CrewAI 멀티에이전트 튜토리얼: 여행 플래너 에이전트 3개를 순차 실행으로 구현하기

핵심 메시지

• 여행지·기간·예산·취향을 입력하면 크루 오케스트레이터가 이를 받아 여러 에이전트에게 순차적으로 넘긴다. 오케스트레이터는 CrewAI가 기본 제공하므로 직접 만들지 않아도 된다.
• 에이전트는 셋으로 나뉜다. 여행지를 조사하는 에이전트, 그 결과를 받아 하루 단위 일정을 짜는 에이전트, 그리고 그 일정의 비용을 예산과 대조하는 에이전트다.
• 각 에이전트는 역할(role), 목표(goal), 배경(backstory), 사용할 LLM을 지정해 정의하고, 그와 짝을 이루는 태스크에 설명(description)과 기대 출력(expected_output), 담당 에이전트를 명시한다.
• 에이전트와 태스크 목록을 Crew 객체로 묶고 process를 sequential로 지정하면, kickoff 메서드 하나로 전체 파이프라인이 실행된다.
• 실행 결과 예산 분석 에이전트는 총 예상 비용이 주어진 예산을 넘는다는 점을 스스로 짚고, 저가 항공권과 숙소 등급 조정 같은 절감 방안까지 제안했다.

쉽게 이해하기

이 영상은 CrewAI 시리즈의 두 번째 편으로, 멀티에이전트 시스템의 개념을 다룬 앞 편에 이어 실제로 여행 플래너를 만들어본다. 먼저 블록 다이어그램으로 에이전트와 태스크의 관계를 정리한 뒤 코딩에 들어가는 구성이라, 코드가 어느 위치에 놓이는지를 헷갈리지 않고 따라갈 수 있다.

설계는 단순하다. 사용자가 여행지, 기간, 예산, 선호(역사·문화·음식·사진 등)를 입력하면 크루 오케스트레이터가 이를 첫 번째 에이전트인 '여행지 조사 담당'에게 넘긴다. 이 에이전트는 명소, 활동, 현지 경험, 추천 숙박 지역을 정리해 내놓고, 그 출력이 그대로 두 번째 에이전트인 '일정 플래너'의 입력이 된다. 일정 플래너는 오전·오후·저녁 활동과 식사, 이동 시간까지 고려한 하루 단위 계획을 만든다.

세 번째 에이전트는 예산 분석가다. 앞선 두 에이전트의 결과를 받아 항공, 숙박, 식비, 현지 교통, 활동, 기타 비용을 항목별로 추산하고 주어진 예산과 비교한다. 예산을 초과하면 절감안을 제시하도록 태스크 설명에 미리 지시해 둔다.

환경 구성은 requirements.txt에 crewai, python-dotenv, openai를 넣고 가상환경에서 설치하는 방식이다. 오픈AI 플랫폼에서 API 키를 발급받아 .env 파일에 넣고, 코드에서는 load_dotenv로 읽어 os.getenv로 꺼내 쓴다. 모델은 비용을 아끼려고 모델 카탈로그에서 100만 토큰당 단가를 확인한 뒤 GPT-4o-mini를 골랐고, 온도는 0.7로 두어 약간의 창의성을 남겼다.

실행 결과 파리 7일 일정을 예로 들면, 각 태스크가 순차적으로 시작되고 완료되는 로그가 그대로 찍힌다. 마지막 예산 분석에서는 항목별 비용이 표 형태로 정리되고 총 예상 비용이 주어진 예산(인도 루피 15만)을 초과한다는 사실이 명시되며, 비수기 항공권 예약이나 저가 숙소·에어비앤비 활용 같은 절감 방안이 이어진다.

주요 인사이트

• 에이전트를 정의할 때 role과 goal뿐 아니라 backstory를 함께 준다는 점이 눈에 띈다. backstory는 곧 컨텍스트여서, '예산 안에 머물도록 돕는 재무 전문가' 같은 한 줄이 그 에이전트의 판단 성향을 잡아준다.
• 태스크마다 expected_output을 구체적으로 적어두는 것이 결과 품질을 좌우한다. 예산 태스크에 '항목별 추산 비용, 총액, 예산과의 비교, 필요 시 절감 제안'을 미리 명시했기 때문에 모델이 초과 사실을 스스로 지적하고 대안까지 내놓을 수 있었다.
• process를 sequential로 두면 앞 태스크의 출력이 다음 태스크의 입력으로 자동으로 이어진다. 데이터 전달을 직접 배선하지 않아도 되므로, 단계가 명확히 나뉘는 작업에서는 구조가 크게 단순해진다.
• verbose를 켜두면 어떤 에이전트가 어떤 태스크를 언제 시작하고 끝냈는지 로그로 확인할 수 있다. 발표자도 실행 중 kickoff 메서드 대소문자를 틀려 오류를 낸 뒤 바로잡는 과정을 그대로 보여주는데, 멀티에이전트 디버깅에서 실행 로그가 왜 중요한지를 잘 보여준다.
• 발표자는 같은 코드라도 사용하는 LLM에 따라 결과가 조금씩 달라질 수 있다고 못 박는다. 에이전트 구조가 같아도 출력이 재현되지 않을 수 있다는 점은 실무 적용 시 염두에 둘 부분이다.

자주 묻는 질문

관련 AI 소식