Claude 블로그 되짚어보기 #94 — AI Agent 6 패턴, Workflow vs Agent 어휘 (2026)

원문 정보

• 제목: Common workflow patterns for AI agents—and when to use them
• 링크: claude.com/blog/common-workflow-patterns-for-ai-agents-and-when-to-use-them
• 발행: 2026년 3월 (Building Effective AI Agents follow-up)
• 카테고리: Claude Platform

글의 요지

AI Agent 디자인 패턴의 종합 가이드. #33 (Building Effective Agents) 의 후속. 6가지 핵심 패턴: Prompt Chaining, Routing, Parallelization, Orchestrator-Workers, Evaluator-Optimizer, Autonomous Agents. Workflow vs Agent 구별: Workflow = 정해진 코드 path. Agent = 동적 자기 process. "Start simple, add complexity only when measured value".

Workflow vs Agent — 핵심 구별

본문 인용:

"Workflows are systems where LLMs and tools are orchestrated through predefined code paths. Agents, on the other hand, are systems where LLMs dynamically direct their own processes and tool usage, maintaining control over how they accomplish tasks."

Workflow:

• 미리 정의된 코드 path
• 예측 가능
• 디버깅 쉬움
• 대부분 use case에 충분

Agent:

• LLM이 자기 process 결정
• 동적 도구 사용
• 유연성 ↑
• 그러나 비용 ↑, 디버깅 어려움

권장:

• 먼저 workflow 시도
• agent는 "flexibility 정말 필요" 시만

6가지 핵심 패턴

1) Prompt Chaining (가장 단순)

여러 LLM 호출을 sequential하게 chain:

Input → LLM1 → output → LLM2 → output → LLM3 → final

각 단계:

• Output을 다음 단계 input
• 명확한 sequence
• gate (검증) 가능

사용:

• 콘텐츠 생성 파이프라인
• 데이터 변환
• 다단계 분석

2) Routing

LLM이 input 분류 → 적절한 path로 라우팅:

Input → Router LLM → [path A | path B | path C]

사용:

• 고객 서비스 (refund vs technical support)
• 다양한 input → 다른 처리
• 모델 선택 (간단 = Haiku, 복잡 = Opus)

3) Parallelization

여러 LLM 동시 실행:

Sectioning (작업 분할):

Task → [Sub-task 1, Sub-task 2, Sub-task 3] (parallel) → Combine

Voting (다중 시도):

Same task → [LLM call 1, LLM call 2, LLM call 3] (parallel) → Aggregate

사용:

• 코드 보안 검토 (여러 prompt가 다른 issue 찾기)
• Guardrail (한 LLM 처리 + 다른 LLM 검열)
• 신뢰도 ↑

4) Orchestrator-Workers

중앙 LLM이 동적 분할 + 위임:

Input → Orchestrator LLM
        ↓
    [동적 분할]
        ↓
   [Worker 1, Worker 2, Worker N] (병렬)
        ↓
    Synthesis (Orchestrator)

특징:

• subtask가 미리 정의 X
• Orchestrator가 동적 결정
• Worker output 종합

사용:

• 복잡 코딩 (다중 파일 변경)
• Research (여러 source 동시)
• Multi-domain 문제

5) Evaluator-Optimizer

생성 + 평가 + 개선의 iterative loop:

Generator → Output → Evaluator → Feedback
       ↑                              ↓
       └────── (improvement) ←────────┘

사용:

• 글쓰기 개선
• 코드 리뷰 + 수정
• 명확한 평가 기준 있을 때
• "iterative refinement = 측정 가능 가치"

6) Autonomous Agents

LLM이 도구 + 환경 피드백으로 loop:

User → Initial task
       ↓
    [LLM → Tool → Environment → Feedback] (loop)
       ↓
    Final result + 인간 checkpoint

특징:

• 사용자 후 자율 실행
• 환경에서 "ground truth"
• Checkpoint마다 인간 피드백 옵션

사용:

• SWE-bench (다중 파일 수정)
• Computer use
• Open-ended research

Workflow가 적합한 경우

본문이 식별:

• 명확한 input → output
• 예측 가능 단계
• 디버깅 중요
• 대부분 use case

Agent가 적합한 경우

본문이 식별:

• 사용자 conversation 필요
• 분명한 success criteria
• 인간 oversight 통합
• 비용이 정당화

핵심 원칙 (반복)

본문 강조:

"Success in the LLM space isn't about building the most sophisticated system. It's about building the right system for your needs. Start with simple prompts, optimize them with comprehensive evaluation, and add multi-step agentic systems only when simpler solutions fall short."

(가장 정교한 시스템 X. 적절한 시스템. 단순 prompt부터, 측정으로 optimize, 단순이 부족할 때만 agent 추가)

3 핵심 원칙:
1. Maintain simplicity — 단순 디자인
2. Visibility — 추론 과정 보이게
3. Reliable tool interactions — 명확한 도구

---

2026년에 다시 읽으며 — 내가 본 것

1. "Workflow vs Agent" 분류의 산업 표준 정착

이 글의 가장 중요한 기여 — 명확한 분류 어휘.

전통 용어 혼란:

• "AI Agent" = 모든 AI 자동화
• "Workflow" = legacy
• "chatbot" = 단순

새 어휘 (Anthropic 정의):

• Workflow: 정해진 path (predictable)
• Agent: 동적 path (autonomous)
• Agentic systems: 둘 다 포함하는 상위

이 어휘가 산업 표준:

• 학술 논문
• 컨설팅 보고서
• 개발자 토론
• 모두 "Anthropic 분류" 사용

이게 "표준 정의자" 의 정확한 사례. Anthropic이 어휘 정의 → 산업 따름.

2. "Don't Build Agents First" 의 솔직 메시지

본문이 반복 강조:

• Workflow 먼저
• Agent는 정말 필요할 때만
• "Start simple"

이게 "hype에 반대하는" Anthropic 마케팅:

• 산업: "AI Agent 미래" hype
• Anthropic: "신중히, workflow가 답일 때 많음"

비교 — 다른 회사:

• "Agent buildup" 강조 (수익 ↑)
• "우리 framework 사용" (락인)

Anthropic:

• "단순 패턴 충분"
• "우리 도구 그러나 신중히"
• 단기 매출 X, 신뢰 우선

이 "counter-hype 마케팅" 이 enterprise 신뢰 자산이다.

3. "Building Effective Agents" 시리즈의 progression

Anthropic의 agent 시리즈:
1. #33 (2024년 12월): "Building Effective Agents" — 기본 패턴
2. #54 (2025년): "How we built our multi-agent research system"
3. #77 (2026년 1월): "Multi-agent Systems: When and How"
4. 이 글 (2026년 3월): "Common Workflow Patterns"
5. #83 (2026년 1월): 32-page Skills Playbook
6. #93 (2026년 3월): skill-creator 진화

이 시리즈가 AI 디자인 패턴 책의 챕터들:

• 챕터 1: 기본 패턴
• 챕터 2: Multi-agent
• 챕터 3: When to use
• 챕터 4: Skills
• 챕터 5: Workflow patterns (이 글)
• 챕터 6: Skill engineering

향후 "Anthropic AI Engineering" 책으로 묶이면 표준 교과서.

4. "Three Core Principles" 의 디자인 철학

3 원칙:
1. Simplicity — 복잡성 최소
2. Visibility — 보이는 추론
3. Reliable tools — 명확한 도구

이게 "Constitutional AI" 와 같은 철학:

• "AI = 강력하지만 통제 가능"
• "투명성 + 안전성"
• "인간 oversight"

비교 — 다른 디자인 철학:

• "AGI는 모든 것" (OpenAI 일부)
• "AI = 마법" (마케팅)

Anthropic:

• "AI = 강력 도구"
• "엔지니어링 디시플린"
• "인간 + AI 협업"

이 일관 철학이 enterprise 신뢰.

5. "Six Patterns = Lego Blocks" 비유

본문 (그리고 #33) 강조:

"These building blocks aren't prescriptive. They're common patterns that developers can shape and combine to fit different use cases."

Lego 비유:

• 6 패턴 = 기본 블록
• 조합 = 무한 가능
• 단순 → 복잡 진화

비교 — Gang of Four:

• 23 디자인 패턴 (OOP)
• 조합으로 시스템 빌드
• 표준 어휘

이 글의 6 패턴:

• "AI 시대 23 패턴" 의 시작
• 향후 더 많은 패턴 (multi-agent, swarm 등)
• 표준 어휘 형성 중

6. "Production Pattern 검증" 의 enterprise 가치

본문 강조:

• Anthropic이 자체 사용
• 고객 사례
• "production에서 검증"

이게 "이론 vs 실무" 의 답:

• 학계: 새 패턴 끊임없이
• 그러나 production X
• 회사가 적용 못 함

Anthropic:

• 단순 패턴
• production 검증
• "우리도 사용"

비교 — 다른 컨설팅:

• "Best practices" 추상
• 실제 회사 사례 X
• "우리 회사도 가능?" 의심

Anthropic:

• "Coinbase, Intercom, Thomson Reuters" 사례
• "우리 자체" 사례
• 신뢰

7. "MCP, Skills" 의 인프라 layer

본문 (Aimultiple 인용):

"MCP (Model Context Protocol) by Anthropic also simplifies tool integration by standardizing how models access them."

이 글의 패턴들이 작동하는 인프라:

• MCP: 도구 통합 표준
• Skills: 도메인 expertise
• Cowork: workflow execution
• Plugins: 솔루션 패키지

각 패턴이 위 인프라 위에서:

• Routing → MCP 다양한 도구
• Orchestrator-Workers → Skills 분업
• Parallelization → Cowork 멀티태스크

이게 "패턴 + 인프라" 의 정석. 둘 다 있어야 작동.

8. "Customer Support + Coding Agent" 의 두 use case

본문이 강조한 가장 promising 영역:

• Customer Support: chatbot + 도구
• Coding Agent: SWE-bench

이 두 영역의 공통점:

• 명확 success criteria
• Feedback loop
• 인간 oversight
• Conversation + action

비교 — 어려운 영역:

• 창의적 글쓰기 (success 측정 어려움)
• 의료 진단 (인간 검증 critical)
• 법무 결정 (책임 문제)

이 분류가 "AI agent 적용 영역" 의 정확한 가이드.

9. "Anthropic Architecture Patterns Playbook" 의 거시 자산

본문 + 후속 (Anthropic Resources):

• Building Effective AI Agents: Architecture Patterns and Implementation Frameworks PDF
• 무료 다운로드
• enterprise CIO를 위한 결정 framework

이 패턴:

• #83 (Skills 32-page)
• #81 (Retail Transformation)
• #90 (COBOL Modernization)
• 이 글 (Workflow patterns)

각각 "무료 가이드 + 표준 정의" 패턴.

이게 "developer 마케팅의 정석" :

• Stripe: 결제 가이드
• AWS: cloud best practices
• Anthropic: AI agent 패턴

가이드로 표준 → 표준 위에서 도구 사용.

---

마무리

이 글은 "workflow patterns" 같지만, 실제로는 AI 시대 SW 엔지니어링 어휘 정의다.

• Workflow vs Agent: 명확 분류
• 6 Core Patterns: Lego blocks
• Counter-hype 마케팅: 신뢰
• Building Effective Agents 시리즈: 챕터들
• Three Principles: 디자인 철학
• Production 검증: enterprise 신뢰
• MCP + Skills 인프라: 작동 토대
• Customer Support + Coding: 명확 영역
• 무료 PDF + 표준: 발견자 자산

2026년 3월 시점은 "AI Agent = 미스터리" 시대가 끝난 시점이다. AI Agent = 6 패턴 조합의 명확한 어휘 정착.

흥미로운 건 이 글이 #33 (2024년 12월) 의 progression 라는 점이다:

• 2024 말: 기본 패턴 정의
• 2025: 자세한 사례 (multi-agent research)
• 2026 초: When/how nuance
• 2026 중: 종합 패턴 (이 글)

15개월 동안 AI 디자인 패턴 어휘 형성. 이게 산업 진화의 정확한 속도다.

비교 — 전통 SW 디자인 패턴:

• Gang of Four: 1994
• 그 전 수십 년 OOP 진화
• 결국 책으로 정착

AI 시대:

• 2022: ChatGPT
• 2024: Effective Agents (#33)
• 2026: 종합 패턴 (이 글)
• 4년에 디자인 패턴 정의

이 가속이 AI 시대 변화 속도의 정확한 측정이다.

다음 글 (#95): Bringing Code Review to Claude Code — 이 글의 "Evaluator-Optimizer" 패턴의 정확한 production 사례. Code Review = 자동 evaluator. Claude Code의 다음 진화 단계가 보인다.