멀티 에이전트 아키텍처 선택 가이드: Subagents, Skills, Handoffs, Router

섹션별 상세

01

Subagents 패턴은 중앙 에이전트가 전문화된 하위 에이전트들을 도구처럼 호출하여 작업을 조정하는 중앙 집중식 오케스트레이션 방식이다. 메인 에이전트가 대화 컨텍스트를 유지하는 반면 하위 에이전트들은 상태를 가지지 않아 강력한 컨텍스트 격리가 가능하며, 여러 도메인을 병렬로 처리해야 하는 개인 비서나 연구 시스템에 적합하다.

메인 에이전트가 여러 하위 에이전트(Subagent A, B, C)를 중앙에서 관리하는 구조도이다. — Diagram메인 에이전트가 사용자 요청을 받아 적절한 하위 에이전트를 호출하고 결과를 취합하여 최종 응답을 생성하는 중앙 집중식 오케스트레이션 흐름을 시각화한다.

Subagents 패턴에서 사용자 요청부터 최종 응답까지 발생하는 4번의 모델 호출 과정을 보여주는 시퀀스 다이어그램이다. — Diagram메인 에이전트와 하위 에이전트 간의 통신으로 인해 발생하는 추가적인 모델 호출 오버헤드와 실제 작동 메커니즘을 구체적인 단계별로 명시한다.

02

Skills 패턴은 에이전트가 필요에 따라 전문화된 프롬프트와 지식을 동적으로 로드하는 점진적 공개 방식을 채택한다. 단일 에이전트 인스턴스를 사용하면서도 페르소나를 전환할 수 있어 가벼운 구조를 유지하며, 코딩 에이전트나 창의적 보조 도구처럼 다양한 전문 분야를 다루어야 하는 상황에서 효율적이다.

단일 메인 에이전트가 필요에 따라 다양한 기술(Skill A, B, C)을 동적으로 로드하는 구조도이다. — Diagram별도의 에이전트 인스턴스 대신 프롬프트 기반의 기술 세트를 온디맨드로 확장하여 사용하는 Skills 패턴의 가벼운 아키텍처 특성을 보여준다.

03

Handoffs 패턴은 대화 맥락에 따라 활성 에이전트가 동적으로 교체되는 상태 기반 전이 아키텍처이다. 에이전트가 도구 호출을 통해 다른 에이전트에게 제어권을 넘기며 대화 상태가 유지되므로, 단계별 정보 수집이 필요한 고객 지원 흐름이나 순차적 제약 조건이 있는 워크플로우 구현에 유리하다.

에이전트 간에 직접적으로 제어권이 전이되는 Handoffs 패턴의 상호작용 다이어그램이다. — Diagram에이전트 A가 작업을 수행하다가 조건에 따라 에이전트 B나 C로 대화의 주도권을 넘기는 상태 기반 전이 과정을 설명한다.

04

Router 패턴은 입력된 쿼리를 분류하여 여러 전문 에이전트에게 병렬로 전달하고 그 결과를 하나로 합성하는 구조이다. 각 요청을 독립적으로 처리하는 무상태 설계로 일관된 성능을 제공하며, 기업용 지식 베이스나 여러 수직적 도메인에서 동시에 정보를 검색해야 하는 시스템에 최적화되어 있다.

라우터가 요청을 분류하고 병렬로 에이전트들에게 전달한 뒤 합성기(Synthesizer)가 결과를 합치는 구조이다. — Diagram독립적인 도메인 에이전트들을 병렬로 실행하여 응답 속도를 높이고 최종적으로 정보를 통합하는 Router 패턴의 처리 과정을 나타낸다.

05

성능 분석 결과, 반복적인 요청 상황에서는 Handoffs와 Skills 같은 상태 유지 패턴이 컨텍스트를 보존하여 모델 호출 횟수를 40-50% 절감하는 것으로 나타났다. 반면 다중 도메인 쿼리에서는 Subagents와 Router 패턴이 병렬 실행을 통해 토큰 사용량을 최대 67%까지 줄이며 효율적인 처리를 지원한다.

용어 해설

컨텍스트 윈도우(Context Window): — LLM이 한 번에 처리할 수 있는 최대 토큰 범위를 의미한다. 멀티 에이전트 구조에서는 각 에이전트에게 필요한 정보만 선택적으로 노출하여 이 제한된 자원을 효율적으로 관리하고 추론 정확도를 높인다.
오케스트레이션(Orchestration): — 여러 개의 독립된 AI 에이전트나 도구들의 실행 순서, 데이터 흐름, 상호작용을 중앙에서 제어하고 조정하는 프로세스이다. 복잡한 작업을 하위 작업으로 분해하고 적절한 에이전트에게 할당하는 역할을 수행한다.
무상태성(Stateless): — 시스템이 이전 요청의 정보를 저장하지 않고 각 요청을 독립적으로 처리하는 방식이다. 에이전트 설계에서 무상태 하위 에이전트는 컨텍스트 격리를 강화하고 시스템의 예측 가능성을 높이는 데 기여한다.
토큰 팽창(Token Bloat): — 대화가 진행됨에 따라 불필요하거나 중복된 컨텍스트 정보가 누적되어 API 비용이 상승하고 모델의 응답 속도가 저하되는 현상이다. Skills 패턴과 같이 컨텍스트가 누적되는 구조에서 주의해야 할 요소이다.
점진적 공개(Progressive Disclosure): — 사용자나 시스템의 필요에 따라 정보를 단계적으로 노출하는 설계 원칙이다. Skills 패턴에서 에이전트가 특정 작업에 필요한 전문 지식이나 도구를 실시간으로 로드할 때 이 개념이 적용된다.