LangGraph Send

Send는 실행할 노드 수가 런타임에 결정되는 LangGraph fan-out 문법이다. 정적으로 edge를 여러 개 선언하는 방식과 달리, 목록의 각 항목에 대해 독립 state를 만들어 worker 노드로 보낼 수 있다.

Map-Reduce 구조

Mermaid스크롤로 확대 · 드래그로 이동

Python
import operator
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.types import Send

class State(TypedDict):
    subjects: list[str]
    results: Annotated[list[str], operator.add]

class WorkerState(TypedDict):
    subject: str
    results: Annotated[list[str], operator.add]

def fan_out(state: State):
    return [
        Send("research_one", {"subject": subject})
        for subject in state["subjects"]
    ]

def research_one(state: WorkerState):
    return {"results": [f"조사 결과: {state['subject']}"]}

fan_out은 conditional edge에서 반환한다. worker는 전체 공유 state가 아니라 자신에게 필요한 최소 입력을 받도록 설계하는 편이 안전하다.

reducer가 필수인 이유

여러 worker가 같은 results 키를 동시에 업데이트하면 기본 동작인 덮어쓰기로는 마지막 결과만 남을 수 있다. 따라서 병합 대상에는 명시적 reducer가 필요하다.

결과 유형	흔한 reducer	주의점
독립 결과 목록	`operator.add`	중복 제거와 최종 정렬은 별도 단계에서 한다.
키별 집계	순수한 merge 함수	같은 키 충돌의 우선순위를 정한다.
점수	합계 또는 최댓값	합계가 중복 이벤트를 과대평가하지 않는지 확인한다.
메시지	`add_messages`	tool call과 tool result의 대응을 보존한다.

reducer는 입력을 직접 변경하지 않는 순수 함수로 만들고, 실행 순서가 달라도 의미가 변하지 않게 설계해야 한다. 병렬 결과의 도착 순서는 안정적인 정렬 기준이 아니다.

언제 쓰나

문서를 여러 부분으로 나눠 독립적으로 요약·평가할 때
여러 검색 채널이나 하위 질의를 동시에 수행할 때
후보별 점수 산정 후 하나의 ranking으로 합칠 때

공유 파일, DB 레코드, 캔버스처럼 동일 자원을 변경하는 작업에는 Send fan-out이 맞지 않는다. 이런 작업은 Concurrent Tool Execution의 직렬화 또는 트랜잭션 경계를 사용한다.

공식 문서

LangGraph Graph API: Send를 이용한 Map-Reduce

LangGraph Send

LangGraph Send

Map-Reduce 구조

reducer가 필수인 이유

언제 쓰나

관련

공식 문서

Synapse Map Insight