AI 에이전트를 만드는 일은 점점 쉬워지고 있습니다. 하지만 제품에 넣는 순간 문제의 중심은 달라집니다. 오래 실행되고, 도구를 호출하고, 중간 상태를 저장하고, 실패 후 이어서 실행해야 한다면 에이전트는 더 이상 단순한 프롬프트가 아니라 운영해야 할 런타임이 됩니다.
LangChain의 Managed Deep Agents는 바로 이 지점을 겨냥합니다. 딥 에이전트를 생성·실행·운영하기 위한 API 우선 호스팅 런타임이며, 현재 비공개 베타로 제공됩니다.1
Managed Deep Agents가 해결하려는 문제
Deep Agents는 계획, 도구 사용, 서브에이전트 위임, 파일 작업, 장기 작업을 지원하는 오픈소스 에이전트 하네스입니다.1 복잡한 작업을 여러 단계로 나누고, 필요한 도구와 하위 에이전트를 활용하게 하는 기본 틀이라고 볼 수 있습니다.
Managed Deep Agents는 이 하네스에 LangSmith 기반 운영 계층을 더합니다. 개발자는 커스텀 에이전트 서버를 직접 구축하지 않고도 관리형 Deep Agent를 만들 수 있습니다.1 즉, 에이전트 로직 자체뿐 아니라 실행, 상태, 버전, 관찰 가능성까지 함께 다루는 방향입니다.
API도 운영 관점에 맞춰 제공됩니다. Managed Deep Agents API는 에이전트 생성, 업데이트, 관리, 실행을 프로그래밍 방식으로 지원하며, 경로는 /v1/deepagents 아래에 있습니다.1
핵심은 오래 지속되는 실행이다
프로덕션 에이전트는 한 번 답하고 끝나는 챗봇과 다릅니다. 작업이 길어질 수 있고, 중간 산출물이 생기며, 특정 단계에서는 사람의 승인이 필요할 수도 있습니다. 따라서 중요한 것은 “모델이 답을 잘하느냐”뿐 아니라 “실행이 끊기지 않고 관리되느냐”입니다.
Managed Deep Agents 런타임은 durable threads, streaming runs, checkpointing, human-in-the-loop 워크플로를 지원합니다.1 이를 통해 실행 상태를 추적하고, 중단 후 재개하며, 중요한 지점에서 사람이 개입할 수 있습니다.
에이전트 정의 방식도 파일 기반으로 구조화됩니다. AGENTS.md, skills/, subagents/, tools.json은 각각 에이전트 행동, 사용 도구, 로드 가능한 스킬, 위임 가능한 서브에이전트를 정의합니다.1 이 정의 파일들은 LangSmith에 저장되고 버전 관리됩니다.1
도입 여부를 판단하는 기준
Managed Deep Agents가 모든 챗봇에 필요한 것은 아닙니다. 짧은 질의응답이나 단순한 도구 호출 중심의 기능이라면 과한 선택일 수 있습니다.
반대로 리서치, 코딩, 데이터 분석, 고객지원 triage처럼 작업 시간이 길고 상태 보존이 중요한 경우에는 가치가 커집니다. Context Hub는 실행 사이에 필요한 컨텍스트를 보존하고 업데이트하는 관리형 저장 공간을 제공합니다.1 여러 실행을 거치며 맥락을 잃지 않아야 하는 에이전트라면 이 부분이 핵심 운영 요소가 됩니다.
결국 판단 기준은 단순합니다. 에이전트가 얼마나 똑똑한지만 볼 것이 아니라, 운영 중 상태를 잃지 않고 추적·재개·개선할 수 있는지를 봐야 합니다.
Managed Deep Agents는 에이전트 개발의 초점이 모델 호출에서 런타임 운영으로 옮겨가고 있음을 보여줍니다. 복잡한 에이전트를 실제 제품에 넣으려는 팀이라면, 비공개 베타 단계부터 관찰할 만한 흐름입니다.
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.