> ## 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.

# Meta & 비교 분석

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

## 2. Microsoft -- "오픈 에이전틱 웹"

### 2.1 전략 개요

Microsoft의 Agent 전략은 **"Open Agentic Web"** 이라는 비전 아래, Agent가 웹 서비스처럼 상호 운용 가능한 생태계를 만드는 것을 목표로 합니다. OpenAI와의 전략적 파트너십, GitHub/LinkedIn/Dynamics 365 등 SaaS 자산, 그리고 Azure 클라우드를 결합한 **수직 통합 전략** 이 핵심입니다.

> **성공**
> **핵심 메시지**: "AI Agent는 고립된 봇이 아니라, 서로 대화하고 협업하는 네트워크다. Microsoft는 그 네트워크의 프로토콜과 플랫폼을 모두 제공한다."

### 2.2 핵심 제품 스택

#### Agent Framework (2025년 10월 통합)

Microsoft는 두 개의 독립적인 Agent 프레임워크를 **하나의 통합 프레임워크** 로 수렴시켰습니다.

| 기존 프레임워크            | 강점                  | 통합 후 역할                    |
| ------------------- | ------------------- | -------------------------- |
| **AutoGen**         | 멀티에이전트 대화, 연구 혁신    | Agent 간 협업 패턴, 대화 기반 문제 해결 |
| **Semantic Kernel** | 엔터프라이즈 통합, .NET 생태계 | 플러그인 시스템, 메모리 관리, 프로덕션 인프라 |

통합된 Agent Framework는 다음을 제공합니다:

* **A2A (Agent-to-Agent) 프로토콜 네이티브 지원**: Google이 주도하는 A2A 표준을 1등 시민으로 구현
* **MCP (Model Context Protocol) 네이티브 지원**: Anthropic의 MCP를 통해 외부 데이터/도구 연결
* **OpenAI Agents SDK 호환**: OpenAI 생태계와의 원활한 마이그레이션 경로

#### Azure AI Foundry Agent Service (GA)

Azure AI Foundry는 Microsoft의 **관리형 AI 플랫폼** 이며, Agent Service는 그 위에서 Agent를 빌드하고 배포하는 서비스입니다.

| 기능                       | 설명                                                     |
| ------------------------ | ------------------------------------------------------ |
| **모델 카탈로그**              | OpenAI GPT-4o, Claude, Llama, Phi, Mistral 등 1,800+ 모델 |
| **A2A + MCP**            | 두 프로토콜을 모두 GA 수준으로 지원                                  |
| **Prompt Shields**       | 프롬프트 인젝션 공격 자동 탐지 및 차단                                 |
| **Content Safety**       | 유해 콘텐츠 필터링 (8개 카테고리)                                   |
| **Tracing & Evaluation** | OpenTelemetry 기반 Agent 실행 추적, 자동 평가                    |

#### Copilot Studio 2025

Copilot Studio는 Microsoft의 **로우코드/노코드 Agent 빌더** 로, 비개발자가 Agent를 만들고 운영할 수 있는 플랫폼입니다.

| 기능                   | 설명                                                |
| -------------------- | ------------------------------------------------- |
| **멀티에이전트 오케스트레이션**   | 여러 Copilot Agent를 하나의 워크플로로 조합                    |
| **자율형 에이전트**         | 트리거 기반으로 자동 실행되는 Agent (이메일 수신 시, 데이터 변경 시 등)     |
| **Microsoft 365 통합** | Teams, Outlook, SharePoint, Dynamics 365와 네이티브 연결 |
| **커넥터 생태계**          | 1,400+ 사전 구축 커넥터 (SAP, Salesforce, ServiceNow 등)  |

> **주의**
> **Copilot Studio의 포지션**: Copilot Studio는 "시민 개발자"를 타겟으로 합니다. 프로 개발자는 Agent Framework + Azure AI Foundry를 사용하고, 비즈니스 사용자는 Copilot Studio를 사용하는 이원 전략입니다. Databricks의 Agent Bricks (노코드) vs. AI Dev Kit (프로코드) 이원 전략과 유사합니다.

#### "Open Agentic Web" 전략

Microsoft는 Agent 생태계의 **표준화와 상호 운용성** 을 핵심 전략으로 내세우고 있습니다.

* **A2A 얼리 어답터**: Google이 주도하는 A2A 프로토콜의 초기 지지자이자 구현자
* **MCP 네이티브 지원**: Windows, VS Code, Copilot Studio 등 전 제품군에 MCP 통합
* **NLWeb**: 웹사이트가 자연어로 쿼리 가능한 Agent-ready 엔드포인트를 노출하는 프로토콜 제안

### 2.3 멀티에이전트 아키텍처

Microsoft의 멀티에이전트 모델은 **"Agent Network"** 패러다임입니다.

| 계층           | 구성 요소                                                | 설명                                      |
| ------------ | ---------------------------------------------------- | --------------------------------------- |
| **오케스트레이터**  | Copilot Studio                                       | 전체 Agent Network 관리                     |
| **내부 Agent** | HR Agent (Dynamics), Finance Agent, IT Support Agent | Microsoft 생태계 기반 전문 Agent               |
| **통신 계층**    | A2A Protocol Layer                                   | 내부/외부 Agent 간 표준 통신                     |
| **외부 Agent** | 외부 Agent, 파트너 Agent, 고객 Agent                        | Salesforce, SAP 등 외부 Agent와 동일 프로토콜로 통신 |

핵심은 **내부 Agent와 외부 Agent가 동일한 프로토콜(A2A)로 통신** 한다는 점입니다. 자사 Copilot뿐 아니라 Salesforce, SAP, 파트너사의 Agent도 동일한 네트워크에 참여할 수 있습니다.

### 2.4 차별점 요약

* **SaaS 생태계 통합**: Microsoft 365, Dynamics 365, GitHub, LinkedIn -- 엔터프라이즈 워크플로 전반을 커버
* **A2A + MCP 이중 프로토콜**: Agent 간 통신(A2A)과 도구 접근(MCP)을 모두 1등 시민으로 지원
* **AutoGen + Semantic Kernel 통합**: 연구 혁신과 엔터프라이즈 안정성을 하나의 프레임워크에
* **로우코드 경로**: Copilot Studio를 통해 비개발자도 Agent 구축 가능
* **OpenAI 파트너십**: GPT-4o, o1 등 최신 모델에 가장 먼저 접근

### 2.5 Databricks 연동 시사점

> **참고**
> **Databricks on Azure 고객이라면**:

* **Azure AI Foundry + Databricks Agent Bricks**: Foundry의 모델 카탈로그에서 모델을 선택하고, Databricks Agent Bricks에서 Agent를 빌드하는 조합이 최적
* **Copilot Studio → Databricks Genie Agent**: Copilot Studio에서 Genie Agent를 외부 Agent로 호출하여, 자연어 데이터 분석을 Microsoft 365 워크플로에 내장
* **Unity Catalog + Purview**: 데이터 거버넌스를 Databricks Unity Catalog와 Microsoft Purview 양쪽에서 통합 관리
* **Mosaic AI Gateway + Azure OpenAI**: Azure OpenAI 엔드포인트를 Gateway의 External Model로 등록하여 비용/성능 모니터링 통합

***

## 3. Meta -- "오픈소스 Agent 민주화"

### 3.1 전략 개요

Meta의 전략은 명확합니다: **"최고 수준의 오픈소스 모델과 도구를 제공하여, Agent 생태계의 표준이 된다."** 클라우드 서비스 매출이 아닌, 오픈소스를 통한 생태계 장악과 자사 서비스(Instagram, WhatsApp, Workplace) 연동이 핵심 수익 모델입니다.

> **성공**
> **핵심 메시지**: "가장 좋은 AI 모델은 누구나 사용할 수 있어야 한다. 오픈소스는 선의가 아니라 전략이다 -- 개발자 생태계를 장악하면 플랫폼이 된다."

### 3.2 핵심 제품 스택

#### Llama 4 모델 패밀리

Llama 4는 Meta의 최신 오픈소스 LLM 패밀리로, **Mixture of Experts (MoE)** 아키텍처를 전면 채택했습니다.

| 모델                   | 전체 파라미터 | 활성 파라미터 | 컨텍스트       | 특징                   |
| -------------------- | ------- | ------- | ---------- | -------------------- |
| **Llama 4 Scout**    | 109B    | 17B     | **10M 토큰** | 초대용량 컨텍스트, 효율적 추론    |
| **Llama 4 Maverick** | 400B    | 약 100B  | **1M 토큰**  | GPT-4o 급 성능, 오픈소스 최강 |

> **참고**
> **MoE(Mixture of Experts) 아키텍처의 의미**:

Scout의 경우 전체 109B 파라미터 중 매 토큰마다 17B만 활성화됩니다. 이는 다음을 의미합니다:

* **추론 비용**: 17B 모델 수준의 GPU 요구량으로 109B 수준의 지식을 활용
* **Agent 시나리오**: 비용 효율이 극도로 중요한 대규모 Agent 배포에 적합
* **10M 컨텍스트**: 전체 코드베이스나 수백 페이지 문서를 한 번에 처리 가능

Maverick은 반대로 최고 성능을 추구합니다. 400B 규모로 GPT-4o와 직접 경쟁하며, 1M 컨텍스트로 복잡한 Agent 추론을 지원합니다.

#### Llama Stack

Llama Stack은 Meta가 제공하는 **Agent 빌딩을 위한 통합 API 레이어** 입니다. 모델만 오픈소스하는 것이 아니라, Agent 구축에 필요한 전체 스택을 표준화합니다.

| API 카테고리          | 포함 기능                                   |
| ----------------- | --------------------------------------- |
| **Inference**     | 텍스트 생성, Tool Calling, Structured Output |
| **Safety**        | 입력/출력 필터링, Llama Guard 통합               |
| **Memory**        | 벡터 스토어, 대화 히스토리, 장기 기억                  |
| **Agents**        | Agent 루프, 도구 실행, 멀티턴 관리                 |
| **Evaluation**    | 자동 평가, 벤치마크 실행                          |
| **Post-training** | Fine-tuning, RLHF, DPO                  |

```python theme={null}
# Llama Stack Agent 예시
from llama_stack_client import LlamaStackClient

client = LlamaStackClient(base_url="http://localhost:5000")

# Agent 생성
agent = client.agents.create(
    agent_config={
        "model": "Llama4-Scout-109B-MoE",
        "instructions": "당신은 데이터 분석 전문가입니다.",
        "tools": [
            {"type": "code_interpreter"},
            {"type": "brave_search"},
            {"type": "function", "function": custom_tool}
        ],
        "tool_choice": "auto",
        "max_infer_iters": 10  # 최대 추론 반복 횟수
    }
)
```

#### 오픈소스 전략의 의미

Meta의 오픈소스 전략은 단순한 모델 공개가 아닙니다.

| 계층              | 오픈소스 여부            | 설명                                      |
| --------------- | ------------------ | --------------------------------------- |
| **모델 가중치**      | 공개 (Llama License) | 상업적 사용 가능, 7억 MAU 이상 시 라이선스 필요          |
| **학습 코드**       | 일부 공개              | 학습 레시피, 데이터 처리 파이프라인                    |
| **평가 프레임워크**    | 공개                 | Llama Stack Evals                       |
| **안전 도구**       | 공개                 | Llama Guard, CyberSecEval, Purple Llama |
| **Agent 프레임워크** | 공개                 | Llama Stack                             |

> **주의**
> **Llama 라이선스 주의사항**: Llama 4는 "오픈소스"로 불리지만, 엄밀히는 **오픈 웨이트(Open Weight)** 모델입니다. 월간 활성 사용자 7억 명 이상인 서비스에서 사용하려면 별도 라이선스가 필요합니다. 또한, Llama 출력으로 다른 LLM을 학습시키는 것은 라이선스 위반입니다.

### 3.3 멀티에이전트 아키텍처

Meta는 AWS나 Microsoft처럼 자체 관리형 오케스트레이션 서비스를 제공하지 않습니다. 대신 Llama Stack의 Agent API를 통해 **프레임워크 수준의 멀티에이전트** 를 지원합니다.

실제 프로덕션 멀티에이전트 배포는 다음 조합으로 이루어집니다:

* **Llama 4 모델**+ **LangGraph/CrewAI/Strands**(오케스트레이션) + **클라우드 서비스**(인프라)
* 즉, Meta는 "두뇌(모델)"를 제공하고, "몸(인프라)"은 클라우드 벤더가 제공하는 구조

### 3.4 차별점 요약

* **오픈 웨이트 최강 모델**: Llama 4 Maverick은 오픈소스 모델 중 최고 성능
* **극한 비용 효율**: Scout의 MoE 아키텍처로 17B 활성 파라미터에 109B 지식 활용
* **10M 컨텍스트**: 오픈소스 모델 중 최대 컨텍스트 윈도우
* **플랫폼 의존 없음**: 어떤 클라우드, 어떤 프레임워크에서든 사용 가능
* **자체 호스팅 가능**: 민감 데이터를 클라우드 밖에서 처리해야 하는 규제 환경에 적합

### 3.5 Databricks 연동 시사점

> **참고**
> **Databricks에서 Llama 4를 활용하려면**:

* **Mosaic AI Gateway**: Llama 4 모델을 Databricks Model Serving에 배포하고, Gateway에서 통합 관리. 자체 호스팅으로 데이터 주권 확보
* **Foundation Model API**: Databricks가 관리하는 Llama 4 엔드포인트를 바로 사용 (Pay-per-token)
* **Fine-tuning**: Databricks에서 Llama 4를 도메인 특화 데이터로 Fine-tuning 가능 (PEFT, QLoRA)
* **Agent Bricks + Llama 4**: Agent Bricks에서 Serving Endpoint로 배포된 Llama 4를 백엔드 모델로 사용
* **비용 최적화**: Scout 모델을 고빈도/저복잡도 Agent에, Maverick을 저빈도/고복잡도 Agent에 배치하는 티어드 전략

***

## 4. 종합 비교

> **참고**
> Databricks의 Agent 전략은 별도 페이지에서 심층적으로 다룹니다: [Databricks의 AI Agent 전략](databricks)

### 4.1 벤더별 전략 비교 테이블

| 비교 항목        | AWS                              | Microsoft                       | Meta                     | Databricks                  |
| ------------ | -------------------------------- | ------------------------------- | ------------------------ | --------------------------- |
| **전략 키워드**   | 풀스택 빌딩 블록                        | 오픈 에이전틱 웹                       | 오픈소스 민주화                 | 데이터 중심 Agent                |
| **자체 모델**    | Nova 2 (Pro/Lite/Sonic)          | 없음 (OpenAI 파트너십)                | Llama 4 (Scout/Maverick) | DBRX (보조), 외부 모델 중심         |
| **Agent 빌더** | Bedrock Agents                   | Azure AI Foundry Agent          | Llama Stack              | Agent Bricks                |
| **오케스트레이션**  | Supervisor/Routing Mode          | Copilot Studio                  | 프레임워크 위임                 | Supervisor Agent            |
| **운영 플랫폼**   | AgentCore                        | Azure AI Foundry                | 없음 (클라우드 위임)             | Model Serving + Gateway     |
| **안전장치**     | Guardrails (Automated Reasoning) | Prompt Shields + Content Safety | Llama Guard              | Unity Catalog Guardrails    |
| **정책 엔진**    | Cedar (선언적)                      | Azure RBAC                      | 없음                       | Unity Catalog ACL           |
| **코딩 도구**    | Q Developer, Kiro IDE            | GitHub Copilot                  | 없음                       | Genie Code, AI Dev Kit      |
| **프레임워크**    | Strands SDK (오픈소스)               | Agent Framework (AutoGen+SK)    | Llama Stack (오픈소스)       | Agent Framework (MLflow 통합) |
| **프로토콜**     | MCP 지원                           | A2A + MCP                       | 표준 따름                    | MCP 지원                      |
| **멀티클라우드**   | AWS only                         | Azure 중심                        | 클라우드 무관                  | AWS, Azure, GCP             |
| **데이터 거버넌스** | Lake Formation                   | Purview                         | 없음                       | Unity Catalog               |
| **비용 모델**    | Pay-per-use                      | Pay-per-use                     | 자체 호스팅 가능                | DBU 기반                      |
| **주요 타겟**    | AWS 올인 고객                        | Microsoft 365 + Azure 고객        | 오픈소스 선호, 자체 인프라 보유       | 데이터 레이크하우스 고객               |

### 4.2 시나리오별 최적 조합

| 시나리오                | 권장 조합                                             | 이유                            |
| ------------------- | ------------------------------------------------- | ----------------------------- |
| **AWS 기반 엔터프라이즈**   | Bedrock Agents + Databricks Agent Bricks + MLflow | AWS 인프라 활용 + 데이터 거버넌스 통합      |
| **Azure 기반 엔터프라이즈** | Azure AI Foundry + Databricks + Copilot Studio    | Microsoft 365 연동 + 데이터 레이크하우스 |
| **비용 최적화 우선**       | Llama 4 Scout (Databricks 호스팅) + Agent Bricks     | MoE로 추론 비용 절감 + 자체 호스팅        |
| **최고 성능 우선**        | Claude/GPT-4o (Gateway 경유) + Agent Bricks         | 최고 모델 + 자동 Fallback           |
| **데이터 규제 환경**       | Llama 4 (온프레미스) + Databricks (VPC 내)              | 데이터 주권 + 모델 자체 호스팅            |
| **멀티클라우드**          | Databricks (멀티클라우드) + Mosaic AI Gateway           | 클라우드 간 일관된 Agent 경험           |

### 4.3 기능 계층별 비교

| 계층         | AWS                       | Microsoft               | Meta               | Databricks                       |
| ---------- | ------------------------- | ----------------------- | ------------------ | -------------------------------- |
| **모델 접근**  | Bedrock (멀티모델)            | AI Foundry (1,800+)     | Llama 직접           | Gateway (무제한)                    |
| **RAG/검색** | Knowledge Bases, GraphRAG | AI Search               | Llama Stack Memory | Vector Search, UC 함수             |
| **멀티에이전트** | Supervisor/Routing        | Copilot Studio 오케스트레이션  | 프레임워크 의존           | Supervisor Agent                 |
| **평가**     | AgentCore Evaluations     | AI Foundry Evaluation   | Llama Stack Evals  | MLflow 3.0 GenAI Metrics         |
| **모니터링**   | CloudWatch + AgentCore    | Azure Monitor + Foundry | 자체 구축 필요           | MLflow Trace + Lakehouse Monitor |
| **거버넌스**   | IAM + Cedar               | Entra ID + Purview      | 자체 구축 필요           | Unity Catalog (데이터+모델+Agent)     |

***

## 5. 고객 FAQ

### Q1: "우리는 AWS를 쓰는데, Bedrock Agents만으로 충분한가요?"

> **참고**
> Bedrock Agents는 Agent 오케스트레이션에 우수하지만, **데이터 거버넌스와 평가 자동화** 에서 한계가 있습니다. 권장 조합:

* **Agent 빌드/오케스트레이션**: Bedrock Agents 또는 Databricks Agent Bricks
* **데이터 거버넌스**: Databricks Unity Catalog
* **모니터링/평가**: MLflow 3.0
* **모델 관리**: Mosaic AI Gateway (Bedrock 모델 포함)

### Q2: "Llama 4를 자체 호스팅하면 비용이 정말 절감되나요?"

> **참고**
> **상황에 따라 다릅니다.**

* **고빈도 호출**(일 100만+ 요청): 자체 호스팅이 API 비용 대비 50-70% 절감 가능
* **저빈도 호출**(일 1만 이하): API(Pay-per-token)가 더 경제적. GPU 유휴 비용 발생
* **권장**: Databricks Model Serving에 Llama 4를 배포하면 서버리스 스케일링으로 유휴 비용을 최소화할 수 있습니다. Scout(17B 활성)은 단일 A100에서도 추론 가능합니다.

### Q3: "Microsoft Copilot Studio와 Databricks Agent Bricks 중 무엇을 써야 하나요?"

> **참고**
> **타겟 사용자가 다릅니다.**

* **Copilot Studio**: 비개발자가 Microsoft 365 워크플로 내에서 간단한 Agent를 만들 때
* **Agent Bricks**: 데이터 팀이 데이터 레이크하우스의 데이터를 활용하는 Agent를 만들 때

가장 좋은 전략은 **양쪽 모두 사용** 하고, Copilot Studio의 Agent가 Databricks Genie Agent를 A2A/MCP로 호출하는 구조입니다.

### Q4: "A2A vs MCP -- 우리에게 어떤 프로토콜이 필요한가요?"

> **참고**
> 둘은 **경쟁이 아니라 보완 관계** 입니다.

* **MCP**: Agent가 **도구/데이터** 에 접근하는 프로토콜 (Agent → Tool)
* **A2A**: Agent가 **다른 Agent** 와 통신하는 프로토콜 (Agent → Agent)

대부분의 엔터프라이즈 Agent에는 **MCP가 먼저 필요** 합니다. A2A는 조직 간 Agent 연동이 필요할 때 도입하세요.

### Q5: "AWS Guardrails의 Automated Reasoning이 정말 99% 정확한가요?"

> **참고**
> AWS가 발표한 99% 수치는 **형식 검증(Formal Verification)** 이 적용 가능한 도메인(수학, 논리, 정책 규칙)에서의 정확도입니다. 자연어 추론 전반에 대한 수치가 아닙니다.

* **적합**: 보험 약관 해석, 대출 적격 여부 판단, 세금 계산 등 규칙 기반 추론
* **한계**: 창의적 글쓰기, 감정 분석, 주관적 판단 등에는 적용 불가

Databricks 환경에서는 MLflow 3.0의 GenAI Metrics + Bedrock Guardrails를 **조합** 하여 다층적 안전장치를 구축하는 것을 권장합니다.

### Q6: "멀티클라우드 환경에서 Agent를 어떻게 통합 관리하나요?"

> **참고**
> Databricks의 멀티클라우드 아키텍처가 핵심입니다:

1. **Mosaic AI Gateway**: AWS Bedrock, Azure OpenAI, 자체 호스팅 모델을 하나의 엔드포인트로 통합
2. **Unity Catalog**: 클라우드 간 데이터 거버넌스 일관성 유지
3. **MLflow 3.0**: 클라우드 무관하게 Agent 추적/평가 통합
4. **Agent Bricks**: 동일한 Agent 정의를 AWS/Azure/GCP 어디서든 배포

***

## 6. 참고 자료

### AWS

* [Amazon Bedrock Agents 공식 문서](https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html)
* [Amazon AgentCore 소개](https://aws.amazon.com/agentcore/)
* [Strands Agents SDK GitHub](https://github.com/strands-agents/sdk-python)
* [Amazon Nova 모델 카드](https://aws.amazon.com/ai/generative-ai/nova/)
* [Guardrails for Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html)

### Microsoft

* [Azure AI Foundry Agent Service](https://learn.microsoft.com/azure/ai-services/agents/)
* [Microsoft Copilot Studio](https://www.microsoft.com/copilot/copilot-studio)
* [AutoGen GitHub](https://github.com/microsoft/autogen)
* [Semantic Kernel GitHub](https://github.com/microsoft/semantic-kernel)

### Meta

* [Llama 4 모델 카드](https://ai.meta.com/llama/)
* [Llama Stack GitHub](https://github.com/meta-llama/llama-stack)
* [Llama Guard](https://ai.meta.com/research/publications/llama-guard/)

### Databricks

* [Agent Bricks 문서](https://docs.databricks.com/en/generative-ai/agent-bricks/index.html)
* [Mosaic AI Gateway](https://docs.databricks.com/en/generative-ai/external-models/index.html)
* [MLflow 3.0 GenAI](https://mlflow.org/docs/latest/genai/index.html)
* [Unity Catalog](https://docs.databricks.com/en/data-governance/unity-catalog/index.html)

### 프로토콜 & 표준

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