Krish NaikAI/ML

Deep Agents: LangGraph를 활용한 복잡한 멀티스텝 AI 에이전트 구축 가이드

LangGraph 기반의 Deep Agents 라이브러리를 사용하여 계획 수립, 서브 에이전트 생성, 파일 시스템 활용이 가능한 자율형 AI 에이전트를 구축하는 기술적 방법론을 제시한다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

단순한 루프 형태의 Shallow Agent를 넘어 계획 수립(Planning), 작업 분할(Decomposition), 서브 에이전트(Subagent) 할당 기능을 갖춘 Deep Agent 아키텍처를 구현한다. 이를 통해 복잡한 멀티스텝 태스크를 안정적으로 처리하고 컨텍스트를 효율적으로 관리할 수 있다.

배경

최근 Claude Code, Deep Research와 같이 복잡한 작업을 스스로 계획하고 수행하는 에이전트 기술이 주목받고 있다.

대상 독자

LangChain이나 LangGraph 기초 지식을 갖추고 실무급 에이전트 시스템을 구축하려는 개발자

의미 / 영향

이 튜토리얼은 단순한 챗봇 수준을 넘어 실제 업무를 자율적으로 수행하는 에이전트 구축의 표준 아키텍처를 제시한다. 개발자들은 deepagents 라이브러리를 통해 Claude Code와 같은 수준의 복잡한 에이전트를 적은 비용으로 빠르게 구현할 수 있게 되었다. 이는 기업용 AI 에이전트 시장에서 멀티스텝 태스크 처리 능력을 획기적으로 높이는 계기가 될 것이다.

챕터별 상세

00:00

Shallow Agent와 Deep Agent의 차이점

기존의 일반적인 에이전트는 Shallow Agent로 분류되며 LLM이 도구를 호출하고 결과를 반환하는 단순한 루프 구조를 가진다. 반면 Deep Agent는 명시적인 계획 수립(Planning) 단계가 존재하며 복잡한 쿼리를 하위 작업으로 분해하여 처리한다. Shallow Agent는 복잡한 쿼리 처리 능력이 낮고 컨텍스트 유지에 한계가 있지만 Deep Agent는 이를 체계적으로 해결한다.

•Shallow Agent는 명시적 계획 없이 단순 루프 방식으로 작동함
•Deep Agent는 복잡한 작업을 To-do List로 분해하여 관리함
•컨텍스트 보존과 상태 관리가 Deep Agent의 핵심 차별점임

에이전트의 복잡도는 LLM의 추론 능력뿐만 아니라 워크플로 설계 방식에 의해 결정된다.

09:15

Deep Agent의 4대 핵심 구성 요소

Deep Agent는 Planning Tool, Subagents, System Prompt, File System의 네 가지 핵심 컴포넌트로 구성된다. Planning Tool은 작업을 수행하기 전 To-do List를 생성하고 Subagents는 분할된 작업을 전문적으로 수행하기 위해 동적으로 생성된다. File System은 서브 에이전트 간에 공유되는 영구 메모리 역할을 수행하며 System Prompt는 에이전트의 전반적인 행동 지침을 정의한다.

•Planning Tool은 작업의 실행 순서와 구조를 정의함
•Subagents는 컨텍스트 격리를 위해 특정 작업에 특화되어 생성됨
•File System은 에이전트 간 데이터를 공유하는 Persistent Memory임

Claude Code와 같은 최신 에이전트 도구들도 이와 유사한 아키텍처를 공유한다.

17:30

개발 환경 구축 및 라이브러리 설정

에이전트 구현을 위해 uv 패키지 매니저를 사용하여 가상 환경을 초기화하고 필요한 라이브러리를 설치했다. deepagents, langchain, langgraph, tavily-python 등이 주요 종속성으로 포함되었다. API 키 관리를 위해 .env 파일을 설정하고 OpenAI, Groq, Tavily 등의 환경 변수를 로드하는 과정을 거쳤다.

•uv init 및 uv venv를 통한 효율적인 프로젝트 초기화
•deepagents 라이브러리는 LangGraph를 기반으로 구축됨
•Tavily API는 에이전트의 실시간 인터넷 검색 도구로 활용됨

uv는 Python 패키지 설치와 관리를 매우 빠르게 수행하는 최신 도구이다.

25:30

Tavily를 활용한 웹 검색 도구 구현

에이전트가 외부 정보를 탐색할 수 있도록 TavilyClient를 활용한 web_search 함수를 정의했다. 이 함수는 검색 쿼리, 최대 결과 수, 뉴스 카테고리(Sports, Finance 등)를 파라미터로 받아 실시간 검색 결과를 반환한다. 리터럴(Literal) 타입을 사용하여 입력 가능한 토픽 범위를 제한함으로써 도구 호출의 안정성을 높였다.

•TavilyClient를 통한 실시간 인터넷 데이터 접근 구현
•Literal 타입을 활용한 도구 파라미터의 엄격한 정의
•검색 결과의 양과 질을 제어하기 위한 옵션 설정

Tavily는 AI 에이전트 검색에 최적화된 검색 엔진 API이다.

31:30

Deep Agent 생성 및 워크플로 시각화

create_deep_agent 함수를 사용하여 실제 에이전트 객체를 생성했다. 이 과정에서 LLM 모델(Grok-1 등), 정의된 도구 리스트, 시스템 프롬프트를 주입했다. 생성된 에이전트는 내부적으로 PatchToolCalls, Summarization, ToDoList와 같은 미들웨어 훅(Middleware Hooks)이 자동으로 연결된 그래프 구조를 가진다. 이는 일반적인 에이전트보다 훨씬 복잡하고 정교한 실행 흐름을 보여준다.

•create_deep_agent는 복잡한 그래프 구조를 자동으로 생성함
•미들웨어를 통해 작업 추적 및 요약 로직이 자동 적용됨
•시각화된 그래프를 통해 에이전트의 의사결정 경로 확인 가능

미들웨어는 에이전트의 실행 전후에 특정 로직을 삽입하는 기술이다.

38:30

에이전트 실행 및 결과 분석

에이전트에게 'What is langgraph?'와 같은 복잡한 질문을 던져 실행 결과를 확인했다. 에이전트는 내부적으로 인터넷 검색을 수행하고 검색된 방대한 정보를 요약하며 필요한 경우 로컬 파일 시스템에 컨텍스트를 저장했다. 최종 출력은 단순한 검색 결과 나열이 아니라 수집된 정보를 종합하여 구조화된 답변으로 제공되었다. 실행 과정에서 생성된 파일 정보를 통해 에이전트가 컨텍스트를 어떻게 보존하는지도 확인했다.

•에이전트가 스스로 하위 작업을 생성하고 실행함을 증명함
•파일 시스템을 활용한 대규모 컨텍스트 관리 확인
•단순 검색을 넘어선 종합적인 추론 결과 도출

Deep Agent는 긴 컨텍스트를 처리할 때 요약과 파일 저장을 병행하여 성능을 유지한다.

실무 Takeaway

복잡한 작업 수행을 위해서는 에이전트가 실행 전 To-do List를 작성하는 Planning 단계가 필수적이다.
컨텍스트 오염을 방지하기 위해 특정 작업은 독립된 Subagent에게 위임하여 처리하는 것이 효율적이다.
대규모 데이터를 다룰 때는 LLM의 컨텍스트 윈도우에만 의존하지 말고 로컬 파일 시스템을 Persistent Memory로 활용해야 한다.
미들웨어 훅을 사용하여 에이전트의 도구 호출 과정을 모니터링하고 자동으로 요약하는 로직을 추가하면 안정성이 향상된다.

언급된 리소스

GitHubdeepagents GitHub

API DocsTavily AI Search

문서LangGraph Documentation

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 01. 09.수집 2026. 02. 21.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.

Deep Agents: LangGraph를 활용한 복잡한 멀티스텝 AI 에이전트 구축 가이드 | AI Trends