1. 개요
LLM 기반 Agent를 개발할 때 LangChain, LangGraph, Deep Agents 등의 Framework를 활용할 수 있다.
세 가지는 서로 완전히 대체하는 관계가 아니라 추상화 수준과 역할이 서로 다르다.
Super Agent
: 여러 Agent와 Tool을 조율하여 복잡한 작업을 수행하도록 설계한 Agent 구조
LangChain / LangGraph / Deep Agents
: Agent를 실제로 구현하기 위한 Framework 및 기술
2. LangChain
: LLM 애플리케이션과 Agent를 쉽게 개발할 수 있도록 제공하는 Framework
LLM, Tool, Memory, Retriever 등의 구성요소를 연결하여 LLM 기반 애플리케이션을 구축할 수 있다.
주요 기능
- LLM 연동 / Tool 연동 / Agent 구성 / Structured Output / Retrieval / RAG 구성 / Prompt 관리
특징
- LLM + Tool + Agent를 구성하는 기본적인 Framework
3. LangGraph
: Agent의 상태(State)와 실행 흐름(Workflow)을 Graph 구조로 설계할 수 있는 Framework
복잡한 Agent의 실행 순서, 조건 분기, 반복 등을 명시적으로 정의할 수 있다.
Agent A
↓
조건 판단
↙ ↘
Agent B Agent C
↘ ↙
Agent D주요 특징
- State 관리 / Workflow 구성 / 조건부 분기 / 반복 실행 / Checkpoint / Human-in-the-loop
특징
- Agent의 실행 흐름과 상태를 세밀하게 제어하는 데 강점
4. Deep Agents
: 복잡하고 장시간 수행되는 작업(Long-horizon task)을 수행할 수 있도록 Planning, Tool 사용, Sub-agent, Context 관리 등의 기능을 제공하는 Agent Framework
단순히 LLM이 Tool을 호출하는 수준을 넘어 작업을 계획하고 여러 단계로 나누어 수행하는 Agent를 구현하는 데 초점을 둔다.
Deep Agents의 핵심 기능
① Planning
복잡한 작업을 여러 단계로 나누어 계획하고 실행한다.
사용자 요청
↓
작업 계획 수립
↓
① 자료 수집
② 데이터 분석
③ 결과 검증
④ 보고서 작성
↓
최종 결과② Sub-agent
하나의 Agent가 모든 작업을 처리하는 대신 전문적인 작업을 Sub-agent에게 위임할 수 있다.
Main Agent
│
┌─────────┼─────────┐
↓ ↓ ↓
Search Analysis Report
Agent Agent Agent각 Sub-agent가 독립적인 Context에서 작업할 수 있어 복잡한 작업을 분리하여 처리할 수 있다.
③ Filesystem
작업 중 생성되는 중간 결과나 대용량 데이터를 파일 형태로 저장하고 필요할 때 다시 사용할 수 있다.
Agent
↓
대용량 검색 결과
↓
파일 저장
↓
필요한 부분만 다시 읽기이를 통해 모든 정보를 LLM Context에 계속 유지하지 않아도 된다.
④ Context Management
장시간 작업에서 Context가 지나치게 커지는 것을 방지하기 위한 기능을 제공한다.
긴 대화 / Tool 결과
↓
Context 증가
↓
요약 / 외부 저장
↓
필요한 정보만 유지따라서 여러 단계의 작업을 수행하는 Long-running Agent에 적합하다.
⑤ Human-in-the-loop
Agent가 중요한 작업을 수행하기 전에 사용자의 승인이나 개입을 받을 수 있다.
Agent
↓
Tool 실행 요청
↓
Human Approval
↓
Approve / Reject
↓
실행