> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# 종합 비교 & 선택 가이드 — 심화

> 이 문서는 **[GenAI 개념](/blog/guides/genai-concepts/overview)** 섹션의 일부입니다.

## 2025 Agent 생태계 트렌드

### 1) Agentic AI의 부상

2025년은 "LLM의 시대"에서 "Agent의 시대"로 전환하는 원년입니다. 단순히 질문에 답하는 것을 넘어, 스스로 계획하고 도구를 사용하고 결과를 검증하는 Agentic AI가 엔터프라이즈의 핵심 화두가 되었습니다.

| 세대             | 특징                        | 예시                           |
| -------------- | ------------------------- | ---------------------------- |
| **1세대 (2023)** | LLM 호출 + 프롬프트 엔지니어링       | ChatGPT, Copilot Chat        |
| **2세대 (2024)** | RAG + Tool Use + 단일 Agent | 지식 검색 봇, SQL Agent           |
| **3세대 (2025)** | 멀티에이전트 + 자율적 워크플로         | Supervisor Agent, 업무 자동화 시스템 |

### 2) MCP + A2A: 도구 접근과 Agent 간 통신의 표준화

| 프로토콜                             | 주도        | 목적                      | 비유                  |
| -------------------------------- | --------- | ----------------------- | ------------------- |
| **MCP (Model Context Protocol)** | Anthropic | LLM이 외부 도구/데이터에 접근하는 표준 | USB-C (기기와 주변기기 연결) |
| **A2A (Agent-to-Agent)**         | Google    | Agent 간 통신/협업의 표준       | HTTP (서버 간 통신)      |

이 두 프로토콜이 결합되면, 서로 다른 프레임워크로 만든 Agent들이 표준 프로토콜로 도구를 공유하고 협업할 수 있게 됩니다.

### 3) Vibe Coding: AI가 코드를 짜는 시대

Agent가 개발자의 IDE 안에 들어와 코드를 직접 작성하는 "Vibe Coding" 트렌드가 가속화되고 있습니다.

| 도구                            | 특징                                |
| ----------------------------- | --------------------------------- |
| **Claude Code**               | 터미널 기반 Agent. 파일 읽기/쓰기/실행까지 자율 수행 |
| **Cursor**                    | AI 네이티브 IDE. 코드베이스 컨텍스트 이해        |
| **GitHub Copilot Agent Mode** | PR 생성, 이슈 해결까지 자동화                |
| **Databricks AI Dev Kit**     | Databricks 리소스 생성/관리를 IDE에서 수행    |

### 4) Agent Observability: "블랙박스를 열다"

Agent의 동작을 추적하고 디버깅하는 Observability 도구가 필수가 되었습니다.

| 도구                         | 특징                     | 가격                 |
| -------------------------- | ---------------------- | ------------------ |
| **MLflow Tracing**         | Databricks 네이티브. 자동 계측 | 무료 (Databricks 포함) |
| **LangSmith**              | LangChain/LangGraph 전용 | 유료 (월 \$39\~)      |
| **Arize AI**               | 모델 모니터링 + Agent 추적     | 유료                 |
| **Weights & Biases Weave** | 실험 추적 + Agent 로깅       | 유료                 |

### 5) 프레임워크 수렴 추세

2024년의 "프레임워크 춘추전국시대"에서 2025년은 2\~3개 핵심 프레임워크로 수렴하는 추세입니다.

| 수렴 방향                          | 설명                                          |
| ------------------------------ | ------------------------------------------- |
| **LangGraph**                  | 오픈소스 Agent 워크플로의 사실상 표준 (de facto standard) |
| **Databricks Agent Framework** | 엔터프라이즈 배포/운영의 표준                            |
| **OpenAI Agents SDK**          | OpenAI 생태계 내 표준                             |

> **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?"

**A**: Databricks 환경이라면 **Databricks Agent Framework + LangGraph** 조합을 권장합니다. LangGraph로 복잡한 Agent 로직(조건 분기, 멀티에이전트, Human-in-the-loop)을 구현하고, Databricks Agent Framework로 배포/모니터링/거버넌스를 처리하세요. 이 조합이 프로덕션까지의 가장 짧은 경로입니다.

### Q2. "LangChain을 배워야 하나요?"

**A**: LangChain의 핵심 컴포넌트(모델, 프롬프트, 도구)는 알아두면 좋지만, **Chain 기반 Agent 패턴은 레거시** 입니다. 새로 시작한다면 **LangGraph를 직접 배우세요**. LangGraph는 LangChain의 컴포넌트를 재사용하면서 더 강력한 워크플로를 제공합니다. `langchain-core`, `langchain-openai` 같은 통합 패키지는 LangGraph에서도 그대로 사용합니다.

### Q3. "프레임워크 없이 직접 구현하면 안 되나요?"

**A**: 간단한 Agent(1개 LLM + 2\~3개 도구)는 순수 Python으로 충분합니다. 그러나 아래 요구사항이 생기면 결국 프레임워크를 다시 만들게 됩니다:

| 요구사항              | 직접 구현 시 복잡도          |
| ----------------- | -------------------- |
| 조건 분기 / 루프        | 높음 (상태 머신 직접 구현)     |
| 대화 메모리 관리         | 중간 (토큰 제한 대응 필요)     |
| 에러 복구 / 재시도       | 높음 (각 도구별 에러 처리)     |
| Human-in-the-loop | 매우 높음 (상태 직렬화/역직렬화)  |
| 멀티에이전트            | 매우 높음 (메시지 라우팅, 동기화) |
| Tracing / 디버깅     | 높음 (로깅 체계 설계)        |

> **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?"

**A**: PoC/데모 목적이라면 Streamlit만으로 충분합니다. 그러나 프로덕션에서는 아래 문제가 발생합니다:

* **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

**권장 경로**: Streamlit 코드를 **Databricks Apps** 로 배포하세요. 코드 변경 최소화로 OAuth 인증, 서비스 프린시펄 기반 보안, 자동 스케일링이 적용됩니다.

### Q5. "여러 프레임워크를 섞어 써도 되나요?"

**A**: 가능하지만, 명확한 역할 분담이 필요합니다. 권장 패턴은 다음과 같습니다:

| 레이어          | 역할                                  | 기술                                  |
| ------------ | ----------------------------------- | ----------------------------------- |
| **Agent 로직** | 워크플로, 조건 분기, 상태 관리                  | LangGraph                           |
| **LLM 호출**   | 모델 추상화, 프롬프트 관리                     | LangChain Core (langchain-openai 등) |
| **도구**       | UC Functions, Vector Search, API 호출 | Databricks SDK + LangChain Tools    |
| **배포/운영**    | 서빙, 모니터링, 거버넌스                      | Databricks Agent Framework          |
| **UI**       | 사용자 인터페이스                           | Streamlit on Databricks Apps        |

***

## 연습 문제

### 문제 1: 프레임워크 선택 (입문)

아래 시나리오에 가장 적합한 프레임워크를 선택하고 이유를 설명하세요.

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

**정답 보기**

**CrewAI** 가 가장 적합합니다.

* **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)

다음 요구사항을 LangGraph StateGraph로 설계하세요 (코드가 아닌 노드/엣지 구조).

> "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"

**정답 보기**

**노드**: classify, tech\_agent, billing\_agent, general\_agent, quality\_check
**엣지**:

* 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)

**핵심 포인트**: quality\_check에서 원래 agent로 돌아가는 **루프** 가 LangGraph에서만 자연스럽게 표현 가능합니다. LangChain Chain으로는 이 패턴을 구현할 수 없습니다. 또한, 무한 루프 방지를 위해 State에 retry\_count를 두고 최대 3회까지만 재시도하도록 설계해야 합니다.

### 문제 3: Databricks Agent Framework 아키텍처 (중급)

아래 코드의 빈칸을 채우세요.

```python theme={null}
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(),
    )
```

**정답 보기**

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)

"LangGraph와 OpenAI Agents SDK의 가장 큰 아키텍처 차이"를 상태 관리(State Management) 관점에서 설명하세요.

**정답 보기**

**LangGraph**: 명시적 State 객체(TypedDict)를 정의하고, 모든 노드가 이 State를 읽고 수정합니다. Checkpoint를 통해 State의 스냅샷을 저장하고 복원할 수 있어, 장기 실행 워크플로와 Human-in-the-loop에 적합합니다. 개발자가 State 스키마를 직접 설계해야 하므로 유연성이 높지만 복잡합니다.

**OpenAI Agents SDK**: 상태 관리는 주로 대화 히스토리(messages)를 통해 이루어집니다. Handoff 시 전체 대화 히스토리가 다음 Agent에게 전달되며, 별도의 State 객체는 없습니다. 간결하지만, 대화 히스토리 외의 구조화된 상태(예: 주문 처리 단계, 승인 상태)를 관리하기 어렵습니다.

**핵심 차이**: LangGraph는 **"데이터 중심 상태 관리**"(구조화된 State), OpenAI SDK는 "**대화 중심 상태 관리"** (메시지 히스토리)입니다.

### 문제 5: 실전 아키텍처 설계 (고급)

대기업 고객이 다음 요구사항을 제시했습니다. 전체 아키텍처를 설계하세요.

> "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."

**정답 보기**

**추천 아키텍처**: LangGraph + Databricks Agent Framework + Databricks Apps

**LangGraph 워크플로 설계**:

* **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_before`로 HR 담당자 승인 대기 -> 승인 시 인사 시스템에 등록
* **Quality Check Node**: 응답 적절성 검증 (Reflection)

**Databricks 컴포넌트**:

* **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)

**핵심 포인트**:

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

***

## 참고 자료

### 공식 문서

| 프레임워크                      | 문서 URL                                                                                                                         |
| -------------------------- | ------------------------------------------------------------------------------------------------------------------------------ |
| LangChain                  | [https://python.langchain.com/docs/](https://python.langchain.com/docs/)                                                       |
| LangGraph                  | [https://langchain-ai.github.io/langgraph/](https://langchain-ai.github.io/langgraph/)                                         |
| CrewAI                     | [https://docs.crewai.com/](https://docs.crewai.com/)                                                                           |
| OpenAI Agents SDK          | [https://openai.github.io/openai-agents-python/](https://openai.github.io/openai-agents-python/)                               |
| AutoGen                    | [https://microsoft.github.io/autogen/](https://microsoft.github.io/autogen/)                                                   |
| Databricks Agent Framework | [https://docs.databricks.com/en/generative-ai/agent-framework/](https://docs.databricks.com/en/generative-ai/agent-framework/) |
| MLflow Tracing             | [https://mlflow.org/docs/latest/tracing/](https://mlflow.org/docs/latest/tracing/)                                             |

### 프로토콜 표준

| 프로토콜                         | 문서 URL                                                               |
| ---------------------------- | -------------------------------------------------------------------- |
| MCP (Model Context Protocol) | [https://modelcontextprotocol.io/](https://modelcontextprotocol.io/) |
| A2A (Agent-to-Agent)         | [https://google.github.io/A2A/](https://google.github.io/A2A/)       |

### 추가 학습 자료

* **Databricks Agent Bricks 가이드**: [Agent Bricks](../../agent-bricks/README) -- Knowledge Assistant, Genie Agent, Supervisor Agent 실전 구축
* **RAG 가이드**: [RAG (검색 증강 생성)](../../rag/README) -- Agent의 도구로 활용되는 RAG 파이프라인 구축
* **MCP 가이드**: [MCP (Model Context Protocol)](../../mcp/README) -- Agent의 도구 접근 프로토콜 표준
* **A2A 가이드**: [A2A (Agent-to-Agent)](../a2a-protocol/README) -- Agent 간 통신 프로토콜
* **AI Agent 아키텍처**: [Agent 아키텍처](../agent-architecture) -- ReAct, Tool Use, Multi-Agent 패턴의 기초

***

[README로 돌아가기](overview)