이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
LangChain의 Deep Agents는 에이전트가 직접 수십 개의 도구 호출을 관리하는 대신 코드를 통해 서브에이전트를 동적으로 생성하고 제어하는 새로운 방식을 제안한다. 기존의 LLM 기반 오케스트레이션은 복잡한 작업에서 흐름을 놓치기 쉬웠으나 로직을 코드로 옮김으로써 대규모 작업에서도 안정적인 제어 흐름을 확보하게 되었다. 영상에서는 15개의 서브에이전트를 병렬로 실행하는 데모와 함께 분산 및 합성, 적대적 검증 등 실전에서 활용 가능한 6가지 설계 패턴을 LangSmith 트레이스와 함께 상세히 제시한다. 이를 통해 개발자는 에이전트의 자율성과 코드의 예측 가능성을 결합하여 더 복잡하고 신뢰할 수 있는 AI 시스템을 구축할 수 있다.
챕터별 상세
00:00
동적 서브에이전트의 개념과 필요성
동적 서브에이전트는 Deep Agents의 핵심 기능으로 에이전트가 실행 중에 코드를 작성하여 하위 에이전트를 생성하는 기술이다. 기존에는 에이전트가 순차적으로 수많은 도구를 호출하며 맥락을 잃는 문제가 빈번했으나 이 방식은 오케스트레이션 로직을 코드로 명시화하여 해결한다. 개발자는 이를 통해 에이전트의 작업 범위를 프로그래밍 방식으로 확장하고 신뢰할 수 있는 제어 흐름을 확보한다. 이는 단순한 도구 호출을 넘어 에이전트가 스스로 팀을 구성하여 문제를 해결하는 구조로 진화한 형태이다.
에이전트가 도구를 사용하는 것과 서브에이전트를 생성하는 것의 차이를 이해하는 것이 중요하다.
00:31
실시간 데모: 15개 병렬 서브에이전트 실행
15개의 서브에이전트를 동시에 생성하여 병렬로 작업을 수행하는 실시간 데모가 진행되었다. 각 서브에이전트는 독립적인 컨텍스트를 가지며 할당된 세부 작업을 수행한 뒤 결과를 메인 에이전트에게 반환한다. LangSmith 트레이스를 통해 수십 개의 작업이 충돌 없이 병렬로 처리되는 과정을 시각적으로 확인했다. 이 과정에서 메인 에이전트는 전체적인 진행 상황만 관리하며 세부 실행은 서브에이전트에게 위임하여 효율성을 극대화했다.
03:35
코드 기반 오케스트레이션의 이점
오케스트레이션 로직을 LLM의 판단에만 맡기지 않고 파이썬 코드로 정의함으로써 예측 가능성을 높였다. 에이전트가 '생각'으로 순서를 결정할 때는 오류가 잦지만 코드로 작성된 루프나 조건문은 정확하게 실행된다. 코드 인터프리터 미들웨어가 에이전트의 코드를 해석하여 실제 시스템 명령으로 변환하는 구조를 채택했다. 이를 통해 복잡한 도서 요약 사례에서도 각 장을 개별 서브에이전트가 처리하도록 정교하게 제어할 수 있다.
LLM의 비결정론적 특성을 코드의 결정론적 특성으로 보완하는 설계 철학이 담겨 있다.
07:24
패턴 1: 분류 및 실행 (Classify and Act)
입력된 요청을 먼저 분류한 뒤 결과에 따라 적절한 서브에이전트를 호출하는 패턴이다. 예를 들어 고객 문의가 기술 지원인지 환불 요청인지 코드로 판단하여 전담 에이전트에게 전달한다. 모든 로직을 하나의 거대 모델에 넣는 대신 전문화된 서브에이전트로 분산하여 정확도를 높였다. LangSmith를 통해 분류 결과에 따라 실행 경로가 분기되는 과정을 추적할 수 있다.
11:01
패턴 2: 분산 및 합성 (Fan Out and Synthesize)
하나의 큰 작업을 여러 조각으로 나누어 병렬로 처리한 뒤 결과를 하나로 합치는 방식이다. 긴 문서를 여러 섹션으로 나누어 각 서브에이전트가 요약하게 한 뒤 최종적으로 메인 에이전트가 종합 요약문을 작성한다. `task.spawn` 명령을 루프 내에서 사용하여 작업량에 따라 서브에이전트 수를 동적으로 조절한다. 이 패턴은 처리 시간을 단축하고 각 부분에 대한 상세한 분석을 보장한다.
13:37
패턴 3: 적대적 검증 (Adversarial Verification)
생성된 결과물을 검증하기 위해 비판적인 시각을 가진 서브에이전트를 별도로 생성하는 패턴이다. 첫 번째 에이전트가 답안을 작성하면 두 번째 에이전트가 오류나 편향을 찾아내어 수정을 요구한다. 코드를 통해 '검증 통과 시까지 반복'하는 로직을 구현하여 결과물의 품질을 보증한다. 이는 환각 현상을 줄이고 논리적 완결성을 높이는 데 매우 효과적이다.
17:27
패턴 4: 생성 및 필터링 (Generate and Filter)
여러 개의 후보안을 동시에 생성한 뒤 기준에 부합하는 것만 골라내는 방식이다. 창의적인 아이디어나 다양한 해결책이 필요할 때 유용하게 사용된다. 서브에이전트들이 각기 다른 페르소나로 제안을 내놓으면 필터링 에이전트가 점수를 매겨 최적의 안을 선택한다. 이 과정은 모두 병렬로 이루어지며 최종 결과 도출까지의 지연 시간을 최소화한다.
python
# Example of spawning a subagent within code
for chapter in chapters:
task.spawn(
name=f"Summarize {chapter['title']}",
instructions=f"Read and summarize this: {chapter['content']}"
)에이전트가 작성한 코드 내에서 반복문을 통해 여러 서브에이전트를 동적으로 생성하는 예시
21:00
패턴 5: 토너먼트 (Tournament)
여러 에이전트의 결과물을 서로 비교 대조하여 가장 우수한 것을 선발하는 경쟁적 패턴이다. 생성 및 필터링과 유사하지만 에이전트 간의 상대 평가가 포함된다는 점이 다르다. 코드로 대진표를 짜듯 서브에이전트들의 결과물을 1:1로 비교하여 최종 승자를 가린다. 복잡한 의사결정이나 최적의 코드 구현체를 찾을 때 높은 성능을 발휘한다.
python
# Using the workflow keyword to trigger orchestration
@workflow
def research_and_verify(topic):
results = task.spawn_parallel("research", topic, count=3)
verified = task.spawn("verify", results)
return verifiedworkflow 키워드를 사용하여 서브에이전트 간의 병렬 실행과 검증 단계를 정의하는 예시
23:29
패턴 6: 완료 시까지 반복 (Loop Until Done)
특정 목표가 달성될 때까지 서브에이전트가 작업을 반복 수행하고 스스로 평가하는 패턴이다. 코드로 정의된 종료 조건을 만족할 때까지 루프가 돌아가며 각 단계마다 상태를 업데이트한다. 에이전트가 자신의 작업 결과가 미흡하다고 판단하면 스스로 다시 시도하도록 설계되었다. 이는 자율적인 문제 해결 능력을 극대화하는 가장 고도화된 형태의 패턴이다.
언급된 리소스
DemoLangSmith
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 06. 30.수집 2026. 06. 30.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.