LangChain Deep Agents, "에이전트 기본형"이 아니라 실행 하네스다

복잡한 AI 에이전트를 만들 때 병목은 모델 선택만이 아닙니다. 실제로는 검색하고, 파일을 만들고, 중간 결과를 유지하고, 작업을 나누고, 긴 컨텍스트를 관리하는 실행 구조가 더 큰 문제가 됩니다.

LangChain의 Deep Agents는 이 실행 구조를 미리 묶어 둔 오픈소스 에이전트 하네스입니다.¹ 여기서 하네스는 모델이 실제 작업을 수행할 수 있도록 도구, 상태, 컨텍스트, 실행 흐름을 감싸는 기본 틀을 뜻합니다.

Deep Agents가 묶어주는 것

Deep Agents는 LangChain의 create_agent 위에 구축된 더 의견화된 구성입니다.¹ 가장 가벼운 에이전트 루프보다 더 많은 기본값을 제공해, 복잡한 작업을 시작할 때 필요한 반복 설계를 줄여줍니다.

기본 번들에는 파일시스템, 서브에이전트, 컨텍스트 관리, 스킬이 포함됩니다.¹ 따라서 개발자는 처음부터 다음 문제를 모두 직접 설계하지 않아도 됩니다.

• 중간 결과를 어디에 저장할 것인가

• 긴 작업 컨텍스트를 어떻게 관리할 것인가

• 하위 작업을 어떻게 나누고 위임할 것인가

• 반복 가능한 기능을 어떤 형태의 스킬로 제공할 것인가

이 차이는 단순 챗봇보다 리서치, 코딩, 업무 자동화 에이전트에서 더 크게 드러납니다. 한 번 답하면 끝나는 대화가 아니라 여러 단계를 오래 유지해야 하는 작업에서는 실행 골격 자체가 제품 품질을 좌우하기 때문입니다.

LangGraph 기반이라는 의미

Deep Agents는 LangGraph의 그래프 런타임을 기반으로 합니다.¹ 따라서 Deep Agents를 “새로운 모델”로 이해하면 안 됩니다. 모델을 대체하는 것이 아니라, 모델이 장기 작업을 수행할 수 있도록 실행 환경을 제공하는 쪽에 가깝습니다.

간단히 구분하면 다음과 같습니다.

• LangChain: 에이전트와 도구를 구성하는 핵심 요소

• LangGraph: 상태와 실행 흐름을 다루는 그래프 런타임

• Deep Agents: 복잡한 작업을 바로 시작할 수 있도록 묶은 하네스

최근 Deep Agents v0.6에서는 코드 인터프리터, 모델별 하네스 프로필, 스트리밍, 델타 채널 같은 기능이 강조됐습니다.² 방향은 명확합니다. 에이전트가 더 오래 실행되고, 더 많은 상태를 다루며, 그 과정을 애플리케이션에서 더 잘 관찰할 수 있게 만드는 것입니다.

모델 비종속성이 주는 실용성

Deep Agents는 도구 호출을 지원하는 모든 LLM과 작동하는 모델 비종속 구조를 지향합니다.¹ OpenAI, Anthropic, Google 같은 프런티어 API 모델을 사용할 수 있습니다.¹

이 점은 설계 선택지를 넓힙니다. 특정 모델에 고정된 에이전트를 만드는 대신, 작업 성격과 비용 구조에 따라 모델을 바꾸고 하네스는 유지하는 방식으로 접근할 수 있습니다.

다만 보안 경계는 별도로 설계해야 합니다. Deep Agents 문서도 에이전트가 도구가 허용한 일을 할 수 있으므로, 제한은 모델이 아니라 도구와 샌드박스 수준에서 걸어야 한다고 설명합니다.¹ 즉, “어떤 모델을 쓰는가”보다 “어떤 도구 권한을 허용하는가”가 운영상 더 중요할 수 있습니다.

언제 검토할 만한가

Deep Agents의 핵심 가치는 에이전트를 갑자기 더 똑똑하게 만드는 데 있지 않습니다. 복잡한 일을 시킬 때 필요한 파일 기반 컨텍스트, 서브에이전트, 스킬, 실행 상태 관리를 기본값으로 제공한다는 데 있습니다.

따라서 간단한 질의응답 챗봇에는 과할 수 있습니다. 반대로 리서치, 코드 작업, 장기 업무 자동화처럼 여러 단계가 이어지고 중간 산출물을 관리해야 하는 작업이라면 Deep Agents는 검토할 만한 출발점입니다.

¹deepagents · PyPI

²New in Deep Agents v0.6