인프런 커뮤니티 질문&답변

@tool
def retriever_tool(query: str) -> str:
    """사용자의 질문에 기반하여 벡터 스토어에서 회사 HR 문서를 검색합니다.
    
    이 도구는 RAG(Retrieval Augmented Generation) 방식을 사용하여:
    가장 적합한 문서를 찾아냅니다.

    Args:
        query (str): 사용자의 질문 (미리 정의된 질문이 사용됨)
        
    Returns:
        str: 문서 내용
    """
    _response = _retriever.invoke(query)
    return _response

_research_tools = [retriever_tool]
_research_agent = create_react_agent(
    llm, tools=_research_tools, state_modifier='당신은 HR 담당자 입니다. 의견이 아닌 사실만 제공하세요'
)

def _db_research_node(state: MainState) -> Command[Literal["supervisor_node"]]:
    """
    HR 조사 node입니다. 주어진 State를 기반으로 HR 조사 에이전트를 호출하고,
    결과를 supervisor node로 전달합니다.

    Args:
        state (MainState): 현재 메시지 상태를 나타내는 객체입니다.

    Returns:
        Command: supervisor node로 이동하기 위한 명령을 반환합니다.
    """
    result = _research_agent.invoke({"messages" : state["messages"]})
    print(f" db result : {result}")
    return Command(
        update={'messages': [HumanMessage(content=result['messages'][-1].content, name='db_research')]},
        goto='supervisor_node'
    )

이런 간단한 create_react_agent를 이용한 agent를 pip 버전이 약간다른 서로다른 pc에서 실행을 하였습니다. 첫 번째 피시에서는 LLM이 대답을 정말잘하지만 두 번째 피시에서는 전혀 엉뚱한 답변을 하며 정답률이 0%에 가깝게 나옵니다.

from langgraph.prebuilt import create_react_agent

이런 패키지 버전에 따라서 LLM의 추론 생각 능력 차이가 있나요?
LLM과 vectordb, embedding 모델, 소스는 동일합니다. 피시 사양도 똑같고 langraph 패키지 버전차이만 존재합니다.