AI 에이전트 프레임워크를 고를 때 예전에는 “얼마나 빨리 만들 수 있는가”가 핵심 질문이었다. 이제는 질문이 바뀌고 있다. 에이전트가 데모를 넘어 실제 업무에 들어가면서, 더 중요한 기준은 “어떻게 테스트하고, 배포하고, 운영 중에 통제할 것인가”가 됐다.
프레임워크는 에이전트를 조립하는 계층이다
에이전트 프레임워크는 모델 호출, 도구, 프롬프트, 검색, 구조화 출력, 에이전트 루프를 조합하는 추상화다.1 LangChain과 CrewAI가 이 범주에 속하는 예로 제시된다.1
이 계층의 가치는 분명하다. 개발자가 에이전트의 기본 구성 요소를 매번 직접 연결하지 않고도 빠르게 실험하고 구현할 수 있게 해준다. 하지만 프레임워크만으로 프로덕션 운영 문제가 해결되지는 않는다. 실제 서비스에서는 상태를 어떻게 유지할지, 실패한 작업을 어떻게 복구할지, 언제 사람의 승인을 받을지, 비용과 도구 접근을 어떻게 통제할지가 곧바로 중요해진다.
에이전트 개발은 생애주기로 봐야 한다
LangChain이 제시한 에이전트 개발 생애주기, ADLC는 Build, Test, Deploy, Monitor 네 단계로 구성된다.1 여기서 주목할 점은 테스트가 배포 이후의 사후 점검이 아니라, 프로덕션 배포 전에 시작되어야 하는 전제라는 것이다.1
이 관점에서 보면 에이전트 도구 선택은 단순히 “만드는 도구”를 고르는 일이 아니다. 빌드 이후의 테스트, 배포, 모니터링까지 이어지는 반복 체계를 설계하는 일에 가깝다. 에이전트가 여러 도구를 호출하고 긴 작업을 수행할수록, 이 반복 체계의 품질이 곧 운영 안정성으로 이어진다.
런타임은 실행을 지속시키는 계층이다
프레임워크가 조립에 가깝다면, 런타임은 실행을 안정적으로 이어가기 위한 계층이다. 에이전트 런타임은 상태, 제어 흐름, 내구성, 인간 개입이 필요한 실행을 지원한다.1
예를 들어 LangGraph는 분기, 반복, 일시정지, 재개, 상태 영속화를 지원하는 에이전트 런타임으로 설명된다.1 이런 기능은 단순한 챗봇보다 복잡한 업무 자동화에서 중요해진다. 작업이 한 번의 응답으로 끝나지 않고 여러 단계로 이어질 때, 에이전트는 현재 상태를 기억하고, 중간에 멈췄다가 다시 시작하며, 필요한 순간 사람의 판단을 받아야 한다.
하네스는 장기 실행 작업의 작업 환경이다
에이전트 하네스는 장기 실행 작업에 필요한 실행 환경을 제공한다. 여기에는 프롬프트, 스킬, MCP 서버, 훅, 미들웨어, 파일시스템 등이 포함된다.1 Deep Agents와 Claude Agent SDK는 이런 하네스 패턴의 예로 제시된다.1
하네스가 중요해지는 이유는 에이전트가 단순 질의응답을 넘어 실제 작업을 수행하기 때문이다. 긴 작업에는 파일을 다루고, 외부 도구를 호출하고, 중간 결과를 저장하고, 특정 시점에 정책이나 검증 로직을 적용하는 환경이 필요하다. 하네스는 이런 요소를 에이전트가 사용할 수 있는 작업 공간으로 묶어준다.
선택 기준은 “멋진 데모”가 아니라 운영 가능성이다
에이전트가 하나일 때는 가볍게 시작할 수 있다. 하지만 여러 에이전트를 운영하면 비용 통제, 도구 접근 관리, 도구 호출 검사, 컨텍스트 재사용, 인간 개입 지점 결정이 인프라와 거버넌스 과제가 된다.1
따라서 선택 기준도 목적에 따라 달라져야 한다.
빠른 실험과 프로토타입이 목표라면 프레임워크의 생산성을 본다.
긴 작업과 복잡한 분기 흐름이 중요하다면 런타임의 상태 관리와 제어 흐름을 본다.
실제 업무 자동화가 목표라면 하네스, 테스트, 배포, 모니터링까지 함께 본다.
여러 에이전트를 운영해야 한다면 비용, 권한, 도구 호출, 사람의 승인 지점을 관리할 수 있는지 확인한다.
결론은 명확하다. AI 에이전트 개발은 이제 “모델에 도구를 붙이는 일”을 넘어섰다. 좋은 팀은 에이전트를 한 번 성공시키는 데서 멈추지 않고, 만들고 테스트하고 배포하고 관찰하는 반복 체계를 만든다. AI 에이전트 프레임워크의 진짜 경쟁력도 결국 그 반복을 얼마나 안전하고 예측 가능하게 줄여주느냐에 있다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.