딥 에이전트 입문: LangChain·LangGraph로 계획·서브에이전트·메모리 구현

핵심 메시지

• ChatGPT·Claude Code·Manus AI의 딥 리서치 기능 뒤에 있는 것이 바로 '딥 에이전트'다.
• 입력에 도구를 한 번 호출하고 끝나는 '얕은 에이전트(shallow agent)'는 복잡한 질의 분해와 맥락 유지에 한계가 있다.
• 딥 에이전트는 계획(planning), 서브 에이전트, 가상 파일시스템, 지속적 메모리로 복잡한 다단계 작업을 처리한다.
• LangChain의 deepagents 라이브러리는 LangGraph 위에서 동작하며 create_deep_agents로 손쉽게 만든다.
• 메모리 저장 방식(backend)은 state·store·file system 세 가지로 나뉘며, 휘발성·지속성·디스크 기반이라는 차이가 있다.

쉽게 이해하기

발표자는 딥 에이전트를 'ChatGPT, Claude Code, Manus AI 등이 가진 딥 리서치 에이전트'로 소개한다. 먼저 가장 단순한 형태인 얕은 에이전트(shallow agent)를 설명하는데, 입력 질의에 대해 LLM이 도구를 한 번 호출해 답을 내는 단순 루프다. 명시적 계획이 없고 복잡한 질의를 하위 질의로 분해하지 못하며 맥락 유지도 제한적이라는 한계를 짚는다.

다음으로 ReAct 에이전트를 다룬다. LLM이 여러 도구(위키·검색 API 등)에 연결돼 관찰(observation)과 맥락에 따라 도구 호출을 여러 번 반복하며 복잡한 질의를 풀어 가는 구조다. 발표자는 '2+2 후 5를 곱하라'처럼 단계가 있는 질의를 예로 든다.

딥 에이전트는 계획, 서브 에이전트를 통한 맥락 격리, 대용량 맥락을 다루는 파일시스템 도구, 대화·스레드를 넘는 지속적 메모리를 갖춘 형태다. 강연자는 LangChain의 deepagents 라이브러리(create_deep_agents)가 내부적으로 LangGraph 워크플로로 동작한다고 설명하고, 실시간 인터넷 검색을 위한 Tavily 도구를 연결해 기본 딥 에이전트를 만든다.

메모리 백엔드는 세 가지로 구분된다. state 백엔드는 LangGraph 상태(RAM)에 저장돼 같은 스레드 안에서만 유지되고 세션이 끝나면 삭제된다. store 백엔드는 인메모리/벡터 스토어처럼 더 지속적인 저장소에 정보를 미리 적재해 둔다. file system 백엔드는 디스크의 실제 파일(예: agent.md)에서 직접 맥락을 읽어 온다.

이어 컨텍스트 엔지니어링, agent.md 파일, 스킬, 그리고 맥락 격리와 구조화된 출력을 위한 서브 에이전트를 다룬다. 마지막에는 Claude Code로 이 모든 기능(딥 에이전트·백엔드·서브 에이전트·스킬)을 담은 Streamlit 대화형 챗봇을 만들어, 계획→리서치→서브 에이전트 위임→스킬 활용으로 상세 보고서를 생성하는 엔드투엔드 데모를 보여 준다.

주요 인사이트

• '딥'과 '얕음'을 가르는 기준은 계획과 분해다. 얕은 에이전트는 질의를 한 번에 처리하려 하고, 딥 에이전트는 복잡한 질의를 하위 작업으로 쪼개 서브 에이전트에 맡긴다.
• 서브 에이전트의 핵심 가치는 '맥락 격리'다. 무거운 검색이나 심층 리서치를 별도 서브 에이전트에 위임하면 메인 에이전트의 맥락이 오염되지 않고, 요약·신뢰도·출처 형태의 구조화된 출력을 받아 합칠 수 있다.
• 메모리 백엔드 선택은 '무엇을 얼마나 오래 기억하느냐'의 문제다. state는 세션 종료 시 사라지는 휘발성, store는 미리 적재하는 지속성, file system은 디스크 파일을 직접 읽는 방식으로 용도가 다르다.
• agent.md 같은 파일에 정체성·지침을 적어 두면 에이전트가 시작 시 그 맥락을 불러와 일관된 역할을 수행한다. 이는 Claude Code의 서브 에이전트·스킬 개념과 같은 흐름을 LangChain으로 구현한 것이다.
• 딥 에이전트는 실행에 시간이 걸린다. 계획을 세우고 여러 번 웹 검색을 수행하며 서브 에이전트에 작업을 위임하기 때문으로, 단순 질의가 아니라 심층 리서치를 겨냥한 구조임을 보여 준다.

자주 묻는 질문

관련 AI 소식