종합 비교 & 선택 가이드

​

프레임워크 종합 비교

​

전체 비교표

​

성격별 비교

참고 한 줄 요약:

• LangChain= “레고 블록 세트” (다양하지만 복잡)
• LangGraph= “프로그래밍 가능한 회로판” (강력하지만 어려움)
• CrewAI= “팀 빌딩 게임” (직관적이지만 제한적)
• OpenAI SDK= “콜센터 시스템” (깔끔하지만 OpenAI 한정)
• AutoGen= “자유 토론방” (창의적이지만 예측 불가)
• Databricks= “기업용 관제탑” (안전하지만 플랫폼 종속)

​

프레임워크 선택 가이드 — 의사결정 트리

​

시나리오별 추천

​

의사결정 흐름

[시작] 어떤 Agent를 만들려는가?
│
├── "단순 RAG / QA 봇"
│   └── LangChain LCEL 또는 Databricks Agent Bricks (Knowledge Assistant)
│
├── "복잡한 멀티스텝 워크플로"
│   ├── Databricks 환경?
│   │   ├── YES → LangGraph + Databricks Agent Framework
│   │   └── NO  → LangGraph 단독
│   └── 조건 분기/루프 필요?
│       ├── YES → LangGraph
│       └── NO  → LangChain LCEL
│
├── "멀티에이전트 협업"
│   ├── 역할 기반 (리서처, 작성자 등)?
│   │   ├── 프로덕션? → LangGraph Multi-Agent
│   │   └── PoC/데모? → CrewAI
│   ├── 대화 기반 (자유 토론)?
│   │   └── AutoGen
│   └── 라우팅/핸드오프?
│       ├── OpenAI만 사용? → OpenAI Agents SDK
│       └── 모델 무관? → LangGraph Swarm 패턴
│
└── "엔터프라이즈 프로덕션"
    └── Databricks Agent Framework (빌드 프레임워크는 선택)
        ├── 복잡한 로직 → + LangGraph
        ├── 간단한 로직 → + 순수 Python
        └── 노코드 → Agent Bricks

주의 실전 팁: 프레임워크 선택에 너무 많은 시간을 쓰지 마세요. 중요한 것은 “어떤 프레임워크를 쓰느냐”가 아니라 “Agent가 해결하는 비즈니스 문제가 무엇인가”입니다. 대부분의 엔터프라이즈 시나리오에서는 LangGraph + Databricks Agent Framework 조합이 정답입니다.

​

Agent UI/배포 기술 스택

​

주요 프론트엔드 기술

​

비교표

참고 추천 경로: PoC 단계에서는 Streamlit으로 빠르게 만들고, 프로덕션에서는 Databricks Apps(Streamlit 호스팅)로 배포하면 코드 변경 최소화로 인증/보안이 자동 적용됩니다.

​

Agent UI 코드 예시 (Streamlit + Databricks Model Serving)

import streamlit as st
from databricks.sdk import WorkspaceClient

st.title("고객 서비스 Agent")

# Databricks 클라이언트 초기화
w = WorkspaceClient()

# 대화 히스토리 관리
if "messages" not in st.session_state:
    st.session_state.messages = []

# 기존 메시지 표시
for msg in st.session_state.messages:
    with st.chat_message(msg["role"]):
        st.markdown(msg["content"])

# 사용자 입력
if prompt := st.chat_input("질문을 입력하세요"):
    st.session_state.messages.append({"role": "user", "content": prompt})
    with st.chat_message("user"):
        st.markdown(prompt)

    # Agent 호출 (Model Serving Endpoint)
    with st.chat_message("assistant"):
        response = w.serving_endpoints.query(
            name="customer-service-agent",
            messages=st.session_state.messages,
        )
        answer = response.choices[0].message.content
        st.markdown(answer)
        st.session_state.messages.append(
            {"role": "assistant", "content": answer}
        )

​

2025 Agent 생태계 트렌드

​

1) Agentic AI의 부상

​

2) MCP + A2A: 도구 접근과 Agent 간 통신의 표준화

​

3) Vibe Coding: AI가 코드를 짜는 시대

​

4) Agent Observability: “블랙박스를 열다”

​

5) 프레임워크 수렴 추세

성공 2025년 핵심 메시지: “어떤 프레임워크를 쓸지 고민하는 시간”보다 “Agent가 해결할 비즈니스 문제를 정의하는 시간”이 더 중요합니다. 프레임워크는 도구일 뿐이고, 진짜 가치는 비즈니스 문제 해결에 있습니다.

​

고객이 자주 묻는 질문

​

Q1. “어떤 프레임워크를 써야 하나요?”

​

Q2. “LangChain을 배워야 하나요?”

​

Q3. “프레임워크 없이 직접 구현하면 안 되나요?”

주의 경험적 법칙: “2주 안에 프레임워크를 직접 만들 수 있다”고 생각한 팀이, 6개월 뒤에 “그냥 LangGraph 썼으면…”이라고 후회하는 경우가 많습니다.

​

Q4. “Streamlit으로 프로덕션 배포해도 되나요?”

• 인증 부재: Streamlit 자체에는 로그인/인증 기능이 없음
• 보안: 민감한 API 키/토큰을 클라이언트 사이드에서 관리해야 함
• 스케일링: 동시 사용자 처리에 한계
• 감사 추적: 누가 언제 무엇을 질문했는지 기록 어려움

​

Q5. “여러 프레임워크를 섞어 써도 되나요?”

​

연습 문제

​

문제 1: 프레임워크 선택 (입문)

“마케팅팀이 1시간 내에 경쟁사 분석 Agent의 PoC 데모를 만들어야 합니다. 3명의 Agent(조사원, 분석가, 보고서 작성자)가 협업하는 형태입니다.”

• 이유 1: 역할 기반 멀티에이전트가 CrewAI의 핵심 강점이며, 조사원/분석가/작성자라는 역할을 그대로 Agent에 매핑할 수 있습니다.
• 이유 2: “1시간 내 PoC”라는 시간 제약을 고려하면 CrewAI의 선언적 API가 가장 빠릅니다.
• 이유 3: 프로덕션이 아닌 데모 목적이므로 CrewAI의 한계(세밀한 제어, 프로덕션 성숙도)가 문제가 되지 않습니다.

​

문제 2: LangGraph 그래프 설계 (중급)

“고객 문의를 분류(classification) -> 기술/요금/일반 중 하나로 라우팅 -> 해당 전문 Agent가 처리 -> 응답 품질을 자체 검증(reflection) -> 품질 미달이면 다시 처리, 합격이면 최종 응답”

• START -> classify
• classify —(conditional)—> tech_agent | billing_agent | general_agent (category에 따라)
• tech_agent -> quality_check
• billing_agent -> quality_check
• general_agent -> quality_check
• quality_check —(conditional)—> END (합격) | 원래 agent 노드 (미달, 루프)

​

문제 3: Databricks Agent Framework 아키텍처 (중급)

import mlflow
from mlflow.pyfunc import _______(1)_______

class MyAgent(_______(1)_______):
    def _______(2)_______(self, messages, context=None, custom_inputs=None):
        # Agent 로직
        pass

with mlflow.start_run():
    mlflow.pyfunc._______(3)_______(
        artifact_path="agent",
        python_model=MyAgent(),
    )

1. ChatAgent — Databricks Agent Framework의 표준 인터페이스
2. predict — 동기 응답 메서드 (스트리밍은 predict_stream)
3. log_model — MLflow에 모델 아티팩트를 로깅

​

문제 4: 프레임워크 비교 분석 (고급)

​

문제 5: 실전 아키텍처 설계 (고급)

“사내 인사(HR) 챗봇을 만들려고 합니다. 급여 문의는 급여 시스템 API를 호출하고, 규정 문의는 사내 문서를 검색하고, 휴가 신청은 사람(HR 담당자) 승인을 받아야 합니다. 200명 직원이 동시에 사용할 수 있어야 합니다.”

• Triage Node: 질문 분류 (급여/규정/휴가/기타)
• Salary Node: 급여 시스템 API 호출 (UC Function as Tool)
• Policy Node: Vector Search로 사내 규정 문서 RAG
• Leave Node: 휴가 신청서 생성 -> interrupt_before로 HR 담당자 승인 대기 -> 승인 시 인사 시스템에 등록
• Quality Check Node: 응답 적절성 검증 (Reflection)

• 배포: Databricks Model Serving (서버리스, 200명 동시접속 자동 스케일링)
• 도구: Unity Catalog Functions (급여 API, 인사 시스템 API) — 권한 자동 적용
• 검색: Databricks Vector Search (사내 규정 문서 인덱스)
• 모니터링: MLflow Tracing (모든 대화/도구 호출 기록)
• 피드백: Review App (HR팀이 응답 품질 평가)
• 감사: Inference Tables (모든 요청/응답 Delta 테이블 자동 저장)
• UI: Streamlit on Databricks Apps (OAuth 통합으로 SSO 로그인)
• 안전성: AI Guardrails (개인정보 유출 방지)

1. 휴가 신청의 Human-in-the-loop은 LangGraph Checkpoint의 interrupt_before로 구현
2. 200명 동시접속은 Model Serving의 서버리스 자동 스케일링으로 해결
3. 급여 데이터 접근 권한은 UC Function의 GRANT/REVOKE로 통제

​

참고 자료

​

공식 문서

​

프로토콜 표준

​

추가 학습 자료

• Databricks Agent Bricks 가이드: Agent Bricks — Knowledge Assistant, Genie Agent, Supervisor Agent 실전 구축
• RAG 가이드: RAG (검색 증강 생성) — Agent의 도구로 활용되는 RAG 파이프라인 구축
• MCP 가이드: MCP (Model Context Protocol) — Agent의 도구 접근 프로토콜 표준
• A2A 가이드: A2A (Agent-to-Agent) — Agent 간 통신 프로토콜
• AI Agent 아키텍처: Agent 아키텍처 — ReAct, Tool Use, Multi-Agent 패턴의 기초