에이전트 설계 패턴 — LLM 위키

검증됨 · 확인 2026-07 · 고침 2026-08-09

핵심 7종: Tool Use, ReAct, Reflection, Plan-and-Execute, Multi-Agent, Memory, Human-in-the-Loop.

그림 — 모든 패턴의 뼈대, 에이전트 루프

모델이 판단→툴 호출→결과 관찰→다시 판단 ⟲

└끝낼 조건 충족→최종 답

아래 패턴들은 전부 이 루프의 변주다 — 판단을 어디까지 미리 하나(Plan-and-Execute), 자기 출력을 다시 보나(Reflection)의 차이다.

패턴별

Tool Use (함수 호출)

기반. 모델에 툴셋(이름+스키마)을 주면 어느 걸 어떤 인자로 부를지 결정. 단일 LLM 호출 + 툴로 끝나는 작업엔 이것만으로 충분. 실제 배선은 툴 콜링 붙이기 — 처음부터 끝까지, 툴을 외부 서버로 표준화하려면 MCP (Model Context Protocol) 실전.

ReAct (Reason + Act)

생각 → 행동 → 관찰 → 반복을 한 루프에. 개방형 툴사용 에이전트의 안전한 기본값 — 환각 액션을 줄인다. 항상 명시적 반복 상한과 짝지어 폭주 방지.

Plan-and-Execute

단계 분리: 먼저 완전한 계획 생성 → 순차 실행 → 실패 시에만 재계획. 보장된 실행 순서가 필요할 때. (Claude Code 의 Plan Mode 가 구체적 사례.)

Reflection

자기 출력을 비평하고 수정 — 생성→평가→개선 루프. 추론/코딩 품질 크게 향상, 토큰 비용 증가.

Multi-Agent 오케스트레이션

오케스트레이터 LLM 이 전문 서브에이전트(플래너·리서처·코더·검증자)를 관리. 두 유형: Supervisor/specialist(계층적 위임·집계), Handoff-based(명시적 제어 이양, OpenAI Agents SDK 모델). 강력하지만 비싸고 디버깅 어려움. 규칙: 단일 컨텍스트를 넘는 진짜 전문 역할이 필요할 때만. 쪼개기 전에 컨텍스트 엔지니어링 으로 단일 컨텍스트를 정리하는 게 먼저다.

RAG → Agentic RAG

전통 RAG: 고정, 한 방 검색 후 생성. 빠르고 싸지만 부분적으로만 커버해도 답함.
Agentic RAG: 에이전트가 언제·무엇을·어떻게 검색할지 결정, 쿼리 분해·증거 평가·재검색·확신할 때까지 루프.
트레이드오프: 다중홉 질문 정확도를 사되 3~10배 토큰 비용·지연. 법률 리서치·복잡 지원용, 단순 조회엔 말라.

선택 치트시트

상황	사용
한 호출 + 툴로 해결	Tool Use
개방형, 경로가 진행하며 드러남	ReAct (반복 상한 필수)
보장된 순서 필요	Plan-and-Execute
출력 품질에 자기수정 필요	Reflection
단일 컨텍스트 넘는 진짜 별개 역할	Multi-Agent
외부 지식 필요	RAG; 다중홉이면 Agentic RAG

프레임워크 (빌드용)

에이전트를 코드로 빌드하는 프레임워크의 선택·버전·트레이드오프는 에이전트 프레임워크, 어느 걸 쓰나 (대개는 안 쓰는 게 답) 로 위임. 한 줄 지도: LangGraph(엔터프라이즈·감사가능, 채택 리더), CrewAI(프로토타입 최속), OpenAI Agents SDK(handoff 모델, Swarm 대체), Google ADK(다언어·A2A), MS Agent Framework(SK+AutoGen 병합, .NET/MS 샵) (verified 2026-07).

구분: 이 프레임워크들은 코드로 에이전트를 빌드하는 도구. Claude Code 는 엔드유저 코딩 에이전트 제품. 겹치는 건 Claude Code 의 headless/Agent SDK 를 빌딩블록으로 쓸 때뿐.