Agentic Workflow: 디자인 패턴과 아키텍처

Agentic Workflow란

기존 LLM 사용 방식은 "질문 → 답변"의 단일 턴(Single-turn)이다. 사용자가 프롬프트를 입력하면 LLM이 텍스트를 생성하고, 그것으로 끝이다. 복잡한 작업은 사람이 직접 여러 번 반복하며 결과를 조합해야 한다.

Agentic Workflow는 이와 다르다. LLM이 자율적으로 판단하고, 도구를 사용하며, 반복적으로 문제를 해결하는 워크플로우다.

왜 Agentic Workflow인가

LLM에는 근본적인 한계가 있다. 학습 데이터 이후의 정보를 모르고, 텍스트 생성만 가능하며, 복잡한 문제를 한 번에 해결하기 어렵고, 환각(Hallucination)이 발생한다. Agentic Workflow는 이를 도구 사용, 코드 실행, 반복적 개선, 자기 검증으로 극복한다.

Andrew Ng은 2024년 이렇게 말했다.

"AI agentic workflows will drive massive AI progress this year"

핵심 메시지는 세 가지다. GPT-3.5를 Agentic으로 쓰면 GPT-4 Zero-shot보다 성능이 좋을 수 있고, 한 번에 완벽한 답을 기대하지 말고 반복적으로 개선해야 하며, 이는 사람이 초안 → 검토 → 수정 → 완성하는 과정과 동일하다.

핵심 구성 요소

Agentic Workflow는 4가지 구성 요소로 이루어진다.

기본 루프는 Plan → Act → Observe다. 사용자 입력을 받으면 계획을 세우고, 도구를 호출하거나 코드를 실행하고, 결과를 관찰한다. 완료될 때까지 이 루프를 반복한다.

4가지 Agentic 디자인 패턴

Andrew Ng이 제안한 4가지 핵심 패턴이다. 각각 독립적으로 사용할 수도 있고, 조합하여 더 강력한 시스템을 만들 수도 있다.

Reflection (자기 성찰)

LLM이 자신의 출력을 스스로 평가하고 개선하는 패턴이다.

동작 방식은 생성(Generate) → 평가(Critique) → 개선(Refine) → 반복이다. 품질 기준을 충족할 때까지 이 과정을 반복한다.

변형으로 Self-Refine(단일 LLM이 생성과 평가를 모두 수행), Reflexion(실행 결과를 관찰하여 반영), CRITIC(도구로 결과를 검증 후 개선)이 있다.

Tool Use (도구 사용)

LLM이 외부 도구를 호출하여 능력을 확장하는 패턴이다.

Anthropic이 제안한 **MCP(Model Context Protocol)**는 다양한 도구를 통일된 인터페이스로 LLM에 연결하는 표준 프로토콜이다.

Planning (계획 수립)

LLM이 복잡한 작업을 단계별로 분해하고 순서를 정하는 패턴이다. 가장 대표적인 구현이 **ReAct(Reasoning + Acting)**다.

Thought(추론) → Action(행동) → Observation(관찰)을 반복하며 단계적으로 문제를 해결한다.

Multi-Agent (다중 에이전트)

여러 에이전트가 역할을 나누어 협업하는 패턴이다. 구조 유형은 세 가지다.

수평적 협업: 에이전트들이 동등한 위치에서 상호작용한다.

계층적 관리: Supervisor가 Worker들에게 작업을 분배한다.

파이프라인: 에이전트들이 순차적으로 작업을 전달한다.

실제 프로젝트에서는 이 4가지 패턴을 조합하여 사용한다. 예를 들어 Agent A가 Planning + Tool Use를 수행하고, Agent B가 Reflection + Tool Use로 결과를 검증하는 식이다.

Agent 아키텍처 스펙트럼

Anthropic의 "Building Effective Agents" 가이드는 Agent 아키텍처를 복잡도 순으로 정리한다. 핵심 원칙은 가능한 한 가장 단순한 구조를 사용하라는 것이다.

Level 1: Prompt Chaining

LLM 호출을 순차적으로 연결하는 가장 단순한 구조다. 이전 출력이 다음 입력이 된다. 각 단계 사이에 게이트(검증)를 추가할 수 있다.

마케팅 카피 생성(특징 분석 → 키워드 추출 → 카피 생성)처럼 단계가 명확하고 독립적인 작업에 적합하다.

Level 2: Routing

입력을 분류하여 적절한 처리 경로로 분기하는 구조다. 각 경로에 전문화된 프롬프트나 모델을 사용할 수 있어 비용을 최적화할 수 있다.

Level 3: Parallelization

여러 LLM 호출을 동시에 실행하는 구조다. 두 가지 방식이 있다.

Sectioning(분할): 하나의 입력을 여러 관점에서 동시에 처리한다. 예를 들어 코드 리뷰에서 보안, 성능, 가독성 검사를 병렬로 수행한다.

Voting(투표): 같은 입력에 여러 LLM이 독립적으로 답변하고, 다수결로 최종 결과를 정한다.

Level 4: Orchestrator-Workers

중앙 오케스트레이터가 동적으로 작업을 분배하고 결과를 종합하는 구조다.

Prompt Chaining과의 핵심 차이는 단계가 사전에 고정되지 않고 입력에 따라 동적으로 결정된다는 점이다.

Level 5: Evaluator-Optimizer

생성과 평가를 분리하여 반복적으로 품질을 향상시키는 구조다. Reflection 패턴의 구체적인 아키텍처 구현이다.

Generator와 Evaluator를 다른 프롬프트나 모델로 분리하여 각각의 역할에 최적화할 수 있다.

아키텍처 선택 가이드

실사례: Genspark AI

Genspark은 2025년 AI 검색 엔진에서 Agentic AI Workspace로 전환한 대표적인 사례다. 4가지 패턴을 모두 조합하여 L4 자율 에이전트를 구현했다.

핵심 철학은 **"Less Control, More Tools"**다. 사전 정의된 워크플로우 대신 Agent가 자율적으로 경로를 결정하고, 실패해도 Backtrack으로 복구한다. 이 접근법으로 출시 45일 만에 ARR $36M을 달성하고 Series B $275M 투자를 유치했다.

정리

Agentic Workflow의 4가지 디자인 패턴은 각각 품질 향상(Reflection), 능력 확장(Tool Use), 복잡도 관리(Planning), 확장성(Multi-Agent)을 담당한다. Agent 아키텍처는 Prompt Chaining부터 Autonomous Agent까지 복잡도 스펙트럼이 존재하며, 핵심 원칙은 가능한 한 가장 단순한 구조를 사용하는 것이다.

실제 프로덕션에서는 이 패턴과 아키텍처를 조합하여 사용한다. Genspark AI처럼 Planning + Tool Use + Routing + Reflection을 결합하면 단일 패턴으로는 달성할 수 없는 수준의 자율성과 품질을 확보할 수 있다. 중요한 것은 복잡한 아키텍처를 무작정 도입하는 것이 아니라, 문제의 성격에 맞는 최소한의 구조를 선택하는 것이다.