AI Agent의 세계
입문 40분#agent-patterns#workflow#react#plan-and-execute

에이전트의 다양한 형태: 패턴과 업계 지형

Augmented LLM부터 5가지 워크플로 패턴, ReAct·Plan-and-Execute·Reflexion·ReWOO·LATS 같은 에이전트 아키텍처, 도메인별 에이전트와 Deep Agents, 2026년 프레임워크 지형까지 한 장의 지도로 정리합니다.

학습 목표
  • •Augmented LLM과 5가지 워크플로 패턴(Prompt chaining, Routing, Parallelization, Orchestrator-workers, Evaluator-optimizer)을 구분하고 언제 쓰는지 안다
  • •ReAct, Plan-and-Execute, Reflexion, ReWOO, LATS의 핵심 아이디어와 트레이드오프를 설명할 수 있다
  • •코딩·리서치·브라우저·음성 에이전트와 Deep Agents의 공통 구조를 이해한다
  • •주요 에이전트 프레임워크의 성격을 비교하고 이 과정이 LangGraph를 쓰는 이유를 말할 수 있다

에이전트의 다양한 형태: 패턴과 업계 지형

왜 지도가 필요할까?

"에이전트"라는 단어는 너무 넓게 쓰입니다. 어떤 팀은 LLM 세 번 연달아 부르는 파이프라인을 에이전트라 부르고, 어떤 팀은 몇 시간 동안 스스로 코드를 고치는 시스템을 에이전트라 부릅니다. 이름이 같으니 회의에서 대화가 엇갈리고, 설계를 잘못 고르면 "간단한 분류 문제에 자율 에이전트를 붙여 비용 10배, 정확도는 더 낮은" 결과가 나옵니다.

이 강의는 패턴의 지도를 줍니다. 앞으로 배울 모든 기법은 이 지도의 어느 한 칸에 속합니다. 지도를 먼저 머릿속에 넣어 두면, 새 논문이나 새 프레임워크가 나와도 "아, 이건 Evaluator-optimizer의 변형이구나"처럼 빠르게 자리를 찾을 수 있습니다.

1. 기본 블록: Augmented LLM

Anthropic의 Building effective agents는 모든 시스템의 출발점을 Augmented LLM이라고 부릅니다. 검색(Retrieval), 도구(Tools), **메모리(Memory)**로 능력이 확장된 LLM입니다. 요즘 모델은 이 능력을 스스로 활용할 줄 압니다. 검색 쿼리를 만들고, 도구를 고르고, 무엇을 기억할지 정합니다.

이후의 모든 패턴은 이 블록을 어떻게 배치하고 연결하느냐의 차이입니다. 그래서 2장(LangChain 핵심)에서 메시지, 구조화 출력, 도구 호출로 이 블록을 단단하게 만드는 법부터 배웁니다.

2. 워크플로 패턴 5가지 — "개발자가 경로를 정한다"

① Prompt chaining (프롬프트 체이닝)

작업을 고정된 순서의 단계로 쪼개고, 각 단계의 출력을 다음 단계의 입력으로 씁니다. 단계 사이에 코드로 된 **게이트(Gate)**를 두어 중간 결과를 검사할 수 있습니다.

  • 예: 개요 작성 → (개요가 기준을 만족하는지 검사) → 본문 작성 → 번역
  • 언제: 작업을 깔끔한 하위 단계로 나눌 수 있을 때. 각 호출이 쉬워져 정확도가 오르는 대신 지연이 늘어납니다.

② Routing (라우팅)

입력을 분류하고, 분류 결과에 따라 전문화된 후속 처리로 보냅니다.

  • 예: 고객 문의 → 결제/기술/일반으로 분류 → 각기 다른 프롬프트와 도구. 쉬운 질문은 작은 모델, 어려운 질문은 큰 모델로 보내는 모델 라우팅도 같은 패턴입니다.
  • 언제: 입력 유형이 뚜렷이 나뉘고 유형별 최적 처리가 다를 때.

③ Parallelization (병렬화)

독립적인 작업을 동시에 실행하고 결과를 코드로 합칩니다. 두 변형이 있습니다.

  • Sectioning(분할): 서로 다른 관점을 병렬로. 예: 코드를 보안/성능/가독성 관점에서 동시에 리뷰. 또는 본 답변 생성과 가드레일 검사를 병렬로.
  • Voting(투표): 같은 작업을 여러 번 시켜 다수결. 예: 스팸 판정을 3번 받아 다수결 → 단일 판정보다 안정적.

④ Orchestrator-workers (오케스트레이터-워커)

중앙의 오케스트레이터 LLM이 작업을 동적으로 쪼개 워커들에게 맡기고 결과를 종합합니다. Parallelization과 비슷해 보이지만 결정적 차이가 있습니다. 하위 작업의 개수와 내용을 실행 전에 알 수 없다는 점입니다.

  • 예: "이 기능 추가해 줘" → 수정할 파일 목록을 LLM이 정함 → 파일마다 워커. 리서치 보고서 작성.
  • LangGraph에서는 Send로 동적 fan-out을 구현합니다(→ 4.4).

⑤ Evaluator-optimizer (평가자-최적화자)

한 LLM이 결과를 만들고, 다른 LLM(또는 같은 LLM의 다른 프롬프트)이 평가와 피드백을 주는 과정을 반복합니다.

  • 예: 번역 → 뉘앙스 평가 → 재번역. 코드 생성 → 테스트/리뷰 → 수정.
  • 언제: 명확한 평가 기준이 있고 반복으로 품질이 측정 가능하게 좋아질 때. 반복 상한은 필수입니다(→ 7.5).

▶ 오른쪽 IDE의 examples/01_workflow_patterns.py(①②③)와 examples/02_orchestrator_evaluator.py(④⑤)를 실행해 보세요.

python
# Routing의 핵심: 구조화 출력으로 분류 → 딕셔너리로 분기
class Route(BaseModel):
    category: Literal["billing", "tech", "general"]

router = llm.with_structured_output(Route)
category = router.invoke([SystemMessage("문의를 분류해."), HumanMessage(question)]).category
answer = HANDLERS[category](question)   # 경로 선택은 LLM, 경로 자체는 개발자가 정의
팁

분류 지침은 SystemMessage, 사용자 원문은 HumanMessage로 분리하세요. 지침과 데이터를 섞으면 사용자 입력 속 문장이 지침처럼 해석될 위험(프롬프트 인젝션)이 커지고, 모델이 무엇이 명령이고 무엇이 데이터인지 헷갈립니다.

3. 에이전트 아키텍처 — "LLM이 경로를 정한다"

ReAct (Reason + Act)

Yao et al.(2022)의 논문에서 이름이 나왔습니다. **생각(Thought) → 행동(Action) → 관찰(Observation)**을 한 단계씩 반복합니다. 1.1에서 만든 루프가 정확히 이것입니다. 오늘날 "도구 호출 에이전트"의 기본형이며, LangChain의 create_agent가 만드는 것도 ReAct 스타일 루프입니다(→ 3.1, 3.2).

  • 장점: 매 단계 관찰을 보고 적응합니다. 구현이 단순합니다.
  • 단점: 도구를 부를 때마다 LLM 호출이 필요하고, 긴 작업에서는 큰 그림을 잃고 헤매기 쉽습니다.

Plan-and-Execute

먼저 전체 계획을 세우고, 각 단계를 실행기가 처리하며, 필요하면 **재계획(replan)**합니다. Plan-and-Solve 프롬프팅(Wang et al., 2023)과 BabyAGI 같은 초기 프로젝트에서 영향을 받았습니다(→ 7.4).

  • 장점: 긴 작업에서 방향을 유지합니다. 실행 단계에는 작은 모델을 써서 비용을 줄일 수 있습니다.
  • 단점: 초기 계획이 틀리면 재계획 비용이 듭니다.

ReWOO (Reasoning WithOut Observation)

Xu et al.(2023). 계획 단계에서 도구 호출을 #E1 = search(...), #E2 = calc(#E1)처럼 변수로 미리 모두 적어 두고, 도구만 실행한 뒤 마지막에 한 번에 종합합니다. 중간 관찰을 LLM에게 보여 주지 않으므로 LLM 호출 수가 최소입니다. 대신 중간 결과에 따라 방향을 바꾸는 적응력은 약합니다.

Reflexion

Shinn et al.(2023). 시도가 실패하면 **"왜 실패했는지"를 언어로 반성(self-reflection)**해 메모리에 남기고, 다음 시도에서 참고합니다. 가중치를 바꾸지 않고 "말로 된 경험"으로 학습하는 셈입니다. Evaluator-optimizer를 에이전트 수준으로 확장한 것으로 볼 수 있습니다(→ 7.5).

Zhou et al.(2023). 몬테카를로 트리 탐색(MCTS)처럼 여러 행동 경로를 트리로 펼쳐 탐색하고, 평가와 반성을 결합해 가장 좋은 경로를 고릅니다. 품질은 높지만 LLM 호출이 매우 많아 비용과 지연이 큽니다. 정답 검증이 가능한 문제(코드 생성, 퍼즐)에서 주로 연구됩니다.

▶ examples/03_agent_architectures.py는 같은 과제를 ReAct, Plan-and-Execute, ReWOO로 풀며 LLM 호출 횟수를 비교합니다.

아키텍처적응력LLM 호출 수잘 맞는 문제
ReAct높음도구 호출 수에 비례범용 도구 사용, 짧은~중간 작업
Plan-and-Execute중간(재계획)계획 + 단계 수긴 다단계 작업
ReWOO낮음최소(대략 2회)의존 관계가 명확한 정보 수집
Reflexion높음(시도 간 학습)시도 수 × 단계검증 가능한 반복 과제
LATS매우 높음매우 많음정답 검증 가능한 고난도 탐색

4. 도메인별 에이전트와 Deep Agents

실제 제품으로 자리 잡은 에이전트들은 위 패턴을 조합한 결과물입니다.

  • 코딩 에이전트: 저장소를 읽고, 파일을 편집하고, 테스트를 실행하고, 실패 로그를 보고 다시 고칩니다. 테스트라는 명확한 평가자가 있어 에이전트가 특히 잘 작동하는 분야입니다. Claude Code, OpenAI Codex, Cursor 등이 대표적입니다.
  • 리서치 에이전트: 질문을 하위 질문으로 쪼개 여러 검색을 병렬로 수행하고(Orchestrator-workers), 출처를 모아 보고서를 씁니다. 여러 AI 서비스의 "Deep Research" 기능이 이 형태입니다.
  • 브라우저/컴퓨터 사용 에이전트: 스크린샷이나 DOM을 관찰하고 클릭·입력으로 행동합니다. 관찰 공간이 넓고 행동이 되돌리기 어려워 안전장치가 특히 중요합니다.
  • 음성 에이전트: 음성 인식 → LLM → 음성 합성, 또는 음성을 직접 다루는 실시간 모델을 씁니다. **지연(수백 ms 단위)**이 가장 큰 제약이라 작은 모델과 스트리밍이 핵심입니다.

Deep Agents는 몇 시간짜리 장기 과제를 다루는 에이전트들의 공통 구조를 일컫는 말입니다. LangChain 팀이 Claude Code, Deep Research 등을 분석해 정리했으며 네 가지 요소가 핵심입니다. ① 자세한 시스템 프롬프트, ② 계획 도구(Todo 리스트), ③ 중간 결과를 저장하는 파일시스템, ④ 컨텍스트를 격리하는 서브에이전트. deepagents 라이브러리의 create_deep_agent로 이 구조를 바로 만들 수 있으며, 7.6에서 다룹니다.

5. 2026년 프레임워크 지형

에이전트 프레임워크는 빠르게 변하고 있습니다. 세부 기능보다 각 도구가 어떤 철학을 가졌는지를 잡아 두는 것이 오래가는 지식입니다.

프레임워크성격강점고려할 점
LangGraph (+ LangChain)저수준 오케스트레이션: 상태 그래프세밀한 제어, 체크포인트·HITL·스트리밍·장기 실행, 모델 중립개념(상태, 리듀서, 그래프)을 익혀야 함
OpenAI Agents SDK경량 에이전트 + 핸드오프 + 가드레일단순한 API, OpenAI 기능과 긴밀한 통합OpenAI 생태계 중심
Claude Agent SDKClaude Code의 에이전트 하네스를 라이브러리로파일·셸 도구, 컨텍스트 관리 등 코딩 에이전트급 기능Claude 모델 중심
CrewAI역할(Role) 기반 멀티 에이전트빠른 프로토타이핑, 직관적 추상화세밀한 흐름 제어는 별도 기능 필요
AutoGen → Microsoft Agent Framework대화형 멀티 에이전트연구 생태계, Microsoft 스택 통합Microsoft는 AutoGen과 Semantic Kernel을 통합한 후속 프레임워크로 이행 중
기타: Google ADK, LlamaIndex, Pydantic AI, smolagents 등다양각자 특화 영역생태계 성숙도 확인 필요

이 과정이 LangChain v1 + LangGraph v1을 택한 이유는 세 가지입니다.

  1. 추상화 수준을 오갈 수 있습니다. create_agent 한 줄로 시작하고(3장), 필요하면 같은 개념(State, 노드, 엣지)으로 직접 그래프를 짤 수 있습니다(4장). create_agent 자체가 LangGraph 위에서 동작합니다.
  2. 프로덕션 기능이 기본 내장입니다. 체크포인트, 타임트래블, Human-in-the-loop, 내구성 있는 실행, 스트리밍(5장, 8장).
  3. 모델 중립적입니다. 제공자를 바꿔도 코드 구조가 유지됩니다.
참고

어떤 프레임워크를 쓰든 이 강의의 패턴은 그대로 통합니다. 프레임워크는 바뀌어도 루프, 상태, 도구, 종료 조건, 평가라는 원리는 바뀌지 않습니다.

현업에서는

단순함에서 출발해 증거로 올라갑니다. Anthropic과 LangChain 모두 같은 조언을 합니다. 단일 LLM 호출 → 워크플로 → 에이전트 순으로, 평가 지표가 개선을 증명할 때만 복잡도를 올리세요. 실제 프로덕션의 상당수는 Routing + Prompt chaining 조합이며, 자율 에이전트는 그 일부 구간에만 들어갑니다.

패턴마다 비용 구조가 다릅니다. Parallelization은 비용은 그대로인데 지연을 줄이고, Voting은 비용을 N배로 늘려 안정성을 삽니다. Evaluator-optimizer는 반복 횟수만큼 비용이 늘고, LATS는 수십 배가 될 수 있습니다. 설계 문서에 요청당 예상 LLM 호출 수를 꼭 적으세요.

관측성과 평가가 패턴 선택을 결정합니다. 같은 문제를 두 패턴으로 구현해 평가 데이터셋으로 비교하는 것이 가장 확실한 선택 방법입니다(→ 8.2). LangSmith 트레이스에서 단계별 지연과 토큰을 보면 병목이 어느 패턴 구간인지 바로 보입니다.

장애 반경을 줄이세요. 자율성이 높은 패턴일수록 실패 방식도 다양합니다. 도구 권한 최소화, 반복 상한, 위험 작업 전 사람 승인(→ 5.3, 8.3)을 패턴과 함께 설계합니다.

경고

안티패턴: "요즘 멀티 에이전트가 대세라서" 단일 에이전트로 충분한 문제를 여러 에이전트로 쪼개기. 에이전트 간 통신은 컨텍스트 손실과 비용을 동반합니다. 멀티 에이전트가 필요한 조건은 7.1에서 다룹니다.

정리

  • 모든 시스템의 기본 블록은 Augmented LLM(LLM + 검색 + 도구 + 메모리)입니다.
  • 워크플로 5패턴: Prompt chaining, Routing, Parallelization(Sectioning/Voting), Orchestrator-workers, Evaluator-optimizer.
  • 에이전트 아키텍처: ReAct(단계별 적응), Plan-and-Execute(계획 우선), ReWOO(호출 최소화), Reflexion(언어적 반성), LATS(트리 탐색).
  • 코딩·리서치·브라우저·음성 에이전트와 Deep Agents는 이 패턴들의 조합입니다.
  • 프레임워크는 바뀌어도 원리는 같습니다. 이 과정은 제어력과 프로덕션 기능 때문에 LangGraph v1을 씁니다.

실습 과제

exercise.py에서 Routing과 Evaluator-optimizer를 직접 구현하세요. classify는 구조화 출력으로 문의를 분류하고, handle은 분류별 시스템 프롬프트로 답하며, refine은 평가 점수가 기준을 넘거나 반복 상한에 닿을 때까지 개선합니다.

이해도 체크

0/5 · 정답 0
  1. Q1.Orchestrator-workers 패턴이 Parallelization(Sectioning) 패턴과 가장 다른 점은?

  2. Q2.다음 중 ReWOO 아키텍처의 특징으로 옳은 것은?

  3. Q3.Evaluator-optimizer 루프를 설계할 때 반드시 함께 두어야 하는 것은?

  4. Q4.Anthropic이 'Augmented LLM'이라고 부르는 모든 에이전트 시스템의 기본 블록은?

  5. Q5.새 프로젝트에서 '고객 문의를 3가지 유형으로 나눠 각기 다른 프롬프트로 답한다'는 요구사항을 받았다. 가장 적절한 출발점은?

01_workflow_patterns.py
02_orchestrator_evaluator.py
03_agent_architectures.py
실습 과제
에디터 로딩 중…
출력
▶ 실행(⌘/Ctrl + Enter)하면 결과가 여기에 표시됩니다.