AI 에이전트 개발의 난점은 더 이상 “모델을 한 번 호출하는 법”에만 있지 않습니다. 실제 서비스에서는 작업이 오래 이어지고, 중간 상태를 저장해야 하며, 도구 호출과 사람 승인, 실패 후 재개까지 관리해야 합니다.
LangChain의 Managed Deep Agents는 이 지점을 겨냥합니다. 딥 에이전트를 생성·실행·운영하기 위한 API 우선형 호스팅 런타임이며, 현재 프라이빗 베타로 제공됩니다.1
Managed Deep Agents란 무엇인가
기반이 되는 Deep Agents는 계획 수립, 도구 사용, 서브에이전트 위임, 파일 작성, 장기 작업을 지원하는 오픈소스 에이전트 하네스입니다.1 복잡한 작업을 단계적으로 처리하는 에이전트를 만들기 위한 틀이라고 볼 수 있습니다.
Managed Deep Agents는 이 오픈소스 하네스에 LangSmith 기반 운영 계층을 더한 형태입니다.1 개발자는 커스텀 에이전트 서버를 직접 구축하지 않고도 관리형 Deep Agent를 만들 수 있습니다.1
기존 Deep Agents의 구성 방식도 유지됩니다. AGENTS.md, skills/, subagents/, tools.json 파일이 각각 에이전트 동작, 사용 가능한 도구, 로드할 스킬, 위임 가능한 서브에이전트를 정의합니다.1 즉, 개발 경험은 Deep Agents의 구조를 따르되, 실행과 운영은 관리형 런타임에 맡기는 방식입니다.
왜 중요한가: 병목은 프롬프트가 아니라 런타임이다
프로덕션 에이전트는 단순한 챗봇보다 훨씬 많은 운영 조건을 요구합니다. 긴 작업을 처리하다가 중단될 수 있고, 중간 결과를 보존해야 하며, 일부 단계에서는 사람의 확인이 필요할 수 있습니다.
Managed Deep Agents 런타임은 이를 위해 durable thread, streaming run, checkpointing, human-in-the-loop 워크플로를 지원합니다.1
이 기능들이 의미하는 바는 분명합니다.
durable thread: 긴 작업의 맥락을 이어가기 쉽다.
streaming run: 실행 과정을 사용자나 운영자가 확인하기 쉽다.
checkpointing: 중간 상태를 저장하고 복구하는 기반이 된다.
human-in-the-loop: 중요한 단계에서 사람의 승인이나 개입을 넣을 수 있다.
결국 Managed Deep Agents의 핵심은 “더 똑똑한 프롬프트”가 아니라 “운영 가능한 에이전트 실행 환경”입니다.
API로 에이전트를 제품 기능처럼 다루기
Managed Deep Agents API는 /v1/deepagents 아래에 제공됩니다.1 이 API를 통해 애플리케이션이나 내부 플랫폼 워크플로에서 에이전트를 프로그래밍 방식으로 생성, 업데이트, 관리, 실행할 수 있습니다.1
이는 에이전트를 별도 실험 코드가 아니라 제품 기능의 일부로 다룰 수 있게 한다는 점에서 중요합니다. 예를 들어 내부 자동화 플랫폼, 고객 지원 도구, 리서치 워크플로처럼 여러 도구와 승인 단계를 필요로 하는 시스템에서는 에이전트의 생성과 실행을 API 레벨에서 관리하는 편이 유리합니다.
LangSmith 기반 운영 계층은 실행 추적, 도구 호출, 파일, 런타임 상태를 확인하는 데도 도움을 줍니다.2 에이전트가 어떤 판단을 했고, 어떤 도구를 호출했으며, 어디에서 멈췄는지 볼 수 있어야 운영과 개선이 가능하기 때문입니다.
언제 검토할 만한가
Managed Deep Agents는 모든 에이전트 프로젝트에 필요한 선택지는 아닙니다. 단순 질의응답 챗봇이나 짧은 도구 호출 중심의 기능이라면 관리형 딥 에이전트 런타임은 과할 수 있습니다.
반대로 다음 조건에 해당한다면 검토할 만합니다.
작업이 오래 실행된다.
여러 도구를 조합해 사용한다.
파일 작성이나 중간 산출물이 중요하다.
서브에이전트에 작업을 위임해야 한다.
사람 승인이나 검토 단계가 필요하다.
실패 후 재개, 추적, 상태 관리가 중요하다.
다만 현재 Managed Deep Agents는 프라이빗 베타입니다.1 문서에 따르면 Managed Deep Agent는 일반 LangSmith Deployment와 동일한 리소스가 아니며, API도 정식 출시 전 변경될 수 있습니다.2 따라서 당장 핵심 프로덕션 시스템에 깊게 결합하기보다는, 장기 실행 에이전트나 내부 자동화 워크플로에서 먼저 검증하는 접근이 현실적입니다.
결론
Managed Deep Agents는 에이전트 개발의 초점을 “모델을 어떻게 호출할 것인가”에서 “에이전트를 어떻게 안정적으로 운영할 것인가”로 옮깁니다.
앞으로 에이전트의 품질은 프롬프트만으로 결정되지 않습니다. 상태 관리, 실행 추적, 체크포인트, 사람 승인, 재개 가능한 런타임을 갖췄는지가 더 중요해질 것입니다.
LangChain의 Managed Deep Agents는 그 방향을 보여주는 제품입니다. 복잡한 에이전트를 빠르게 배포하되, 운영에 필요한 기반을 함께 갖추고 싶은 팀이라면 주목할 만합니다.
1Managed Deep Agents: the fastest way to ship a production deep agent
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.