Skip to main content
이 문서는 Anthropic의 AI Agent 전략 의 하위 문서입니다.

​
9. 멀티에이전트 패턴 (5가지 상세)

Anthropic은 2024년 12월 블로그에서 5가지 Agent 설계 패턴을 제시했습니다. 핵심 메시지는 “단순하게 시작하라(Start Simple)” 입니다.
성공 Anthropic의 철학: “Agent를 만들 때 가장 흔한 실수는 처음부터 복잡한 멀티에이전트 시스템을 설계하는 것입니다. 대부분의 문제는 단일 LLM 호출 + 좋은 프롬프트로 해결됩니다. 복잡한 패턴은 단순한 접근이 한계에 부딪힐 때만 도입하세요.”

​
패턴 1: Prompt Chaining (프롬프트 체이닝)

하나의 작업을 여러 순차 단계로 분해 하여, 각 단계의 출력이 다음 단계의 입력이 되는 패턴입니다.
항목설명
적용 시기작업을 명확한 순서의 하위 작업으로 분해할 수 있을 때
장점각 단계의 품질을 독립적으로 검증 가능
단점전체 지연 시간 증가 (직렬 실행)
게이트/체크각 단계 사이에 품질 검증 로직 삽입 가능

​
패턴 2: Routing (라우팅)

입력을 분류하여 전문화된 처리 경로로 분배 하는 패턴입니다.
항목설명
적용 시기입력 유형에 따라 다른 처리가 필요할 때
장점각 핸들러를 전문화하여 품질 향상
단점라우팅 오류 시 잘못된 핸들러로 전달
구현LLM 분류기 또는 규칙 기반 분류

​
패턴 3: Parallelization (병렬화)

하나의 작업을 독립적인 하위 작업으로 분해하여 동시 실행 후 결과를 집계하는 패턴입니다. 변형 A: Sectioning (분할) - 같은 입력을 여러 관점에서 동시에 처리 변형 B: Voting (투표) - 같은 작업을 여러 Agent가 독립적으로 수행하고 다수결

​
패턴 4: Orchestrator-Workers (오케스트레이터-워커)

중앙 오케스트레이터가 작업을 동적으로 분해하고 워커에게 할당 하는 패턴입니다. Parallelization과 달리, 하위 작업이 사전에 정해져 있지 않고 오케스트레이터가 실시간으로 결정합니다.
참고 Claude Code의 Subagent가 바로 이 패턴입니다. Claude Code가 복잡한 작업을 받으면, 메인 Agent(Orchestrator)가 하위 Agent(Worker)를 생성하여 병렬로 작업을 수행합니다.

​
패턴 5: Evaluator-Optimizer (평가자-최적화자)

하나의 Agent가 결과를 생성하고, 다른 Agent가 평가하여 개선을 반복 하는 패턴입니다.

​
5가지 패턴 비교 요약

패턴복잡도적용 시점핵심 특징
Prompt Chaining낮음순차적 작업 분해 가능 시단계별 품질 게이트
Routing낮음입력 유형별 전문 처리 필요 시분류 → 전문 핸들러
Parallelization중간독립 작업 동시 처리 or 신뢰도 향상동시 실행 → 결과 집계
Orchestrator-Workers높음동적 작업 분해 필요 시중앙 제어 + 유연한 워커
Evaluator-Optimizer높음반복 개선으로 품질 보장 필요 시생성 → 평가 → 피드백 루프
주의 선택 가이드: “단순한 것이 최선이다”를 원칙으로 삼으세요.
  • 90%의 경우: 단일 LLM 호출 + 좋은 프롬프트로 충분
  • 나머지 9%: Prompt Chaining 또는 Routing으로 해결
  • 1%의 복잡한 경우: Orchestrator-Workers 또는 Evaluator-Optimizer 도입

​
10. Claude Cowork — 지식 노동자 Agent

2026년 1월 프리뷰로 공개된 Claude Cowork는 Claude Code가 개발자를 위한 Agent라면, 지식 노동자(마케터, 분석가, PM 등) 를 위한 Agent입니다.
특징설명
목적비개발자가 자연어로 복잡한 업무 자동화
인터페이스웹 기반, 대화형
핵심 능력문서 작성, 데이터 분석, 리서치, 보고서 생성
MCP 연동Google Workspace, Notion, Slack 등 업무 도구 연결
상태Preview (2026.01~)

​
11. Databricks 시사점

​
Claude on Databricks — 세 가지 경로

Databricks 환경에서 Claude를 활용하는 방법은 세 가지입니다.
경로방식장점고려사항
Foundation Model APIsDatabricks가 호스팅하는 Claude 엔드포인트Unity Catalog 거버넌스, 네트워크 격리모델 버전 업데이트 지연 가능
Amazon BedrockAWS 기반 Claude 접근AWS 인프라 활용, 최신 모델 빠른 접근별도 Bedrock 설정 필요
Anthropic API 직접anthropic Python SDK 사용최신 기능 즉시 사용 가능네트워크 정책 확인 필요

​
Foundation Model APIs 활용

# Databricks 노트북에서 Claude 사용
from databricks.sdk import WorkspaceClient
import anthropic

# Foundation Model APIs를 통한 호출
w = WorkspaceClient()
response = w.serving_endpoints.query(
    name="databricks-claude-sonnet-4",
    messages=[{
        "role": "user",
        "content": "Unity Catalog에서 테이블 권한을 설정하는 SQL을 작성해줘."
    }],
    max_tokens=4096
)

​
MCP + Genie Code 통합

Genie Code는 MCP Host 역할을 수행합니다. Databricks MCP Server를 연결하면, Genie Code에서 자연어로 Databricks 리소스를 관리할 수 있습니다.
시나리오MCP + Genie Code 활용
데이터 탐색”sales 카탈로그에서 주문 관련 테이블을 찾아줘”
쿼리 실행”지난 달 매출 상위 10개 제품을 조회해줘”
파이프라인 관리”ETL 파이프라인 상태를 확인하고 실패한 것을 재실행해줘”
거버넌스”이 테이블에 데이터 팀 읽기 권한을 부여해줘”

​
Agent Bricks에서 Claude 활용

Databricks Agent Bricks(Knowledge Assistant, Genie Agent, Supervisor)에서도 Claude를 LLM 백엔드로 사용할 수 있습니다. 
# Agent Bricks에서 Claude 모델 지정
from databricks.agents import KnowledgeAssistant

ka = KnowledgeAssistant(
    name="hr-assistant",
    model="databricks-claude-sonnet-4",  # Claude 모델 지정
    vector_search_index="hr_docs_index",
    instructions="당신은 HR 관련 질문에 답변하는 어시스턴트입니다."
)
참고 Databricks에서의 베스트 프랙티스
  • 거버넌스가 중요한 경우: Foundation Model APIs를 통해 Unity Catalog 거버넌스 적용
  • 최신 모델이 필요한 경우: Bedrock 또는 Anthropic API 직접 사용
  • Agent 개발: Agent SDK + Databricks MCP Server 조합으로 데이터 플랫폼 연동 Agent 구축
  • 비개발자 분석: Genie Code + MCP로 자연어 데이터 분석

​
12. 고객 FAQ

​
Q1. Claude Code와 GitHub Copilot의 차이는?

항목Claude CodeGitHub Copilot
패러다임Agent (자율 실행)Assistant (코드 제안)
인터페이스터미널IDE 내장
작업 단위전체 기능 구현 ~ PR 생성줄/블록 단위 코드 완성
도구 사용파일 시스템, Git, MCP 등제한적
자율성높음 (스스로 테스트/수정)낮음 (사람이 수락/거부)

​
Q2. MCP와 OpenAI의 Function Calling은 어떻게 다른가?

항목MCPFunction Calling
범위프로토콜 (표준)API 기능 (플랫폼 의존)
호환성모든 LLM에서 사용 가능OpenAI API 전용
서버 생태계10,000+ 커뮤니티 서버개발자가 직접 구현
거버넌스Linux Foundation (AAIF)OpenAI 단독
현재 상태OpenAI도 MCP 채택MCP와 공존

​
Q3. Opus 4와 Sonnet 4, 어떤 것을 사용해야 하나?

상황추천 모델
복잡한 코딩, 장기 Agent 작업Opus 4.6
일상적 코딩, 분석, 대화Sonnet 4.6
대규모 API 서비스 (비용 민감)Sonnet 4.6
최고 품질 필요 (비용 무관)Opus 4.6 + Extended Thinking

​
Q4. Computer Use를 프로덕션에서 사용해도 되나?

현재 Beta 상태이므로 프로덕션에서는 다음 조건 하에 제한적으로 사용을 권장합니다:
  • 샌드박스 환경: Docker 컨테이너 또는 VM 내에서 실행
  • 제한된 권한: 최소 권한 원칙 적용
  • 민감 정보 차단: 비밀번호, 개인정보가 표시된 화면에서 사용 금지
  • 사람 승인: 중요한 액션 전 사람의 확인을 받는 워크플로 설계

​
Q5. Anthropic과 Databricks의 관계는?

항목내용
모델 제공Claude가 Foundation Model APIs, Bedrock을 통해 Databricks에서 사용 가능
MCP 호환Databricks가 공식 MCP Server를 제공, Genie Code가 MCP Host
Agent 생태계Agent Bricks에서 Claude를 LLM 백엔드로 선택 가능
경쟁/협력AI 모델 계층에서는 경쟁(DBRX vs Claude), 플랫폼 계층에서는 협력

​
13. 참고 자료

자료링크
Anthropic 공식 문서docs.anthropic.com
MCP 공식 사이트modelcontextprotocol.io
Claude Code 문서docs.anthropic.com/en/docs/claude-code
Building Effective Agents (블로그)anthropic.com/engineering/building-effective-agents
Agent SDK 문서docs.anthropic.com/en/docs/agent-sdk
Computer Use 문서docs.anthropic.com/en/docs/computer-use
Extended Thinking 가이드docs.anthropic.com/en/docs/extended-thinking
AAIF (Linux Foundation)ai-alliance-interop.org
Databricks MCP Servergithub.com/databricks/databricks-mcp
Databricks Foundation Model APIsdocs.databricks.com/machine-learning/foundation-models