종합 비교 & 선택 가이드 — 심화

이 문서는 GenAI 개념 섹션의 일부입니다.

​

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