단일 에이전트 vs 멀티 에이전트 — 언제 뭘 쓰나

단일 에이전트와 멀티 에이전트 중 어떤 구조를 선택할지는 업무 복잡도에 달려 있습니다. 상황별 판단 기준과 설계 패턴, 실제 구현 사례를 함께 정리합니다.

Robotext2026년 1월 23일수정 2026. 10. 28.5분 읽기

문제 정의: 에이전트가 많으면 좋은 건가?

여러 에이전트를 연결하기 전에, 단일 모델과 도구 호출로 업무를 처리할 수 있는지 먼저 시험하는 편이 좋다. Anthropic의 설계 가이드도 단순한 구성에서 시작해 필요한 만큼 복잡도를 더하는 접근을 권한다.

업무의 처리 순서, 입력 유형, 독립 작업 여부로 패턴을 고른다.


4가지 설계 패턴

패턴 1: 단일 에이전트 + 도구 호출 (Function Calling)

  • 구조: LLM 하나가 모든 판단을 하고, 필요한 도구를 직접 호출
  • 적합한 업무: 명확한 입력 → 명확한 출력 (FAQ 응답, 데이터 조회, 단순 작업)
  • 도구 예시: DB 조회, 이메일, 슬랙
  • 구현 복잡도: 낮음. 지연이 적고 오류 추적이 쉽다. 도구 설명이 겹치거나 판단 단계가 많아지면 도구 선택과 결과 추적이 어려워진다.

아래 코드는 도구 호출 요청의 구조 예시다. selected_model에 사용할 모델 ID를 지정하고 도구 스키마와 입력을 정의한 뒤, 응답의 도구 호출을 애플리케이션이 검증·실행하고 결과를 모델에 돌려주는 처리가 추가로 필요하다. 메일 발송 도구는 승인 후에만 실행한다.

from openai import OpenAI
 
client = OpenAI()
 
response = client.chat.completions.create(
    model=selected_model,  # 사용 환경에서 선택한 모델 ID
    messages=[
        {"role": "system", "content": "이메일을 분석하고 적절한 조치를 취하세요."},
        {"role": "user", "content": email_content}
    ],
    tools=[search_tool, reply_tool, forward_tool, label_tool],
    tool_choice="auto"
)

패턴 2: 체인 (Sequential Agent Chain)

체인은 앞 단계의 출력이 나와야 다음 단계를 시작합니다
  1. 1

    분류

    이메일 카테고리

  2. 2

    요약

    핵심 내용 3문장

  3. 3

    번역

    한국어에서 영어로

  4. 4

    포맷팅

    JSON으로 변환

  • 구조: 여러 처리 단계를 순서대로 실행하고 이전 출력을 다음 입력으로 전달. 같은 모델을 반복 호출하는 워크플로우로도 구현 가능
  • 적합한 업무: 단계별 처리 (문서 파이프라인, ETL, 콘텐츠 생성)
  • 구현 복잡도: 낮음~중간. 중간 결과를 검증하기 쉽지만, 한 단계가 실패하면 후속 단계가 멈추고 단계 수만큼 지연이 늘어난다.

패턴 3: 라우터 (Router Agent)

  • 구조: 라우터가 요청을 분석하고, 적합한 전문 에이전트로 분배
  • 적합한 업무: 다양한 유형의 요청을 처리 (고객센터, 내부 헬프데스크)
  • 구현 복잡도: 중간. 전문가별 프롬프트를 짧게 나누기 쉽지만, 라우터가 잘못 분류하면 응답 경로도 잘못 선택된다.

아래 라우터와 LangGraph 예시는 분기 구조를 설명하는 코드다. call_llm, 도구·프롬프트 정의, JSON 검증과 허용된 경로만 선택하는 오류 처리는 실제 구현에서 연결한다.

# 라우터 패턴 구현 예시
ROUTER_PROMPT = """
사용자 요청을 분석하고 적합한 전문가를 선택하세요.
 
전문가 목록:
- customer_support: 주문, 배송, 환불 관련
- tech_support: 기술 문제, 버그 리포트
- sales: 견적, 제품 문의, 계약
 
JSON으로 응답: {"expert": "전문가_id", "reason": "선택 이유"}
"""
 
async def route_request(user_message: str) -> str:
    # 1단계: 라우터가 전문가 선택
    routing = await call_llm(ROUTER_PROMPT, user_message)
    expert_id = json.loads(routing)["expert"]
 
    # 2단계: 선택된 전문가가 처리
    expert_prompt = EXPERT_PROMPTS[expert_id]
    return await call_llm(expert_prompt, user_message)

패턴 4: 멀티 에이전트 오케스트레이션

  • 구조: 오케스트레이터가 작업을 분해·할당하고 결과를 수집·종합
  • 역할 예시: 리서처는 웹·문서 수집, 분석가는 데이터 비교·평가, 작성자는 보고서·요약·시각화
  • 적합한 업무: 복잡한 다단계 작업 (리서치 보고서, 코드 리뷰, 복합 분석)
  • 구현 복잡도: 높음. 독립 작업을 병렬 처리할 수 있지만 호출 비용과 에이전트 간 통신이 늘고 오류 추적이 어려워진다.

선택 기준: 업무 복잡도와 자율성

아래 그림은 패턴의 배치를 이해하기 위한 예시다. 실제 자율 실행 범위는 각 도구의 권한과 승인 조건으로 정한다.

업무가 복잡하고 경로를 스스로 정할수록 오케스트레이션에 가깝습니다

세로: 실행 경로의 자율성: 낮음에서 높음

패턴 3 · 라우터

  • 고객센터
  • 내부 헬프데스크

패턴 4 · 오케스트레이션

  • 리서치 자동화
  • 복합 보고서

패턴 1 · 단일+도구

  • FAQ 응답
  • 데이터 조회

패턴 2 · 체인

  • 문서 처리
  • 콘텐츠 생성

가로: 업무 복잡도: 낮음에서 높음


실전 예시: 이메일 자동화를 4가지 패턴으로

"수신 이메일을 분류하고, 중요한 것은 요약하고, 필요하면 자동 회신"하는 업무를 각 패턴으로 구현한다면?

패턴구현 방식LLM 호출 수적합도
패턴 1하나의 에이전트가 분류+요약+회신 초안 처리1~2회도구와 예외가 단순할 때
패턴 2분류 → 요약 → 회신 순차 처리3회단계별 품질 관리 필요 시
패턴 3라우터가 긴급/일반/스팸 분류 후 전문 에이전트 배정2회유형별 처리 로직이 다를 때
패턴 4분류 후 독립적인 자료 조회·정책 확인을 병렬 수행하고 회신 초안 종합구성에 따라 증가병렬 조사와 결과 종합이 필요할 때

표의 호출 수는 예시 구성 기준이다. 비용을 계산할 때는 도구 호출·재시도로 추가되는 모델 호출도 포함한다.

분류 결과가 필요한 요약·회신 초안은 분류를 마친 뒤 시작한다. 독립적인 자료 조회·정책 확인은 병렬 실행하고 초안에 종합한다. 발송은 승인 뒤 실행한다.

이메일 자동화는 패턴 1 또는 패턴 3부터 시험하는 것을 권한다. 처리량은 큐와 배치로 늘릴 수 있으므로, 이메일 건수만으로 멀티 에이전트를 선택할 필요는 없다.


프레임워크 비교: LangGraph vs CrewAI vs AutoGen

기준LangGraphCrewAIAutoGen
핵심 철학상태 그래프 (State Machine)역할 기반 팀 (Role-based Crew)대화 기반 (Conversation)
적합 패턴패턴 2, 3, 4 모두패턴 4 특화패턴 4 특화
제어 수준매우 높음 (노드/엣지 수준)중간 (역할/태스크 수준)중간~높음
디버깅LangSmith 통합, 추적 용이기본 로깅대화 로그 기반
학습 곡선높음낮음중간
운영 시 확인상태 저장·중단 후 재개·승인 지점Crew와 Flow의 상태·검수·추적 설정AgentChat/Core의 실행·취소·추적 설정
# LangGraph로 라우터 패턴 구현 (패턴 3)
from langgraph.graph import StateGraph, END
from typing import TypedDict
 
class EmailState(TypedDict):
    email: str
    category: str
    response: str
 
def classify_email(state: EmailState) -> EmailState:
    """이메일 분류 노드"""
    category = call_llm("이메일을 분류하세요: urgent/normal/spam", state["email"])
    return {"category": category}
 
def handle_urgent(state: EmailState) -> EmailState:
    """긴급 이메일 처리 노드"""
    response = call_llm("긴급 이메일에 대한 즉시 회신을 작성하세요", state["email"])
    return {"response": response}
 
def handle_normal(state: EmailState) -> EmailState:
    """일반 이메일 처리 노드"""
    response = call_llm("일반 이메일을 요약하고 회신 초안을 작성하세요", state["email"])
    return {"response": response}
 
def route_email(state: EmailState) -> str:
    """조건부 라우팅"""
    if state["category"] == "urgent":
        return "handle_urgent"
    elif state["category"] == "spam":
        return END
    return "handle_normal"
 
# 그래프 구성
graph = StateGraph(EmailState)
graph.add_node("classify", classify_email)
graph.add_node("handle_urgent", handle_urgent)
graph.add_node("handle_normal", handle_normal)
 
graph.set_entry_point("classify")
graph.add_conditional_edges("classify", route_email)
graph.add_edge("handle_urgent", END)
graph.add_edge("handle_normal", END)
 
app = graph.compile()
result = app.invoke({"email": "서버 장애 발생 — 즉시 확인 요청"})

권장 선택 기준:

  • 상태와 분기, 승인·재개를 세밀하게 제어 → LangGraph 검토
  • 역할별 작업과 흐름을 조합 → CrewAI 검토
  • 대화형 에이전트와 이벤트 기반 협업 구성 → AutoGen 검토

같은 업무를 각 프레임워크로 실행해 실패 복구, 실행 로그, 승인 처리, 총 호출 비용을 비교한 뒤 선택한다.


결론

에이전트 설계의 핵심은 "가장 단순한 패턴으로 시작하는 것"이다. 패턴 1(단일 에이전트)로 시작해서, 실제로 한계에 부딪힐 때 패턴 2나 3으로 진화시키면 된다. 멀티 에이전트(패턴 4)는 독립 작업의 병렬 처리와 결과 종합이 필요하고, 그 효과가 추가 비용·지연보다 클 때 선택한다.


로보텍스트는 입력·도구·분기·승인 지점을 기준으로 업무에 맞는 구조를 설계한다. 개념은 AI 에이전트 완전 가이드, 실제 적용 범위는 AI 업무 분석 운영 사례에서 이어서 볼 수 있다.

구조를 상담하려면 문의하기 또는 hello@robotext.co.kr로 현재 처리 순서와 어려운 예외를 알려주시기 바랍니다.

로보텍스트와 업무에 적용하기

반복 업무를 설명해 주세요. 구현할 순서를 잡겠습니다

문의에 적어주실 내용
현재 작업 순서, 사용하는 프로그램과 반복 주기. 가린 예시나 업무 설명이면 충분합니다.
함께 정할 내용
우선 자동화할 작업, 연결 방법과 사람이 승인할 단계을 정리합니다.
업무 자동화 문의하기

hello@robotext.co.kr

관련 글

공유하기