이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
AI 에이전트 배포는 런타임, 샌드박스, 컨텍스트 관리 등 복잡한 인프라 구축이 필수적이다. Managed Deep Agents는 비즈니스 로직과 이러한 인프라를 하나의 패키지로 번들링하여 배포 과정을 단순화한다. LangSmith Deployments와 Context Hub를 활용해 에이전트의 지침과 기억을 실시간으로 업데이트하고, 로컬 개발 환경에서 즉시 테스트할 수 있는 워크플로우를 제공한다.
챕터별 상세
00:00
Managed Deep Agents 개요
에이전트 구축, 운영, 배포의 복잡성을 해결하기 위해 Managed Deep Agents가 출시되었다. 이 도구는 오픈소스 Deep Agents harness를 기반으로 하며, LangSmith Deployments와 Context Hub를 통합하여 프로덕션 환경에서의 에이전트 운영을 지원한다. Python과 JavaScript를 모두 지원하여 개발자의 접근성을 높였다.
00:23
에이전트 구조
에이전트는 비즈니스 로직, Harness, 인프라의 세 계층으로 구성된다. 비즈니스 로직은 프롬프트, 기술, 도구 등 사용자가 정의하는 영역이며, Harness는 이를 오케스트레이션하고 컨텍스트를 관리한다. 인프라는 런타임, 샌드박스, 채널 등을 포함하여 로컬 실행을 프로덕션 규모로 확장하는 역할을 수행한다.
01:33
배포의 어려움
에이전트를 로컬에서 프로덕션으로 옮길 때 런타임, 샌드박스, 컨텍스트 관리, 평가, 인증, 사용자 경험, 메모리 등 다양한 기술적 난관이 발생한다. 특히 신뢰할 수 없는 코드 실행을 위한 샌드박스와 비개발자가 컨텍스트를 수정할 수 있는 환경 구축이 중요하다. Managed Deep Agents는 이러한 인프라 문제를 해결하여 배포를 간소화한다.
03:33
아키텍처 통합
Managed Deep Agents는 LangSmith Deployments를 런타임으로 사용하고, Context Hub를 통해 지침, 기술, 메모리를 중앙에서 관리한다. 이 구조는 에이전트 루프가 Context Hub에서 컨텍스트를 실시간으로 가져오도록 설계되어 있어, 코드 재배포 없이도 에이전트의 동작을 즉시 수정할 수 있다.
07:25
프로젝트 시작
Managed Deep Agents를 사용하기 위해서는 LangSmith API 키와 모델 API 키가 필요하다. `uv tool install` 명령으로 패키지를 설치하고, `mda init` 명령을 통해 에이전트 프로젝트를 생성한다. 이 과정에서 프로젝트 디렉토리가 자동으로 구성되어 에이전트 개발을 위한 기본 환경이 마련된다.
bash
uv tool install --prerelease allow managed-deepagentsManaged Deep Agents 패키지 설치 명령어.
bash
mda init research-assistant에이전트 프로젝트 초기화 명령어.
12:13
에이전트 설정
에이전트의 핵심 설정은 `agent.py` 파일에서 이루어지며, `define_deep_agent` 함수를 통해 에이전트 이름과 사용할 모델을 지정한다. `instructions.md` 파일에는 에이전트의 행동 지침이 정의되어 있으며, 이를 수정하면 에이전트의 동작이 변경된다.
python
agent = define_deep_agent(name="research-assistant-123", model="openai:gpt-5.5")에이전트 이름과 모델을 설정하는 코드.
12:54
도구 추가
에이전트가 외부 정보를 검색할 수 있도록 Tavily와 같은 검색 도구를 추가할 수 있다. `pyproject.toml`에 의존성을 추가하고 `search.py` 파일에 도구 정의를 작성한 뒤, `agent.py`에서 이를 가져와 에이전트에 등록한다. 이 방식은 도구의 모듈화와 재사용성을 높인다.
14:56
로컬 실행
`mda dev` 명령을 실행하면 로컬 서버가 구동되고 LangSmith Studio가 브라우저에서 열린다. LangSmith Studio는 에이전트와 대화하고, 그래프 뷰를 통해 에이전트의 동작을 시각적으로 확인하며 디버깅할 수 있는 인터페이스를 제공한다.
15:52
프로덕션 배포
`mda deploy` 명령을 실행하면 로컬의 컨텍스트 설정이 Context Hub로 푸시되고 에이전트가 프로덕션 환경에 배포된다. 배포가 완료되면 LangSmith UI에서 배포 상태를 모니터링하고, 프로덕션 환경의 에이전트와 직접 상호작용할 수 있다.
17:58
결론
Managed Deep Agents는 에이전트 배포와 관리를 위한 통합 솔루션을 제공한다. 향후 추가적인 튜토리얼을 통해 메모리 관리, 평가, 커스텀 도구 개발 등 심화 기능을 다룰 예정이다. 개발자는 이를 통해 에이전트의 프로덕션 운영 효율을 극대화할 수 있다.
용어 해설
- 에이전트 루프(Agent Loop)
- — AI 에이전트가 작업을 수행하기 위해 반복적으로 추론하고 도구를 사용하는 루프 구조이다. 에이전트의 핵심 동작 원리로, 입력을 받아 추론하고 도구를 호출하여 결과를 얻는 과정을 반복한다. 에이전트의 자율성을 결정짓는 중요한 메커니즘이다.
- 컨텍스트 허브(Context Hub)
- — 에이전트의 지침, 기술, 기억 등을 중앙에서 관리하고 배포 없이 즉시 업데이트할 수 있게 하는 저장소이다. 에이전트가 실행 중에 필요한 정보를 실시간으로 가져올 수 있게 하여, 코드 수정 없이 에이전트의 동작을 변경할 수 있게 한다.
- 샌드박스(Sandbox)
- — 에이전트가 실행하는 신뢰할 수 없는 코드를 안전하게 격리하여 실행하는 환경이다. 에이전트가 외부 도구를 사용할 때 발생할 수 있는 보안 위협을 차단하고, 안전한 코드 실행을 보장한다.
- MCP (Model Context Protocol)(MCP)
- — 다양한 외부 서비스와 에이전트를 연결하는 표준 프로토콜이다. 에이전트가 슬랙, 노션 등 외부 도구와 쉽게 통신할 수 있도록 인터페이스를 규격화한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 08.수집 2026. 08. 08.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.
