AI Agent 프레임워크

이영진·2025년 4월 22일

LLM SKALA agent

LLM

목록 보기

10/25

AI Agent란?

AI Agent: 인간처럼 자율적으로 환경을 인식하고, 계획을 세우고, 행동을 수행하며, 결과를 바탕으로 학습하는 시스템을 의미함

AI 에이전트 프레임워크: AI 에이전트(Agent)를 만들고 실행하는 데 필요한 구조, 도구, 모듈을 제공하는 소프트웨어 프레임워크

최근에는 특히 LLM 기반 에이전트가 주목받고 있는데, 예를 들어 어떤 업무를 자동화하거나 멀티 스텝 작업을 수행하게 하는 용도로 사용됨

AI Agent를 써야하는 이유

이유 요약

이유	설명
반복 작업 자동화	사람이 반복적으로 해야 하는 일을 LLM이 알아서 처리함
멀티 스텝 사고 가능	단순 질문-답변이 아니라, 계획 → 행동 → 피드백 → 반복의 사이클 수행 가능
툴 연동	웹 검색, 계산기, 코드 실행 등 다양한 도구와 연계해서 복잡한 작업 수행 가능
역할 기반 협업	여러 에이전트를 팀처럼 만들어서 업무 분담 및 협업 가능
생산성 향상	문서 생성, 코드 작성, 기획, 요약, 번역 등 다양한 업무를 빠르게 처리

LLM 단독 사용 vs AI 에이전트 사용 비교

항목	LLM 단독 사용	AI 에이전트 사용
사용 방식	질문-답변 방식 (1회성)	반복적 행동, 상태 유지, 도구 사용 가능
멀티 스텝 처리	어려움 (사람이 매번 질문해야 함)	자동으로 계획 → 실행 → 피드백 루프
툴 연동	직접 호출 불가 (보통 API 없으면 힘듦)	외부 도구 호출, API 사용 가능
작업 기억력	앞의 대화 정도만 기억 (짧은 context)	상태 저장, 메모리 기반 반복 가능
협업 가능성	불가능 (혼자 생각)	역할 분담하여 멀티 에이전트 협업 가능

LangChain 개요 및 핵심 구조

1. LangChain이란?

LLM 기반 애플리케이션 개발에 특화된 프레임워크로, 다양한 외부 시스템과의 통합을 통해 LLM의 잠재력을 극대화함.

LangChain은 에이전트가 할 핵심 기능들(계획, 실행, 도구 활용, 메모리 관리 등)을 구조적으로 지원.

주요 목적: 대규모 언어모델(LLM)과 DB, 파일시스템, 웹 등 다양한 데이터 소스와의 통합 지원

특징: 실시간 데이터와의 상호작용, 유연한 아키텍처, 확장성 높은 구성

2. 주요 기능

다양한 데이터 소스와 통합

다양한 외부 데이터 소스를 연결해 LLM이 보다 실제적인 정보와 맥락을 바탕으로 동작할 수 있도록 지원

DB, API, 파일 시스템 등과 연동
예시: 실시간 금융 데이터 분석, 환자 기록 조회

유연한 프롬프팅 및 컨텍스트 관리

사용자와의 상호작용 흐름을 자연스럽고 일관성 있게 유지하도록 설계

자연스러운 대화 흐름과 연속된 문맥 유지
사용자 질문에 맞춘 정교한 응답 가능

파인튜닝 및 커스터마이징

언어 모델이 특정 도메인 또는 산업에 최적화되도록 맞춤 설정 가능

비즈니스 요구에 맞춘 언어 모델 조정 가능
산업 별 전문 용어에 대한 학습 및 응답 세밀화

데이터 반응형 애플리케이션 구축

사용자의 입력이나 외부 데이터 변화에 따라 실시간으로 동작이 달라지는 애플리케이션 구현 가능

사용자 입력에 따라 실시간 반응
예시: 투자 전략 자동 조정, 실시간 맞춤형 교육 콘텐츠 제공

3. 장점 / 단점

장점

유연성 & 확장성 다양한 시스템과 쉽게 통합 가능하며, 복잡한 앱에 맞춤형 솔루션 제공
오픈소스 커뮤니티 지속적인 업데이트와 풍부한 개발자 커뮤니티 지원

단점

성능 최적화 필요 대규모 데이터 처리 시 성능 저하 가능 → 하드웨어 및 코드 최적화 필요
높은 진입 장벽 복잡한 기능을 활용하기 위해 학습과 이해가 필요

→ 초보자나 소규모 프로젝트에는 다소 부담될 수 있음

CrewAI란?

CrewAI는 Python 기반의 멀티 에이전트 AI 프레임워크로, 여러 AI 에이전트를 하나의 팀(crew)으로 구성하여 역할 기반 협업(Task Delegation)을 할 수 있도록 설계된 도구.

CrewAI 특징:

간단한 코드로 다중 에이전트 협업 구현 가능
에이전트에게 역할(Role), 목표(Goal), 행동 원칙(Backstory)을 부여
빠른 프로토타이핑에 적합
LangChain, OpenAI API, Claude 등 다양한 LLM 연결 가능

CrewAI 구성요소

1. Agent (에이전트)

각 Agent는 독립적인 역할을 가지며, 다음의 정보를 기반으로 구성:

Role (역할): 예) 분석가, 디자이너, QA 등
Goal (목표): 에이전트가 달성해야 하는 과업
Backstory (배경): 캐릭터 설정처럼 역할에 맞는 사고 방식을 설정
Tools (도구): 사용할 수 있는 외부 기능(API 등)

from crewai import Agent

analyst = Agent(
    role="Market Analyst",
    goal="Analyze recent trends in the AI industry",
    backstory="An expert analyst with 10 years of experience in AI market research.",
    verbose=True
)

2. Task (작업)

각 Task는 하나의 에이전트에게 부여되며, 실제 작업 내용을 정의.

from crewai import Task

market_task = Task(
    description="Summarize the top 3 AI industry trends in 2025",
    expected_output="Clear bullet-point summary with brief explanations",
    agent=analyst
)

3. Crew (팀)

Agent + Task를 묶어 하나의 팀으로 만들고, 전체 작업 흐름을 수행.

from crewai import Crew

crew = Crew(
    agents=[analyst],
    tasks=[market_task],
    verbose=True
)
crew.kickoff()  # 팀 작동 시작

CrewAI 사용 시 장점

항목	장점 설명
쉬운 입문	복잡한 코드 없이 AI 협업을 구현 가능
구조화된 협업	역할 기반 분업으로 실세계 문제 해결에 적합
도구 연동	외부 API, 함수 호출 등을 통한 확장성 보유
디버깅 편의성	verbose 설정으로 디버깅, 추적이 쉬움

CrewAI의 한계점

항목	설명
커스터마이징 한계	내부 구조를 완전히 바꾸기는 어려움
LLM 의존	외부 언어 모델(OpenAI, Anthropic 등)에 크게 의존
고급 로직 부족	복잡한 알고리즘 처리나 세밀한 분기 처리는 직접 구현 필요

언제 CrewAI를 쓰면 좋을까?

추천 사용자: 빠르고 간단한 설정이 필요하거나 데모용 에이전트를 신속히 제작하고 싶은 초보자에게 적합.

스타트업/개발자: 빠르게 데모나 프로토타입을 만들어야 할 때
교육/연구용: 멀티 에이전트의 개념을 쉽게 학습하고 실험하고 싶을 때
비기너: LLM을 직접 다루지 않고도 멀티에이전트를 경험하고 싶을 때

AutoGPT

1. AutoGPT란?

2023년 3월 30일에 Toran Bruce Richards에 의해 출시
AutoGPT는 OpenAI의 GPT 모델을 활용하여, 목표 달성을 위해 스스로 계획하고, 실행하고, 반복적으로 작업을 수행하는 AI 에이전트 프레임워크

주요 특징

자율성: ChatGPT와 달리, Auto-GPT는 모든 작업에 대한 수동 명령이 필요하지 않고, 자신이 새로운 목표를 설정하고, 그 목표를 달성하기 위해 자동으로 작동
메모리 관리: 단기 및 장기 메모리를 데이터베이스와 파일에서 읽고 쓰며, LLM 입력 길이 제한을 요약을 사용하여 관리
인터넷 기반 작업: 웹 검색, 웹 양식, API 상호 작용을 자동으로 수행
코드 작성 및 디버깅: 코드를 작성, 디버그, 테스트, 편집할 수 있는 능력이 있으며, 이는 Auto-GPT 자체의 소스 코드를 개선하는 데까지 확장될 수 있음

2. 기술 스택 & 환경

언어: Python
LLM: OpenAI GPT-3.5 / GPT-4
Memory: JSON, Pinecone, Redis 등
Tool: 웹 브라우저, 파일 시스템, 검색엔진 등 연결 가능

3. 기본 구조

AutoGPT는 다음과 같은 핵심 모듈로 구성됨:

구성 요소	역할
Agent	전체 프로세스를 통제하는 중심 모듈
Memory	이전 작업 기록, 결과 저장 (ex. 벡터DB)
Planning	목표 달성을 위한 작업(Task) 분해
Tool/Function Call	외부 기능(API, 브라우저 등) 호출
LLM	언어모델로 추론 수행 (GPT-3.5, GPT-4 등)

4. 작동 흐름 : "목표 → 계획 → 실행 → 평가 → 반복”

① 사용자가 목표 입력

사용자는 단순한 목표 하나만 제시

예: "나만의 블로그 플랫폼 기획안을 작성해줘"

② 에이전트가 목표를 분석하고 ‘계획’을 수립

이 단계에서 GPT는 사용자 목표를 기반으로 하위 작업(Task) 들을 자동으로 만들고

AutoGPT의 플래너(Planner)는 다음을 수행:

목표를 NLP 기반으로 해석
필요한 세부 작업으로 쪼갬
각 작업의 우선순위 지정

예:

Task 1: 블로그 시장 트렌드 조사

Task 2: 경쟁 플랫폼 기능 정리

Task 3: 사용자 니즈 파악

Task 4: 기능 목록 도출

Task 5: 기획서 초안 작성

이 작업 목록은 작업 큐(Task Queue)에 저장

③ 하위 작업 실행 (Execution)

Task Queue에서 하나씩 꺼내 GPT가 실제로 수행

예:

Task 1 실행 → "2024년 블로그 플랫폼 관련 기사 및 트렌드 조사"
Tool 사용 가능: web-browser, google-search, file-writer, python-shell 등

이때 GPT는 웹 툴, 검색 툴, 메모리, 계산기 등 외부 도구를 사용할 수 있음

결과는 요약되거나 정리되어 저장

④ 결과 관찰 및 메모리 저장

GPT는 실행 결과를 자신의 Memory에 저장
예전 작업 결과를 참고해 다음 작업의 맥락을 유지함

예:


{
  "task": "경쟁사 분석",
  "result": "Tistory, Velog, Medium 등 주요 기능은..."
}

이 메모리는 Vector DB, Redis, JSON 등으로 구현될 수 있음

⑤ 다음 작업 결정 및 반복 (Looping)

결과를 바탕으로 GPT는 다음 행동을 결정함:

다음 작업을 계획 큐에서 꺼냄
또는 새로운 작업을 스스로 추가 생성
목표에 도달했는지 평가하고 계속 루프를 돌릴지 판단

이 과정은 자동으로 계속 반복됨

(목표 달성 or 반복 제한까지)

⑥ 종료 조건

다음 중 하나에 도달하면 루프 종료:

명확한 최종 목표 도달
Task Queue가 비어 있음
최대 반복 횟수 초과 (예: 10번 이상 루프 X)
오류 발생 시 중단

이 흐름을 한눈에 보면:

A[목표 입력] --> B[작업 계획 수립 (Task Planning)]
--> C[작업 실행 (GPT + Tool)] --> D[결과 저장 (Memory)]
--> E[다음 행동 결정] -->|계속| B-->|종료 조건 만족| F[작업 완료

실제 사용 예시 (요약)

사용자: “2023년 스타트업 트렌드 리포트 작성해줘”

계획: “기사 수집 → 키워드 분석 → 요약 → 보고서 작성”

실행: GPT가 웹 검색 + 요약

기록: “트렌드 키워드 = AI, SaaS, Green Tech...”

다음 행동 결정: “요약을 기반으로 문서 작성 시작”

반복: 보고서 작성까지 반복 실행

종료: PDF 저장 + 완료 메시지 출력

5. 장점 vs 단점

구분	내용
장점
자율성	목표만 입력하면 스스로 계획하고 실행함
LLM 기반 추론	GPT의 자연어 이해와 추론 능력을 활용 가능
툴 연동	웹 브라우저, 계산기, 외부 API 등 다양한 기능과 연계 가능
단점
리소스 소모	GPT-4 사용 시 비용과 처리 시간이 많이 듬
실패 가능성	논리 오류, 무한 루프, 비효율적인 실행 가능성 존재
실무 적용의 어려움	안전성, 신뢰성 문제로 인해 실무에 바로 적용하기 어려움

에이닷(A.)

SKT에서 2022년 5월에 공개한 AI 에이전트 서비스
한국어 GPT 기반이며, LLM과 ChatGPT가 하이브리드로 운영되는 대화형 AI 서비스로, 이용자의 질문과 요청에 맞춰 다양한 정보를 제공하고 서비스를 수행
예를 들어, 날씨, 뉴스, 맛집 정보 등을 알려주거나, 일정 관리, 음악 재생, 사진 편집 등을 도와주며 '장기기억' 기술과 '멀티모달' 서비스를 장착해 이용자의 취향과 관심사를 학습하여 개인 맞춤형 서비스를 제공

글로벌 첨단 LLM을 한 데 모은 멀티 LLM 에이전트를 통해
A.X, Perplexity, ChatGPT, Claude, Gemini 등 총 12종의 LLM 모델을 에이닷 한 곳에서 별도의 설치 없이 바로 사용 가능

사용자는 이용 목적에 따라 원하는 모델을 직접 선택하여 답변을 받을 수 있고, 같은 질문에 대해 여러 모델의 답변을 비교 가능

장점

무료로 무제한 사용 가능.
여러 종류의 LLM을 한 곳에서 사용 가능.
3줄 요약 등의 답변 형식을 지정 가능.

단점

파일 첨부 불가능.
4000자의 길이 제한이 있음.
심도 있는 내용 검열.

에이닷으로 이용 가능한 LLM 목록

모델명	특징
A.X	SKT 대화형 LLM
Liner Pro	문장 단위로 팩트 체크해주는 정확도 높은 검색 모델
Perplexity Sonar	실시간 검색 결과와 출처 제공
Perplexity Sonar Pro	실시간 검색 결과와 출처를 제공하는 고급 검색 모델
GPT 4o mini	빠르고 가벼운 작업을 위한 4o 경량화 모델
GPT 4o	창의적 문제 해결 가능한 고급 언어 처리 모델
GPT o1-mini	제한된 환경에서도 효율적으로 작동하는 o1의 경량 모델
GPT o3-mini	과학, 수학, 코딩 성능에 최적화된 특화 모델
claude 3.5 Haiku	빠른 응답과 향상된 글쓰기 및 추론 기능 제공
claude 3.5 Sonnet	코딩과 복잡한 추론에 강함
Gemini 2.0 Flash	빠른 응답과 강화된 문제 해결 능력을 갖춘 모델

이렇게 강력한 멀티 LLM 에이전트외에도 뮤직 에이전트, 미디어 에이전트, 증권 에이전트, 데일리 기능, A.전화등의 다양한 서비스를 제공

뮤직 에이전트

뮤직 에이전트는 개인별 음악 취향을 분석해 추천하고, 플레이리스트를 만들어준다. 궁금한 장르, 뮤지션 정보도 쉽게 알려주고, 깊이 있는 양방향 대화를 제공한다.

선호 곡, 아티스트, 장르와 최근 재생한 음악 기반으로 선곡은 물론이고 듣고 있는 곡에 대한 세부 정보와 최신 음악 뉴스 제공, 사용자의 음악 소비 패턴을 분석하여 음악 카드를 추천한다.

나만의 플레이리스트를 말로 편하게 만들고 편집할 수도 있다. 기분, 분위기, 테마, 장르, 빠르기 등 맞춤 플레이리스트를 만들고 궁금한 장르나 아티스트 정보 묻는 것도 가능하다.

미디어 에이전트

미디어 에이전트는 OTT 콘텐츠부터 모든 미디어 정보를 대화로 간편하게 찾을 수 있다. 영화/드라마/배우 정보 등 작품 관련한 대화가 가능하고, 작품에 대한 사람들의 리뷰도 요약해 준다.

증권 에이전트

증권 에이전트는 시세 정보 및 기업별 실적/공시/청약 일정 등 주식 투자에 필요한 각종 정보를 제공한다. 신뢰성 있는 주식 정보 학습을 기반으로 정보를 제공해 할루시네이션을 최소화했다. 증권 관련 대화형 검색이라는 새로운 경험을 할 수 있다.

데일리

할 일, 일정, 기록 등 개인의 일상을 통합 관리할 수 있는 기능으로 기존에 에이닷 내에 흩어져 있던 캘린더, 할 일, 루틴, 수면 등의 기능을 하나로 통합해 고객이 일상의 모든 할 일과 기록을 간편하게 관리할 수 있다.

일일이 입력해야 하는 번거로움 없이 비서에게 이야기하듯 에이닷에 알려주면 약속, 미팅, 할 일 등을 저장 및 관리할 수 있다. 일정이나 약속 수행 시 고려해야 할 날씨와 교통 등 다양한 상황과 고객의 취향· 선호도를 고려해 맞춤형 제안을 하는 등 일상의 ‘AI 비서’ 경험을 대폭 강화했다.

A.전화

에이닷 서비스 중 SK텔레콤 고객만 사용할 수 있는 기능으로 통화녹음, 통화요약, 통역콜 등의 서비스가 지원된다.

Microsoft AutoGen

개요

Microsoft AutoGen은 마이크로소프트 리서치(Microsoft Research)에서 개발한 오픈소스 에이전틱 AI 프레임워크.
이 프레임워크는 다중 에이전트 시스템(Multi-Agent Systems)을 쉽게 구축하고 운영할 수 있도록 설계됨.
최신 버전인 v0.4는 2025년 1월에 출시되어 확장성과 안정성을 대폭 향상시킴.

AutoGen 구조

AutoGen은 크게 세 가지 영역으로 구성된 계층적 생태계

Developer Tools (개발 도구)
- Studio: 코드 없이 GUI 환경에서 멀티에이전트 시스템을 설계·실행할 수 있는 도구
- Bench: 에이전트 성능을 벤치마킹하고 평가할 수 있는 도구
Framework (프레임워크)
- Core API: 메시지 전달, 이벤트 기반 에이전트, 로컬 및 분산 실행 환경 등 핵심 기능 담당. Python과 .NET 간 크로스 언어 지원 포함
- AgentChat API: Core 위에 구축된 간단하고 직관적인 API로, 빠른 프로토타이핑 및 다중 에이전트 대화 흐름 구현에 적합
- Extensions API: OpenAI, AzureOpenAI 등 LLM 클라이언트 및 코드 실행 기능 등 확장 모듈을 통해 기능 확장 가능. 사용자 정의 확장도 가능
Apps (애플리케이션)
- Magentic-One: AutoGen 프레임워크 기반의 대표적 다중 에이전트 애플리케이션
- Your App Here: 사용자가 자체적으로 응용 프로그램을 개발하고 프레임워크 위에 추가 가능

프레임워크(Core → AgentChat → Extensions)를 기반으로 다양한 앱을 구축할 수 있음
개발 도구(Studio, Bench)는 외부에서 이를 설계하고 테스트하는 역할을 수행

주요 기술적 특징

1. 비동기 이벤트 기반 아키텍처

비동기 메시징: 에이전트 간 비동기 통신을 지원하며, 요청/응답 및 이벤트 기반 인터랙션이 가능
모듈형 확장성: 사용자 정의 에이전트, 도구, 모델 등을 플러그인 방식으로 쉽게 추가할 수 있음
관찰 가능성 및 디버깅: 내장 메트릭 및 메시지 추적 기능을 통해 시스템을 모니터링하고 분석할 수 있음

2. 다양한 에이전트 유형 지원

단일 AI 에이전트: 특정 작업 수행용 에이전트 (예: 코드 생성, 문서 요약 등).
다중 AI 에이전트: 여러 AI가 협력하여 복잡한 작업을 수행 (예: 소프트웨어 개발, 자동화 운영 등).
하이브리드 AI 에이전트: 인간과 AI가 협력하여 의사결정을 수행 (예: 스마트 헬스케어, 스마트 시티 등).

3. 다양한 대화 패턴 지원

자율성 스펙트럼: 완전 자동화부터 인간 개입까지 다양한 수준의 대화 지원.
정적/동적 토폴로지(에이전트들이 어떻게 연결되고 상호작용하는지를 나타내는 구조 또는 형태): 고정된 흐름뿐만 아니라 실제 대화에 따라 유동적으로 변화하는 구조 지원.
자동 응답 등록: 특정 조건에 따라 자동으로 다른 에이전트를 호출하도록 설정 가능.

AutoGen v0.4의 주요 개선사항

확장성 및 분산 처리 강화: 대규모 에이전트 네트워크 구성 가능.
확장 모듈 강화: 고급 모델, 에이전트, 도구 지원.
크로스 언어 지원: Python과 .NET 간 상호 운용성 제공.
정적 타입 지원: 인터페이스에 타입 체크를 적용하여 코드 안정성 향상.

실사용 예시

Magentic-One: AgentChat API와 Extensions API를 활용하여 웹 검색, 코드 실행, 파일 처리 등을 수행하는 첨단 멀티 에이전트 팀 애플리케이션
사용자는 AutoGen 프레임워크를 활용하여 자신만의 맞춤형 앱과 확장 모듈을 개발하고, 다양한 도메인(예: 개발, 운영, 고객 지원 등)에 적용할 수 있음.

산업 트렌드 및 미래 방향

멀티모달 기능 통합: 텍스트, 이미지, 오디오, 비디오 등 다양한 입력 형식을 처리 가능.
기업용 AI 자동화: 고객 서비스, 공급망, 전략 기획 등의 영역에서 AI를 통한 자동화 진행 중.
로우코드/노코드 AI 개발: 비개발자도 쉽게 AI 시스템을 구성할 수 있는 도구 제공.
Semantic Kernel과의 통합: Microsoft의 또 다른 프레임워크인 Semantic Kernel과 연계되어 엔터프라이즈급 다중 에이전트 시스템 구현 가능.

MetaGPT

미국의 DeepWisdom이라는 회사에서 개발한 오픈 소스 멀티 에이전트 프레임워크로 2023년 처음 공개됨
하나의 거대한 LLM에 모든 걸 시키지 않는다는 것이 가장 주요한 특징으로 AI 에이전트들이 마치 소프트웨어 개발 회사처럼 역할을 나눠 협업하며 실제 애플리케이션을 설계·개발할 수 있도록 만든 멀티 에이전트 프레임워크

MetaGPT의 팀 구성 예시

역할	기능
Product Manager (PM)	요구사항 분석, 제품 기획
System Architect	전체 시스템 설계, 아키텍처 정의
Engineer	실제 코드 작성
QA	코드 검토 및 테스트 케이스 생성
Tech Writer	문서화 작업 수행

작동 방식

사용자가 명령을 입력하면
PM이 요구사항을 정리하고
아키텍트가 시스템 아키텍처를 설계
엔지니어가 코드 작성
QA가 테스트
전체 결과를 정리해서 반환

마치 한 팀이 협업하듯 LLM들이 역할 기반으로 순차적으로 작동

장점

역할 기반 설계: 각 에이전트가 자기 역할에 집중 → 더 명확한 구조 생성
복잡한 작업 가능: 하나의 LLM보다 더 체계적인 결과 생성 가능
코드 품질 향상: QA, 설계, 문서화까지 수행

단점

소프트웨어 프로젝트에 국한되어 있음
내부 구조(AI Agent의 역할)이 고정적

LangChain, CrewAI, AutoGPT, Microsoft AutoGen, MetaGPT, 에이닷 비교 및 정리

1. 개념 및 목적

프레임워크	개념	목적
LangChain	LLM 기반 애플리케이션 개발 프레임워크. 다양한 데이터 소스와의 통합을 지원.	LLM과 DB, API, 웹 등 외부 시스템과의 통합을 통해 LLM의 잠재력을 극대화.
CrewAI	Python 기반 멀티 에이전트 프레임워크. 역할 기반 협업(Task Delegation) 가능.	여러 에이전트를 역할별로 분배해 협업을 효율적으로 수행.
AutoGPT	OpenAI의 GPT 모델을 활용한 자율 에이전트 시스템.	사용자가 설정한 목표를 달성하기 위해 스스로 계획, 실행, 반복.
Microsoft AutoGen	Microsoft Research 개발의 오픈소스 멀티 에이전트 프레임워크.	비동기 메시징, 다중 에이전트 시스템 구축 및 운영 지원.
MetaGPT	역할 기반 멀티 에이전트 프레임워크. 소프트웨어 개발 회사처럼 협업을 수행.	각 역할별로 프로세스를 자동화하여 프로젝트를 완성.
에이닷 (A.)	SKT의 멀티 LLM 기반 AI 에이전트 서비스.	LLM과 하이브리드 운영을 통해 다양한 정보 제공 및 서비스 수행.

주요 기능 및 특징

프레임워크	특징	장점	단점
LangChain	다양한 데이터 소스 통합, 프롬프팅 관리, 파인튜닝 가능.	유연성 및 확장성, 오픈소스 커뮤니티 지원.	성능 최적화 필요, 진입 장벽 존재.
CrewAI	간단한 코드로 역할 기반 협업 구현, 다양한 도구 연동 가능.	초보자에게 적합, 빠른 프로토타이핑 가능.	커스터마이징 한계, 외부 모델 의존성.
AutoGPT	목표 설정 후 자율적으로 실행하고 피드백을 통해 개선.	완전 자동화 가능, 메모리 관리 기능 포함.	리소스 소모 많음, 실패율 존재.
Microsoft AutoGen	비동기 메시징, 다중 에이전트 협업, 크로스 언어 지원.	확장성, 분산 처리 가능, 코드 안정성 강화.	설정 복잡, 사용 환경 구축 어려움.
MetaGPT	역할 기반 시나리오 워크플로우, 단계별 협업 수행.	명확한 결과물 생성, 구조화된 협업 가능.	내부 구조 고정, 유연한 변경 어려움.
에이닷 (A.)	12종의 LLM 모델을 활용한 멀티 에이전트 시스템.	다양한 모델 사용 가능, 무료 무제한 제공.	파일 첨부 불가, 4000자 길이 제한.

3. 비교 분석

프레임워크	사용 목적	강점	약점
LangChain	LLM과의 데이터 통합 및 응답 생성.	다양한 데이터 소스 통합, 유연한 아키텍처.	높은 진입 장벽, 성능 최적화 필요.
CrewAI	간단한 멀티 에이전트 협업.	손쉬운 설정, 빠른 프로토타이핑.	세밀한 커스터마이징 어렵다.
AutoGPT	목표 지향 자율 에이전트 구축.	완전 자동화 가능, 메모리 관리.	고비용, 오류 발생 가능.
Microsoft AutoGen	다중 에이전트 네트워크 구축.	확장성, 비동기 메시징 지원.	설정 복잡, 초기 구축 어려움.
MetaGPT	역할 기반 협업 시스템.	구조화된 워크플로우, 명확한 결과물.	유연한 구성 변경 어려움.
에이닷 (A.)	다양한 LLM 모델 기반 서비스 제공.	모델 다양성, 무제한 사용.	제한된 입력 길이, 파일 첨부 불가.

4. 사용 사례와 적합성

프레임워크	사용 사례	적합한 사용자
LangChain	실시간 데이터 분석, 사용자 맞춤형 서비스 제공.	LLM 기반 애플리케이션 개발자.
CrewAI	교육, 연구용 멀티 에이전트 실험.	초보 개발자, 프로토타입 제작자.
AutoGPT	자동화된 프로젝트 수행, 리서치 작업.	자동화 작업이 필요한 사용자.
Microsoft AutoGen	다중 에이전트 시스템 구축, 기업용 솔루션.	대규모 시스템 개발자.
MetaGPT	소프트웨어 개발 프로젝트, 단계적 협업.	프로젝트 설계 및 관리자.
에이닷 (A.)	음악 추천, 정보 검색, 일정 관리.	일반 사용자 및 엔터프라이즈 고객.

5. 결론

LangChain: 강력한 통합 능력과 유연성.
CrewAI: 간편한 설정으로 멀티 에이전트 시스템을 쉽게 구현 가능.
AutoGPT: 자율적이고 자동화된 작업 수행.
Microsoft AutoGen: 기업용 다중 에이전트 시스템 구축에 최적화.
MetaGPT: 역할 기반 협업 구조로 명확한 결과물 생성.
에이닷 (A.): 멀티 LLM을 활용하여 다양한 사용자 요청 처리.

이영진

이전 포스트

Agentic RAG

다음 포스트