에이전트를 그리면 실행되는 LangGraph 코드가 됩니다

AgentLab은 AI 에이전트를 설계하는 작업 공간입니다. 노드를 잇는 동안 코드가 만들어지고, 구조 오류는 실행하기 전에 드러납니다. 큰 시스템은 서브 에이전트로 나눠 만들고, 잘 만든 에이전트는 프리셋으로 다시 씁니다.

로그인 없이 그려 볼 수 있습니다. 저장과 코드 실행은 Google 로그인 후 사용합니다.

여행 플래너 에이전트 저장됨구조 정상
tool_calls없음STARTagentChatModel + bind_toolstoolsToolNodeEND
graph.py
1builder = StateGraph(State)
2builder.add_node("agent", call_model)
3builder.add_node("tools", ToolNode(tools))
4builder.add_edge(START, "agent")
5builder.add_conditional_edges("agent", tools_condition)
6builder.add_edge("tools", "agent")
7graph = builder.compile(checkpointer=memory)
$ python main.py
agent → tools → agent → 완료 (2.1s)

그림에서 실행까지 한 화면에서

  1. 1단계

    그립니다

    Supervisor, 조건 분기, Send, interrupt, Sub-agent 같은 요소를 끌어다 선으로 잇습니다. 패턴이나 내 프리셋에서 시작해도 됩니다.

  2. 2단계

    실행 전에 확인합니다

    닿지 않는 노드, 출구 없는 루프, 체크포인터 없는 interrupt를 그리는 동안 빨갛게 표시합니다. 서브 에이전트 안쪽까지 검사합니다.

  3. 3단계

    코드를 받아 실행합니다

    그래프가 바뀔 때마다 LangGraph 프로젝트가 다시 생성됩니다. 브라우저에서 바로 실행하고, 구조 테스트까지 든 ZIP으로 내려받습니다.

  4. 4단계

    저장하고 재사용합니다

    프로젝트는 계정에 자동 저장되고 링크로 공유합니다. 잘 만든 에이전트는 프리셋으로 저장해 다른 그래프에 그대로 넣습니다.

Sub-agent · 프리셋 · 마켓

큰 에이전트는 나눠서 만들고, 만든 것은 다시 씁니다

팀 단위 멀티 에이전트도 한 화면에서 다룹니다. 생성 코드에서는 서브 에이전트마다 패키지가 따로 생겨, 단독으로 테스트하고 LangGraph Server에서도 별도 그래프로 열립니다.

열어서 고칩니다
Sub-agent 노드를 더블클릭하면 안쪽 그래프가 열립니다. 몇 단계든 중첩되고, 위쪽 경로를 눌러 바깥으로 돌아옵니다.
묶고 풉니다
노드 몇 개를 골라 Sub-agent 하나로 묶거나, 반대로 풀어서 바깥 그래프에 펼칩니다.
주고받는 방식을 고릅니다
최종 답변만 돌려받는 격리 모드와 상태를 그대로 나누는 공유 모드, 호출마다 새로 시작할지 이전 대화를 기억할지 정합니다.
마켓에서 주고받습니다
만든 에이전트를 프리셋으로 저장해 링크로 공유하거나 공개 갤러리에 올립니다. 다른 사람이 만든 에이전트를 골라 내 그래프에 붙이고, 원본이 바뀌면 알려 줍니다.
에이전트 마켓 둘러보기
agent더블클릭해 열기
STARTsupervisorCommand(goto=…)research_team노드 3writing_team노드 2END
agent › research_team격리 모드
tool_callsSTARTresearcheropenai:gpt-5research_toolsweb_search · lookup_stockEND
내 에이전트 프리셋끌어다 놓으면 Sub-agent 로 들어갑니다
웹 리서처노드 3 · web_search · 계정
보고서 작성팀노드 2 · 자기 검토 · 계정
환불 승인 플로노드 3 · 사람 승인 · 팀원 공유

매일 쓰는 도구로

설계에서 끝나지 않고, 생성된 코드를 그대로 저장소에 넣어 운영할 수 있게 만들었습니다.

노드별 모델

라우터는 작은 모델, 작성자는 큰 모델. 배포할 때 환경 변수로 바꿉니다.

커스텀 도구

@tool 함수를 직접 쓰고 서브 에이전트와 프리셋에서 함께 씁니다.

복사 · 붙여넣기

⌘C, ⌘V, ⌘D로 노드를 옮깁니다. 서브그래프와 프로젝트를 넘나듭니다.

⌘K 노드 검색

중첩된 서브 에이전트 안까지 이름, 프롬프트, 도구로 찾아 바로 이동합니다.

agentlab.json

그래프 원본을 저장소에 커밋해 리뷰하고, 다시 가져와 이어서 고칩니다.

구조 테스트

생성 프로젝트에 LLM 호출 없는 pytest가 들어 있어 CI에 바로 넣습니다.

남이 만든 코드와 내 키를 안전하게

공유 링크, 공용 캐시, 브라우저 실행이 모두 있는 서비스라서 처음부터 그 경로를 막았습니다.

  • 샌드박스는 OpenAI에만 연결됩니다

    실행 코드는 허용된 주소 밖으로 나갈 수 없고, 외부 프로그램을 띄울 수 없습니다. 키 없이 실행하면 네트워크가 완전히 막힙니다.

  • 고도화 코드는 검사를 통과해야 공유됩니다

    LLM이 다듬은 코드는 네트워크, 파일, 비밀 환경 변수 접근을 찾아내는 검사를 통과해야 캐시에 남고, 자동으로 적용되지 않습니다.

  • API Key는 이 탭에만 둡니다

    탭을 닫으면 지워집니다. 계속 기억할지는 설정에서 직접 고릅니다. 서버는 키를 저장하지 않습니다.

  • 남이 쓴 코드는 실행 전에 묻습니다

    공유받은 프로젝트에 직접 작성된 코드가 있으면, 내 키로 실행하기 전에 무엇이 들어 있는지 보여 주고 확인을 받습니다.

처음이라면 강의로

강의 43개가 기초부터 프로덕션까지 이어집니다. 모든 강의 옆에 실행되는 IDE가 있고, 막히면 한국어 API 레퍼런스 57편을 찾아봅니다.

강의 4개
AI Agent의 세계

AI Agent가 무엇이고 왜 지금 중요한지, LLM이 어떻게 동작하는지, 에이전트에는 어떤 형태가 있는지 익히고 LangChain으로 첫 LLM 호출을 해 봅니다.

강의 5개
LangChain v1 핵심

에이전트를 이루는 다섯 가지 부품을 익힙니다. 메시지와 표준 콘텐츠 블록, 프롬프트와 Runnable(LCEL), 구조화 출력, 도구 호출, 스트리밍까지 LangChain v1의 기본 인터페이스를 현업 수준으로 다룹니다.

강의 4개
create_agent로 에이전트 만들기

ReAct 루프를 직접 구현해 원리를 익힌 뒤, LangChain v1의 create_agent와 미들웨어, 메모리·컨텍스트 엔지니어링으로 현업 수준의 에이전트를 만듭니다.

강의 7개
LangGraph 핵심

상태(State)·노드·엣지로 에이전트의 제어 흐름을 직접 설계합니다. 리듀서, 조건부 라우팅, Command/Send, 직접 만드는 ReAct 에이전트, 서브그래프, Functional API까지 LangGraph v1의 뼈대를 익힙니다.

강의 5개
영속성 · Human-in-the-loop · 장기 메모리

체크포인터로 에이전트의 상태를 저장하고, 과거로 되돌아가 디버깅하고, 사람의 승인을 받아 실행하며, 대화를 넘어서는 장기 메모리와 장애에 강한 durable execution까지 — 데모를 프로덕션 에이전트로 바꾸는 핵심 기술을 배웁니다.

강의 5개
RAG와 벡터 DB

임베딩과 유사도 계산부터 청킹, 벡터 DB, 하이브리드 검색·리랭킹, Agentic RAG, Corrective/Self/Adaptive RAG와 RAG 평가까지. 에이전트가 '내 데이터'를 근거로 답하게 만드는 검색 증강 생성을 현업 수준으로 익힙니다.

강의 6개
멀티 에이전트 시스템

여러 에이전트가 역할을 나눠 협업하는 구조를 설계합니다. Supervisor, 핸드오프와 스웜, Plan-and-Execute, Reflection과 Evaluator-Optimizer, Deep Agents까지 현업 패턴을 직접 구현하고 라이브러리와 비교합니다.

강의 7개
프로덕션 AI Agent 엔지니어링

스트리밍, 관측성과 평가, 가드레일과 보안, MCP, 배포, 비용·성능 최적화까지 — 데모를 서비스로 바꾸는 전문가 과정. 마지막에는 고객지원 멀티 에이전트 캡스톤을 완성합니다.

AgentLab. 코드는 네트워크가 제한된 샌드박스에서 실행되고, OpenAI API Key는 브라우저에만 보관되며 서버에 저장되지 않습니다.