멀티 에이전트

AI 에이전트란

AI 에이전트(AI agent)는 환경을 인식하고, 정보를 모으고, 그 정보로 정해진 목표를 이루기 위한 행동을 스스로 고르는 소프트웨어다. LLM 에이전트에서는 LLM이 정보 처리와 의사 결정을 맡는다.

특성	의미
자율성	사람이 매번 지시하지 않아도 행동한다. 중요한 지점에는 사람 확인(human in the loop)을 둘 수 있다
기억	사용자 선호와 지식을 저장해 개인화하고, 대화 밖에서도 진행 상황을 이어 간다
인식	환경에서 들어오는 정보(파일, 화면, API 응답)를 받아 해석한다
도구 사용	웹 검색, 코드 실행, API 호출 같은 도구로 실제 일을 한다
협업	다른 에이전트나 사람과 함께 일한다

고전 AI의 분류로는 규칙에만 반응하는 단순 반사형, 내부 상태를 두는 모델 기반 반사형, 목표를 기준으로 행동을 고르는 목표 기반, 결과의 효용을 비교하는 효용 기반, 경험으로 나아지는 학습형 에이전트로 나눈다(강화 학습의 에이전트도 같은 뜻이다).

시스템 구성은 에이전트 하나가 개인 비서처럼 일하는 단일 에이전트, 여러 에이전트가 협력하거나 경쟁하는 멀티 에이전트, 에이전트와 사람이 함께 일하는 사람-기계 협업으로 나뉜다. 아래는 멀티 에이전트를 다룬다.

멀티 에이전트란

멀티 에이전트(Multi Agent)는 여러 AI 에이전트가 역할을 나눠 하나의 일을 처리하는 방식이다. 한 에이전트가 모든 것을 하는 대신, 조율 담당이 큰 목표를 쪼개고 전문 에이전트들이 조사·작성·검토·실행을 맡는다. 사람 팀이 PM과 실무자로 나뉘어 일하는 구조와 비슷하다.

왜 필요한가

이유	내용
복잡한 업무 분해	큰 일을 작은 역할로 나누면 처리와 관리가 쉬워진다
전문성 분리	역할마다 지시·도구를 따로 최적화할 수 있다
병렬 처리	서로 의존하지 않는 작업을 동시에 돌려 속도를 높인다
품질 향상	생성한 결과를 다른 에이전트가 검토하면 오류가 줄어든다

작동 흐름

flowchart TB
  n1["1. 목표 정의<br/>문제와 성공 기준을 먼저 정한다"] --> n2["2. 역할 분배<br/>코디네이터가 조사·작성·검토·실행 역할을 나눈다"]
  n2 --> n3["3. 병렬 수행<br/>각 에이전트가 맡은 일을 동시에 처리한다"]
  n3 --> n4["4. 결과 통합<br/>중간 결과를 모아 연결하고 누락을 확인한다"]
  n4 --> n5["5. 검토·수정<br/>리뷰 에이전트나 사람이 최종 품질을 점검한다"]

구성 요소

요소	역할
코디네이터(오케스트레이터)	전체 목표를 이해하고 어떤 에이전트가 무엇을 할지 조율
전문 에이전트	조사·작성·분석·검토처럼 한 역할에 집중
도구 연결	검색, 코드 실행, 데이터 조회, 문서 작성 도구와 연결
공유 컨텍스트	중간 결과와 규칙을 공유해 흐름이 끊기지 않게 함
가드레일·검수	오류·중복·보안 문제를 줄이고 최종 판단을 보완

멀티 에이전트의 품질은 모델 개수보다 설계와 연결 방식이 좌우한다.

활용 예

분야	나누는 방식
리서치	자료 조사 → 비교 → 요약
문서 작성	초안 작성 후 다른 에이전트가 자동 검토
코딩	설계, 구현, 리뷰 역할 분리
고객 응대	문의 분류 → 답변 작성 → 품질 확인
프로젝트 관리	회의 요약, 일정 정리, 액션 아이템 정리
데이터 분석	수집 → 분석 → 리포트 생성

복합 업무, 반복 업무, 여러 단계가 맞물린 협업 업무일수록 장점이 커진다.

장점과 주의점

장점	주의점
속도: 여러 작업을 동시에 처리	역할 설계: 역할이 겹치거나 모호하면 효율이 떨어진다
품질: 생성과 검토를 분리해 오류 감소	컨텍스트 관리: 에이전트 사이 정보 전달이 약하면 결과가 흔들린다
전문화: 역할별로 더 정교한 지시·도구	비용·지연: 에이전트가 늘수록 호출 비용과 시간도 는다
확장성: 업무가 커져도 구조적으로 늘리기 쉽다	최종 책임: 중요한 결정은 사람의 검수와 판단이 필요하다

역할 설계와 컨텍스트 관리가 어렵다면 에이전트를 여럿 두는 대신 하네스 하나 + 외부 위임으로 푸는 길도 있다. 디자인 시스템을 아는 화면 생성 에이전트 설계하기의 「멀티 에이전트 대신 하네스 + 외부 위임」이 그 예다.

주요 프레임워크

2026년 기준으로 많이 쓰는 도구들이다. 이 분야는 빠르게 바뀌므로 도입 전에 각 프로젝트의 유지 상태를 확인한다.

프레임워크	특징
LangGraph	상태를 가진 오케스트레이션, 그래프 기반 워크플로, 서브그래프
Microsoft Agent Framework	AutoGen과 Semantic Kernel의 직접 후속작. AutoGen의 멀티 에이전트 추상화에 Semantic Kernel의 상태 관리·텔레메트리를 합치고 그래프 워크플로를 더했다. 새 프로젝트는 AutoGen 대신 이것으로 시작한다
CrewAI	crews + flows, 가드레일, 메모리, 관찰성(observability)
OpenAI Agents SDK	에이전트 간 인계(handoff), 가드레일, 추적
Claude Agent SDK·서브에이전트	Claude Code의 에이전트 루프를 라이브러리로 쓰고, 한 가지 일에 집중하는 서브에이전트에 도구 권한을 제한해 맡긴다

에이전트끼리, 에이전트와 도구 사이를 잇는 표준도 자리 잡았다. 도구 연결은 MCP, 서로 다른 프레임워크의 에이전트 간 통신은 A2A(Agent2Agent) 프로토콜이 맡는다.

설계할 때 함께 기억할 원칙은 세 가지다.

멀티 에이전트가 항상 정답은 아니다. 단순한 일은 에이전트 하나가 낫다.
관찰성·평가·가드레일이 실전 품질을 좌우한다.
도구 사용과 역할 분리가 핵심 패턴이다.

키워드: orchestration, observability, guardrails, evaluation.

정리

멀티 에이전트는 여러 AI가 역할을 나눠 일하는 구조다.
흐름은 목표 설정 → 역할 분배 → 병렬 수행 → 결과 통합 → 검토·수정.
역할이 겹치지 않게 나누고, 컨텍스트를 잘 넘기고, 검수 단계를 두는 것이 설계의 핵심이다.
에이전트가 늘면 비용과 지연도 는다. 필요한 만큼만 나눈다.

버그 제보