이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
핵심 요약
에이전트의 복잡성을 관리하기 위해 미들웨어 기반의 모듈화된 아키텍처가 필수적이며, Deep Agents는 파일 시스템과 서브 에이전트를 활용해 이를 실현한다.
배경
단순한 챗봇을 넘어 도구를 사용하고 스스로 계획을 세우는 AI 에이전트의 중요성이 커지면서, 이를 효율적으로 구축하기 위한 프레임워크의 발전이 가속화되고 있다.
대상 독자
LangChain을 활용해 실무 수준의 AI 에이전트를 구축하려는 개발자 및 아키텍트
의미 / 영향
LangChain의 미들웨어 아키텍처와 Deep Agents의 등장은 에이전트 설계가 단순한 프롬프트 엔지니어링을 넘어 정교한 소프트웨어 공학적 접근으로 진화하고 있음을 보여준다. 개발자들은 제공되는 빌트인 미들웨어를 활용해 보안과 효율성이 검증된 에이전트를 더 빠르게 구축할 수 있게 되었다.
챕터별 상세
01:24
LangChain v1 create_agent와 ReAct 패턴
LangChain 버전 0에서 사용되던 create_react_agent가 버전 1로 넘어오면서 create_agent로 업데이트되었다. 이는 도구 호출(Tool Calling)을 기반으로 생각(Thought), 행동(Action), 관찰(Observation)을 반복하는 ReAct 패턴을 기본 아키텍처로 채택했다. 사용자의 요청이 모델로 들어오면 모델은 어떤 도구를 사용할지 결정하고, 도구 실행 결과를 바탕으로 최종 답변을 생성하는 루프를 수행한다.
- •v0의 create_react_agent가 v1에서 create_agent로 통합 및 업데이트됨
- •도구 호출을 통한 ReAct 패턴(Thought-Action-Observation)이 기본 작동 원리
- •LangGraph를 기반으로 에이전트의 실행 흐름을 그래프 형태로 정의
03:28
Middleware의 등장과 개입 위치
기존의 에이전트 패턴은 도구 호출에만 초점이 맞춰져 있어 중간 과정을 커스텀하기 어려웠다. 이를 해결하기 위해 Middleware 개념이 도입되었으며, 에이전트 실행의 6가지 주요 지점에 개입할 수 있다. Before Agent, Before Model, Wrap Model Call, Wrap Tool Call, After Model, After Agent 단계에서 각각 전처리, 후처리, 재시도 로직 등을 삽입하여 에이전트의 행동을 세밀하게 제어한다.
- •에이전트 실행의 전후 및 도구/모델 호출 시점에 개입하는 미들웨어 아키텍처 도입
- •Before/After Model 등 총 6개의 개입 포인트를 통해 커스텀 로직 삽입 가능
- •도구 실행 실패 시 재시도(Retry)나 결과 정제 작업을 미들웨어에서 처리
python
from langchain.agents import create_agent
agent = create_agent(
model=gpt_4_model,
tools=[weather_tool, calculator_tool],
middleware=[
SummarizationMiddleware(...),
HumanInTheLoopMiddleware(...)
]
)LangChain v1에서 미들웨어를 포함하여 에이전트를 생성하는 기본 구조
09:18
Built-in Middleware: Summarization 및 PII
LangChain은 자주 사용되는 기능을 빌트인 미들웨어로 제공한다. SummarizationMiddleware는 대화 이력이 길어져 토큰 제한에 가까워지면 이전 내용을 요약하여 컨텍스트를 압축한다. PIIMiddleware는 이메일, 카드 번호, IP 주소 등 개인 식별 정보를 탐지하여 모델로 전달되기 전이나 사용자에게 출력되기 전에 마스킹 처리함으로써 보안을 강화한다.
- •SummarizationMiddleware는 토큰 임계치 도달 시 대화 이력을 자동으로 요약
- •PIIMiddleware는 이메일, 카드 번호 등 민감 정보를 탐지하고 마스킹
- •미들웨어 파라미터를 통해 에이전트 생성 시 간단히 기능을 추가 가능
16:18
Deep Agents의 구조와 TodoListMiddleware
Deep Agents는 복잡한 작업을 수행하기 위해 계획 수립과 서브 에이전트 활용에 특화된 라이브러리다. 내부적으로 create_agent를 기반으로 하며, TodoListMiddleware를 통해 작업 목록을 관리한다. 이 미들웨어는 모델이 복잡한 문제를 해결하기 위해 스스로 계획을 세우고(write_todos), 각 단계가 완료될 때마다 상태를 업데이트하며 진행 상황을 추적하도록 돕는다.
- •Deep Agents는 계획 수립(Planning)과 서브 에이전트 관리에 최적화된 구조
- •TodoListMiddleware는 에이전트가 수행할 작업 목록을 생성하고 상태를 관리
- •시스템 프롬프트를 통해 에이전트가 계획 도구를 적절히 사용하도록 유도
python
from deepagents import create_deep_agent
agent = create_deep_agent(
tools=[get_weather],
system_prompt="You are a helpful assistant."
)
# Run the agent
agent.invoke({"messages": [{"role": "user", "content": "what is the weather?"}]})Deep Agents 라이브러리를 사용한 자율 에이전트 생성 및 실행 예시
25:06
Filesystem 및 SubAgent를 통한 컨텍스트 관리
Deep Agents는 컨텍스트 복잡성을 해결하기 위해 FilesystemMiddleware와 SubAgentMiddleware를 사용한다. FilesystemMiddleware는 도구 실행 결과가 너무 클 경우 이를 파일로 저장(Offloading)하고 필요할 때만 읽어오게 하여 컨텍스트 윈도우를 절약한다. SubAgentMiddleware는 특정 작업을 하위 에이전트에게 위임하고 결과만 받아옴으로써 메인 에이전트의 부담을 줄이고 작업을 격리한다.
- •FilesystemMiddleware는 대용량 데이터를 파일로 오프로딩하여 컨텍스트 효율화
- •SubAgentMiddleware는 복잡한 작업을 하위 에이전트에게 분산하여 처리
- •LS, Read, Write 등 파일 시스템 제어를 위한 전용 도구 세트 제공
40:06
에이전트 하네스(Harness) 개념과 결론
Deep Agents는 단순한 프레임워크를 넘어 '에이전트 하네스(Agent Harness)' 역할을 한다. 하네스는 LLM의 강력한 능력을 안전하고 통제된 방향으로 이끌기 위한 장치들을 의미한다. 미리 정의된 도구, 프롬프트, 미들웨어 세트를 통해 에이전트가 실전 환경에서 안정적으로 작동하도록 보장하며, 개발자는 이를 통해 고도로 자율적인 에이전트를 더 쉽게 설계할 수 있다.
- •Harness는 LLM의 능력을 제어하고 안전하게 활용하기 위한 아키텍처 세트
- •Deep Agents는 검증된 미들웨어 조합을 통해 실전 투입 가능한 에이전트 제공
- •미들웨어 기반의 모듈식 설계가 복잡한 에이전트 구현의 핵심 트렌드임
실무 Takeaway
- 에이전트의 복잡한 로직을 모델 호출 전후의 미들웨어로 분리하면 코드의 가독성과 유지보수성이 크게 향상된다.
- 대용량 도구 실행 결과는 파일 시스템으로 오프로딩하여 컨텍스트 윈도우를 확보하고 토큰 비용을 최적화할 수 있다.
- 복잡한 문제는 단일 에이전트가 아닌 서브 에이전트 구조로 분할하여 컨텍스트를 격리하고 정확도를 높여야 한다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 10.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.