문장 반응을 생성해 주세요.
'''
    return gpt_call(prompt)
```

---

## 7. 향후 확장 방향

- **함수 합성 파이프라인**: LangGraph 노드를 직접 함수 합성으로 자동 생성  
- **Currying**: 이벤트별 부분 적용으로 모듈화 수준 상승  
- **모나드 패턴**: 오류 전파와 로그 수집을 함수형 모나드로 처리  

```