AI 에이전트가 '팀'으로 일한다고? -- 멀티에이전트 워크플로우의 비밀

channel_editor_icon 한빛양

1일 전

"여행 계획 좀 짜줘." 챗봇에 이렇게 말해본 적 있으시죠. 그런데 돌아온 답변이 너무 뻔해서 결국 직접 검색하고, 직접 일정표를 만들었던 경험. 한 번쯤은 있을 겁니다. 만약 AI가 혼자 다 하는 게 아니라, 역할을 나눠서 '팀'으로 움직인다면 어떨까요? 이것이 바로 지금 개발자들 사이에서 가장 뜨거운 키워드, '멀티에이전트 시스템'입니다.

✅ 챗봇 하나로는 왜 부족할까 -- '단일 에이전트'의 한계

우리가 흔히 쓰는 AI 챗봇은 하나의 에이전트가 모든 걸 처리합니다. 질문을 받고, 검색하고, 정리하고, 답변까지. 마치 혼자서 기획도 하고 디자인도 하고 개발도 하는 1인 스타트업 같은 셈이죠.

간단한 질문에는 문제없습니다. 하지만 "서울에서 출발해서 일본 3박 4일 여행 계획을 짜주는데, 예산은 100만 원 이내로, 현지 맛집 리스트도 포함해줘"처럼 여러 단계의 작업이 필요한 요청이 들어오면 이야기가 달라집니다. 하나의 에이전트가 모든 걸 처리하려다 보니, 정보가 뒤섞이고, 맥락을 잃고, 결과물의 품질이 떨어지는 거죠.

✅ '순서대로' 혹은 '동시에' -- 에이전트 팀의 두 가지 협업 방식

구글이 만든 AI 에이전트 프레임워크 ADK(Agent Development Kit)에는 이 문제를 해결하는 흥미로운 설계가 들어 있습니다. 바로 워크플로우 에이전트라는 개념입니다.

순차 에이전트(Sequential Agent) 이름 그대로, 에이전트들이 릴레이처럼 순서대로 일합니다. 예를 들어 여행 계획 시스템이라면 이런 식입니다. 첫 번째 에이전트가 목적지를 조사하고, 그 결과를 두 번째 에이전트에게 넘기면 일정을 짜고, 마지막 에이전트가 전체 일정을 최적화합니다. 각자 자기 전문 영역에만 집중하니, 결과물의 깊이가 다릅니다.

병렬 에이전트(Parallel Agent)는 여러 에이전트가 동시에 작업합니다. 블로그 콘텐츠를 만드는 시스템을 상상해보세요. 글을 쓰는 에이전트, SEO를 분석하는 에이전트, 이미지 컨셉을 잡는 에이전트, SNS 카피를 쓰는 에이전트가 한꺼번에 돌아갑니다. 사람이 하면 몇 시간 걸릴 작업이 몇 초 만에 끝나는 거죠.

핵심은 이겁니다. 에이전트를 '설계'하는 사람이 곧 아키텍트라는 것. 어떤 에이전트를 만들고, 어떤 순서로 연결하고, 무엇을 넘겨줄지를 결정하는 건 여전히 개발자의 몫입니다.

✅ AI가 '기억'을 잃지 않으려면 -- 세션과 메모리 관리

멀티에이전트 시스템에서 자주 간과되는 문제가 하나 있습니다. 바로 기억입니다.

에이전트 A가 수집한 정보를 에이전트 B가 모른다면? 사용자가 어제 나눈 대화를 오늘은 까맣게 잊는다면? 아무리 똑똑한 에이전트 팀이라도 무용지물이 됩니다.

ADK에서는 이를 세션(Session), 상태(State), 메모리(Memory)라는 세 가지 계층으로 나눠 관리합니다. 세션은 '지금 진행 중인 대화', 상태는 '이 대화 안에서 기억해야 할 임시 데이터', 메모리는 '대화가 끝나도 남아 있는 장기 기억'입니다. 마치 우리 뇌가 작업 기억과 장기 기억을 구분하는 것처럼요.

여기에 콜백(Callback)이라는 장치를 더하면, 에이전트가 응답하기 전에 부적절한 내용을 걸러내는 가드레일도 만들 수 있습니다. 에이전트가 똑똑해질수록, 이런 '통제 장치'의 중요성은 더 커집니다.

✅ LLM에 종속되지 않는 설계 -- 'Model Agnostic'이라는 무기

"그런데 이거 제미나이만 써야 하는 거 아니야?" 라는 질문이 나올 수 있습니다. 답은 아닙니다.

ADK는 LiteLLM이라는 라이브러리를 통해 제미나이, 오픈AI GPT, 심지어 올라마로 돌리는 로컬 모델까지 자유롭게 교체할 수 있습니다. 구글이 만든 프레임워크이면서도 특정 모델에 종속시키지 않는다는 점은, 실무에서 큰 의미를 가집니다. 프로젝트 요구사항에 따라 모델을 바꿔 끼울 수 있으니까요.