한 줄 요약
AI 에이전트는 목표를 작업으로 분해해 적절한 도구나 에이전트에 맡기며 실제 업무 가치를 만드는 실행 시스템이고, 계획 패턴은 이를 가능하게 하는 핵심 설계 방식이다.
핵심 메시지
계획 패턴의 본질은 복잡한 목표를 하위 작업으로 분해하고, 각 작업을 가장 잘 처리할 수 있는 에이전트나 도구에 연결하는 것이다.
AI 에이전트가 유용해지려면 단순 응답을 넘어야 한다. 사용자의 요청을 받고, 목표를 명확히 정의하고, 실행 가능한 계획으로 바꾸고, 실행 중 문제가 생기면 다시 계획을 수정할 수 있어야 한다.
즉, 좋은 에이전트 시스템은 한 번에 정답을 말하는 시스템이 아니라, 목표 달성을 위해 계속 조정하며 움직이는 시스템이다.
일반 챗봇과 AI 에이전트의 차이
일반 챗봇은 주로 사용자의 입력에 대해 답변을 생성한다. 사용자가 질문하면 답하고, 요청하면 텍스트를 만들어준다. 대화 능력은 뛰어날 수 있지만, 스스로 목표를 쪼개고 외부 도구를 호출하며 결과를 통합하는 구조는 약하다.
반면 AI 에이전트는 목표 지향적으로 움직인다. 사용자의 요청을 하나의 목표로 해석하고, 그 목표를 달성하기 위한 작업 목록을 만든다. 이후 각 작업을 실행하거나 다른 전문 에이전트에 맡긴다. 필요하면 중간 결과를 바탕으로 계획을 수정한다.
예를 들어 "3일 여행 계획을 짜줘"라는 요청이 들어왔을 때, 챗봇은 그럴듯한 일정을 바로 작성할 수 있다. 하지만 에이전트는 이를 항공권 확인, 호텔 검색, 현지 교통편 조사, 활동 일정 구성 같은 하위 작업으로 나눈다. 그리고 각 작업에 필요한 도구나 전문 에이전트를 연결해 더 실행 가능한 결과를 만든다.
계획 패턴의 3단계
계획 패턴은 크게 목표 정의, 작업 분할, 실행 및 라우팅의 흐름으로 볼 수 있다.
목표 정의는 사용자의 요청이 실제로 무엇을 달성하려는지 명확히 하는 단계다. "여행 계획"이라는 말 안에는 예산, 일정, 선호 지역, 이동 방식, 숙소 조건 같은 숨은 조건이 들어 있을 수 있다. 이 단계가 흐릿하면 이후 작업 분할도 부정확해진다.
작업 분할은 복잡한 목표를 관리 가능하고 실행 가능한 작은 하위 작업으로 나누는 과정이다. 예를 들어 3일 여행 계획은 항공권, 호텔, 교통편, 활동 일정, 예산 정리 등으로 나눌 수 있다. 이렇게 나누면 각 작업의 책임이 선명해지고, 실패했을 때 어느 부분을 다시 처리해야 하는지도 알기 쉽다.
실행 및 라우팅은 분할된 작업을 적절한 에이전트나 도구에 맡기는 단계다. 항공권은 항공권 검색 도구, 숙소는 호텔 검색 에이전트, 일정 구성은 여행 플래너 에이전트가 맡는 식이다. 핵심은 모든 일을 하나의 모델이 억지로 처리하지 않고, 역할에 맞게 분산시키는 것이다.
플래너 에이전트의 역할
플래너 에이전트는 전체 시스템의 조정자에 가깝다. 직접 모든 일을 처리하기보다, 무엇을 해야 하는지 판단하고, 누구에게 맡길지 결정하고, 결과를 모아 최종 답변으로 정리한다.
플래너 에이전트의 첫 번째 임무는 요청 수신이다. 사용자의 요구를 받아 목표와 제약 조건을 파악한다.
두 번째 임무는 계획 수립이다. 목표 달성을 위해 필요한 하위 작업을 만들고 실행 순서를 정한다.
세 번째 임무는 작업 배정이다. 각 하위 작업을 가장 적절한 전문 에이전트나 외부 도구에 전달한다.
네 번째 임무는 결과 통합이다. 여러 곳에서 나온 결과를 모아 충돌을 정리하고, 사용자가 이해할 수 있는 최종 결과로 구성한다.
이 역할이 잘 설계되어야 에이전트 시스템이 단순한 도구 호출 묶음이 아니라 하나의 일관된 업무 수행 흐름이 된다.
단일 에이전트와 멀티에이전트 오케스트레이션 비교
단일 에이전트는 구조가 단순하고 빠르게 만들 수 있다. 관리할 구성 요소가 적기 때문에 간단한 업무에는 효율적이다. 예를 들어 짧은 문서 요약, 간단한 질의응답, 정형화된 데이터 변환처럼 범위가 좁은 작업에는 단일 에이전트가 적합하다.
하지만 업무가 복잡해질수록 단일 에이전트는 한계가 드러난다. 하나의 에이전트가 모든 판단과 실행을 맡으면 역할이 불분명해지고, 오류가 발생했을 때 원인을 찾기 어렵다. 전문성이 다른 작업을 모두 한 모델에 맡기면 결과 품질도 흔들릴 수 있다.
멀티에이전트 오케스트레이션은 여러 전문 에이전트를 조합해 문제를 해결하는 방식이다. 각 에이전트가 특정 역할에 집중하고, 플래너나 오케스트레이터가 전체 흐름을 조정한다. 복잡한 비즈니스 문제에서는 이 구조가 더 유리하다.
예를 들어 고객 문의 자동 처리 시스템을 만든다면, 분류 에이전트, 정책 검색 에이전트, 환불 가능 여부 판단 에이전트, 답변 작성 에이전트를 나눌 수 있다. 이렇게 하면 각 기능을 개별적으로 개선하거나 교체하기 쉽고, 시스템 확장성도 좋아진다.
구현 시 중요한 요소
계획 패턴을 실제로 구현할 때는 데이터 구조가 중요하다. 에이전트끼리 자연어 문장만 주고받으면 의미가 모호해지고, 후속 처리가 어려워진다. 따라서 JSON 같은 구조화 데이터를 사용하는 것이 더 적합하다.
예를 들어 작업 이름, 입력값, 우선순위, 담당 에이전트, 예상 출력 형식 등을 명확한 필드로 주고받으면 시스템이 훨씬 안정적으로 동작한다. 사람이 읽기 좋은 문장보다 기계가 검증하고 처리하기 쉬운 형식이 에이전트 간 통신에는 더 유리하다.
Pydantic 같은 도구를 통한 데이터 타입 및 필수 필드 검증도 중요하다. 필수 값이 빠졌거나 타입이 맞지 않는 데이터를 초기에 걸러내면, 뒤 단계에서 발생할 오류를 줄일 수 있다. 에이전트 시스템은 여러 단계가 연결되기 때문에 작은 데이터 오류가 뒤로 갈수록 크게 번질 수 있다.
에이전트 등록소와 라우팅 아키텍처도 필요하다. 어떤 에이전트가 어떤 기능을 담당하는지 등록해두고, 플래너가 작업 성격에 따라 적절한 에이전트를 선택할 수 있어야 한다. 이는 팀에서 업무 담당자를 관리하는 방식과 비슷하다.
모듈식 설계 역시 핵심이다. 기능을 독립된 모듈로 나누면 새로운 에이전트를 추가하거나 기존 도구를 교체하기 쉽다. 처음부터 모든 기능을 하나로 묶으면 작은 변경에도 전체 시스템을 수정해야 한다.
실전에서 고려할 한계와 리스크
계획 패턴은 강력하지만 만능은 아니다. 외부 API에 의존하는 경우, API 장애나 응답 지연이 전체 흐름을 멈추게 할 수 있다. 항공권 검색, 결제, 데이터베이스 조회처럼 외부 시스템이 필요한 작업은 항상 실패 가능성을 고려해야 한다.
연쇄 오류도 조심해야 한다. 앞 단계의 잘못된 판단이나 잘못된 데이터가 뒤 단계로 전달되면, 이후 에이전트들이 그 오류를 기반으로 계속 작업할 수 있다. 그래서 중간 검증과 스키마 확인이 중요하다.
추론 단계가 늘어날수록 비용과 시간도 증가한다. 작업을 세밀하게 나누고 여러 에이전트를 호출하면 결과 품질은 좋아질 수 있지만, 응답 속도와 운영 비용이 부담이 될 수 있다. 실무에서는 "얼마나 똑똑한가"뿐 아니라 "얼마나 빠르고 경제적인가"도 함께 봐야 한다.
동적 재계획은 이런 리스크를 줄이는 중요한 장치다. 항공권이 매진되었거나, 사용자가 중간에 조건을 바꾸거나, 예상치 못한 데이터 포맷이 들어오는 상황에서는 기존 계획을 그대로 밀고 가면 안 된다. 에이전트는 현재 상태를 다시 보고 계획을 수정할 수 있어야 한다.
최종 체크리스트
목표가 명확한가?
사용자의 요청을 실행 가능한 목표와 제약 조건으로 정리했는가?
작업을 관리 가능한 하위 단위로 나누었는가?
각 작업의 입력과 출력 스키마가 정의되어 있는가?
Pydantic 같은 방식으로 타입과 필수 필드를 검증하는가?
에이전트 간 메시지가 JSON 같은 구조화 데이터로 전달되는가?
작업에 맞는 전문 에이전트나 도구로 라우팅되는가?
에이전트 등록소를 통해 역할과 기능을 관리하는가?
예외 상황에서 동적 재계획이 가능한가?
외부 API 실패나 응답 지연에 대비했는가?
연쇄 오류를 막기 위한 중간 검증 지점이 있는가?
추론 단계 증가에 따른 비용과 시간을 고려했는가?
기능 추가와 교체가 쉽도록 모듈식으로 설계했는가?
단일 에이전트로 충분한지, 멀티에이전트 오케스트레이션이 필요한지 판단했는가?
한 줄 요약
계획 패턴은 AI 에이전트가 복잡한 목표를 작은 작업으로 나누고, 적절한 도구와 에이전트에 맡기며, 필요할 때 다시 계획해 실제 업무 가치를 만들게 하는 핵심 설계 방식이다.
참고
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.