멀티 에이전트 워크플로우AI 팀을 구축하는 6가지 패턴

하나의 AI 에이전트로 모든 것을 해결하려고 했던 적이 있으신가요? 간단한 작업에는 문제없지만, 프로젝트가 복잡해질수록 단일 에이전트의 한계가 드러납니다. 컨텍스트 윈도우가 부족하고, 작업이 뒤엉키고, 결과물의 품질이 떨어집니다.

❝

혼자서 모든 일을 하는 풀스택 엔지니어보다, 역할이 명확한 팀이 더 효과적인 것처럼, AI 에이전트도 마찬가지입니다.

❞

Anthropic은 이 문제를 멀티 에이전트 시스템으로 해결했습니다. 복잡한 쿼리의 처리 시간을 최대 90%까지 단축한 이 시스템의 핵심 패턴을 살펴보겠습니다.

왜 멀티 에이전트인가?

✦단일 에이전트의 한계

❌ 단일 에이전트:
  "코드 작성 + 리뷰 + 테스트 + 문서화를 혼자 다 하겠습니다"
  → 컨텍스트 부족, 품질 저하
 
✅ 멀티 에이전트:
  Coder: "코드 작성에 집중합니다"
  Reviewer: "코드 리뷰에 집중합니다"
  Tester: "테스트에 집중합니다"
  → 각자의 전문성 발휘

✦멀티 에이전트의 장점

• ❧병렬 처리: 독립적인 작업을 동시 수행
• ❧전문화: 각 에이전트가 특정 역할에 특화
• ❧확장성: 작업량에 따라 에이전트 수 조절
• ❧격리: 한 에이전트의 실패가 전체에 영향 최소화

6가지 에이전트 구성 패턴

Anthropic은 멀티 에이전트 시스템을 설계할 때 활용할 수 있는 6가지 구성 패턴을 제시합니다. 복잡도가 낮은 것부터 높은 순서로 살펴보겠습니다.

✦1. Prompt Chaining (프롬프트 체이닝)

작업을 순차적 단계로 분해하여, 각 단계의 결과를 다음 단계의 입력으로 전달합니다.

[단계 1] → 결과 → [단계 2] → 결과 → [단계 3]
 
💡 예시: 블로그 작성
  개요 생성 → 품질 평가 → 본문 작성 → 최종 편집

• ❧작업을 명확한 단계로 분해할 수 있을 때
• ❧각 단계의 입출력이 명확할 때

• ❧단계 간 의존성이 복잡할 때
• ❧병렬 처리가 필요할 때

✦2. Routing (라우팅)

입력을 분석하여 적절한 전문 에이전트로 분배합니다.

        ┌→ [환불 에이전트]
[입력] →┤→ [기술 지원 에이전트]
        └→ [일반 문의 에이전트]
 
💡 예시: 고객 서비스
  "환불 요청" → 환불 담당
  "로그인 안 됨" → 기술 지원
  "영업시간 문의" → 일반 문의

• ❧입력 유형이 명확히 구분될 때
• ❧각 유형별 전문 처리가 필요할 때

✦3. Parallelization (병렬화)

여러 에이전트가 동시에 작업을 수행하고 결과를 통합합니다.

        ┌→ [에이전트 A] → 결과A ─┐
[입력] →┤→ [에이전트 B] → 결과B ─┤→ [통합]
        └→ [에이전트 C] → 결과C ─┘
 
💡 예시: 코드 리뷰
  보안 검사 + 성능 분석 + 스타일 검사 동시 수행

• ❧작업이 독립적으로 분할 가능할 때
• ❧처리 속도가 중요할 때

✦4. Orchestrator-Worker (오케스트레이터-워커)

오케스트레이터가 작업을 동적으로 분석하고, 워커에게 할당합니다. 미리 정해진 흐름이 아니라 상황에 따라 유연하게 대응합니다.

[오케스트레이터]
  ├→ "이 부분은 A가 처리"  → [워커 A]
  ├→ "이 부분은 B가 처리"  → [워커 B]
  └→ "추가 조사 필요"     → [워커 C] (동적 생성)

❝

Anthropic의 멀티 에이전트 연구 시스템이 바로 이 패턴을 사용합니다. Lead Agent가 쿼리를 분석하고, 3-5개의 Subagent를 동적으로 생성하여 병렬 처리합니다.

❞

• ❧작업의 복잡도를 사전에 예측하기 어려울 때
• ❧유연한 작업 분배가 필요할 때

✦5. Evaluator-Optimizer (평가자-최적화자)

최적화자가 결과물을 생성하고, 평가자가 검토하여 피드백을 제공합니다. 품질 기준을 충족할 때까지 반복합니다.

[최적화자] → 초안 → [평가자]
     ↑                  │
     └── 피드백 ─────────┘
     (기준 충족까지 반복)
 
💡 예시: 코드 작성
  Coder가 코드 작성 → Reviewer가 리뷰
  → 피드백 반영 → 재리뷰 → 승인

• ❧높은 품질 기준이 요구될 때
• ❧명확한 평가 기준이 있을 때

✦6. Autonomous Agent (자율 에이전트)

최소한의 인간 입력으로 독립적으로 판단하고 행동합니다. 환경 피드백을 기반으로 자가 평가합니다.

[목표 설정] → [자율 에이전트]
                  ├→ 계획 수립
                  ├→ 도구 사용
                  ├→ 결과 평가
                  └→ 필요시 방향 수정

• ❧장기 실행 작업
• ❧높은 수준의 자율성이 가능한 환경

⚠️ 주의: 자율성이 높을수록 모니터링과 안전장치가 필수입니다.

어떤 패턴을 선택해야 하는가?

💡 패턴은 조합할 수 있습니다. 예를 들어, Orchestrator-Worker 안에서 각 Worker가 Evaluator-Optimizer 패턴을 사용할 수 있습니다.

Anthropic의 멀티 에이전트 연구 시스템

Anthropic이 실제로 구축한 시스템의 아키텍처를 살펴보겠습니다.

✦전체 구조

[사용자 쿼리]
      │
      ▼
[Lead Agent]
  ├→ 쿼리 분석 및 전략 수립
  ├→ 메모리에 계획 저장
  │
  ├→ [Subagent 1] ── 웹 검색, 정보 수집
  ├→ [Subagent 2] ── 웹 검색, 정보 수집
  ├→ [Subagent 3] ── 웹 검색, 정보 수집
  │
  ├→ 결과 종합 및 추가 연구 판단
  │
  └→ [Citation Agent] ── 최종 인용 처리

✦Lead Agent의 역할

• ❧사용자 쿼리를 분석하고 접근 전략을 수립
• ❧확장된 사고 모드로 계획을 메모리에 저장 (200K 토큰 초과 방지)
• ❧Subagent의 성과를 종합하고 추가 연구 필요성 판단

✦Subagent의 역할

• ❧Lead Agent가 정의한 구체적 연구 작업 수행
• ❧웹 검색 및 정보 수집
• ❧발견사항을 Lead Agent에 반환

✦핵심 성과

프로덕션 교훈

Anthropic 팀이 멀티 에이전트 시스템을 운영하며 얻은 교훈입니다.

✦프롬프트 설계

💡 에이전트에게 위임할 때:
- 명확한 목표(objective) 제시
- 출력 형식(output format) 정의
- 사용할 도구와 소스 안내
- 명확한 작업 경계(task boundaries) 설정

❝

"최고의 에이전트 프롬프트는 단순한 지시가 아니라, 업무 분담과 문제 해결 접근법, 노력 배분을 정의하는 협업 프레임워크입니다."

❞

✦복잡도에 따른 확장

✦"Last Mile" 문제

❝

"프로토타입에서 프로덕션까지의 마지막 구간이, 전체 여정의 대부분이 됩니다."

❞

• ❧상태 관리: 장시간 실행 중 견고한 실행 코드 필요
• ❧관찰성: 에이전트의 결정 패턴을 모니터링
• ❧점진적 배포: "Rainbow deployments"로 기존 에이전트 중단 없이 전환

마치며

✦핵심 요약

❝

"혼자서 모든 것을 해결하려는 슈퍼 에이전트보다, 역할이 명확한 에이전트 팀이 더 효과적입니다. 핵심은 적절한 패턴을 선택하고, 단순한 것부터 시작하는 것입니다."

❞

참고 자료

• ❧Anthropic Engineering: How we built our multi-agent research system
• ❧Building AI Agents with Anthropic's 6 Composable Patterns
• ❧Anthropic 2026 Agentic Coding Trends Report