🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Deep Agents, LangChain, LangGraph는 각각 완성형 에이전트 하네스, 최소형 에이전트 프레임워크, 결정론적 워크플로 런타임을 맡는 상호 조합 가능한 세 계층이다.

📌 핵심 요약

• LangGraph는 제어권과 결정성을 극대화한 런타임이고, LangChain은 최소 에이전트 루프와 통합·미들웨어를 제공하는 프레임워크이며, Deep Agents는 컨텍스트 관리 기능을 기본 탑재한 하네스다.
• Deep Agents는 파일시스템, 서브에이전트, 온디맨드 스킬, 실행 간 메모리 등 장기적이고 복잡한 에이전트에 필요한 컨텍스트 엔지니어링 관행을 기본 제공한다.
• LangChain의 핵심은 모델이 도구를 호출하며 반복하는 단순한 루프이고, 미들웨어를 통해 요약, 검증, 승인, 규정 준수 같은 결정적 단계를 삽입할 수 있다.
• LangGraph는 표준 에이전트 루프로 표현하기 어려운 흐름이나 고정 코드와 모델 판단을 혼합해야 하는 작업을 그래프 구조로 구현하며, 내구성 있는 실행과 사람의 개입, 장애 내성, 관측성을 지원한다.
• 세 계층은 배타적인 선택지가 아니므로 일반적인 에이전트는 Deep Agents에서 시작하고, 세밀한 루프 제어에는 LangChain을, 완전한 워크플로 제어에는 LangGraph를 조합할 수 있다.

🧩 주요 포인트

1. 제어와 추상화의 관계: LangGraph는 낮은 추상화와 높은 결정성을, Deep Agents는 높은 추상화와 높은 자율성을 제공하며 LangChain은 그 중간을 담당한다.
2. 요구사항에 따른 선택: 풍부한 컨텍스트 기능이 필요하면 Deep Agents, 가벼운 맞춤형 루프가 필요하면 LangChain, 비표준·고정 절차가 핵심이면 LangGraph가 적합하다.
3. 점진적 확장 구조: 미들웨어와 상호 중첩 가능한 구성 방식 덕분에 처음부터 하나에 고정하지 않고 필요한 부분만 더 낮은 계층으로 내려가 제어할 수 있다.

🧠 상세 정리

1. 하나의 스택을 이루는 세 계층

Deep Agents, LangChain, LangGraph는 모델, 모델이 보는 컨텍스트, 모델을 실행하는 하네스의 각 부분을 개발자가 직접 소유할 수 있어야 한다는 공통 철학 위에 구축됐다. 다만 역할은 서로 달라 LangGraph는 에이전트 런타임, LangChain은 에이전트 프레임워크, Deep Agents는 에이전트 하네스로 정의된다. 런타임인 LangGraph는 가장 적은 추상화와 가장 많은 제어권을 제공하고, 하네스인 Deep Agents는 반대로 높은 추상화와 많은 기본 기능을 제공하며, LangChain은 두 지점 사이에서 핵심 루프와 통합 계층을 맡는다. 세 제품은 배타적인 대안이 아니라 완전히 조합 가능한 계층이므로, 개발자는 한 제품만 고정적으로 고르기보다 요구되는 제어 수준에 따라 계층 사이를 이동할 수 있다.

2. Deep Agents의 기본 제공 컨텍스트 관리

Deep Agents는 적절한 시점에 적절한 컨텍스트를 모델에 전달하는 컨텍스트 엔지니어링을 중심으로 설계된 완성형 에이전트 하네스다. 컨텍스트 창에 직접 넣지 않을 정보를 읽고 쓰는 파일시스템, 주 컨텍스트를 불필요하게 키우지 않으면서 전문 작업을 수행하는 서브에이전트, 필요할 때만 지침과 스크립트를 불러오는 스킬을 기본 제공한다. 실행을 거치며 학습하고 개선할 수 있도록 메모리도 포함하며, 이 밖에도 제작 팀이 지속적으로 검토하고 갱신하는 여러 컨텍스트 관리 관행이 묶여 있다. 사용자는 모델과 도구, 시스템 프롬프트, 스킬 경로 등을 지정해 create_deep_agent로 시작할 수 있으므로, 장기 실행이나 복합 연구처럼 컨텍스트 관리가 중요한 에이전트를 처음부터 직접 조립할 필요가 줄어든다.

3. LangChain의 최소 에이전트 루프와 미들웨어

LangChain은 추상화와 다양한 통합을 담당하는 에이전트 프레임워크이며, Deep Agents와 달리 매우 작고 특정 방식을 강요하지 않는 에이전트 하네스를 제공한다. 핵심 구조는 대규모 언어 모델이 반복 루프 안에서 도구를 호출하고 결과에 반응하는 단순한 형태지만, 이 루프만으로도 여러 에이전트 작업을 처리할 수 있다. 컨텍스트가 가득 차기 전에 내용을 요약하거나 마지막에 검증기를 실행하는 등 더 결정적인 단계를 추가하려면, 미들웨어 훅을 통해 루프의 여러 지점을 수정할 수 있다. Deep Agents 자체도 이 LangChain 핵심 에이전트에 다수의 미들웨어를 더한 구조이며, 사용자는 create_agent를 이용해 필요한 도구와 미들웨어만 포함한 맞춤형 하네스를 구성할 수 있다.

4. LangGraph의 그래프 기반 런타임

LangGraph는 사용자 정의 에이전트 워크플로를 그래프로 표현하는 런타임이며, 내구성 있는 실행 엔진을 바탕으로 사람의 개입, 장애 내성, 단계별 관측성을 제공한다. 작업을 그래프로 사고하면 각 단계와 분기를 구조에 명시할 수 있어, 모델의 자유로운 판단에 맡기는 범위를 줄이고 더 많은 결정성을 확보할 수 있다. LangChain과 Deep Agents에서 사용되는 에이전트 추상화도 내부적으로는 LangGraph 위에서 실행되므로, 상위 계층은 LangGraph의 프로덕션 실행 기능을 공유한다. 미들웨어의 내장 훅만으로 표현하기 어려운 복잡한 분기, 병렬 처리, 합성 과정이나 도메인 고유 절차가 필요할 때에는 LangGraph가 워크플로 논리를 그래프 형태에 직접 새기는 확장 경로가 된다.

5. Deep Agents가 적합한 경우와 실제 GTM 사례

글은 새 에이전트를 만들거나 기존 에이전트를 재구성할 때 대부분의 개발자가 Deep Agents에서 시작하고, 하네스 자체에 더 많은 제어가 필요할 때만 하위 계층으로 내려가라고 권한다. 예시로 든 GTM 에이전트는 담당자별 이메일 문체와 관계 정보를 기억하고, 분기별 비즈니스 리뷰 준비 같은 반복 작업을 스킬로 처리하며, 통화 기록·뉴스·고객관계관리 이력을 조사하는 서브에이전트를 사용한다. 실제로 LangChain 팀이 Deep Agents로 만든 GTM 에이전트는 주당 거의 1만 건의 요청과 150명 이상의 활성 사용자를 처리하고 있으며, 트래픽의 26%는 사용자가 직접 시작하고 74%는 주변 상황에 따라 수행되는 에이전트 작업에서 발생한다. 이 시스템은 폭발적으로 증가하는 요청과 예약·이벤트 기반 실행을 지원하는 LangSmith 배포 환경에서 운영된다고 설명한다.

6. LangChain이 적합한 경우와 RAG 질의응답

LangChain은 핵심 구성 요소만 사용하거나 그 위에 독자적인 하네스를 조립하려는 경우에 적합하며, 각 단계에서 모델에 전달되는 도구와 컨텍스트를 세밀하게 제어할 수 있다. 특히 지연 시간에 매우 민감한 애플리케이션은 필요하지 않은 컨텍스트 관리 기능을 제외하고 최소 루프를 유지할 수 있다는 이점을 얻는다. 문서 기반 RAG 질의응답 봇의 경우 에이전트가 벡터 저장소에서 관련 페이지를 찾고, 만족스러운 답변이 완성됐는지를 루프 안에서 판단하며 질의가 해결될 때까지 진행하면 된다. 이런 작업에는 파일시스템 기반 컨텍스트 관리나 서브에이전트 위임이 필수적이지 않으므로, LangChain의 모델·벡터 저장소 통합과 create_agent가 필요한 요소만 연결하는 간결한 선택지가 된다.

7. LangGraph가 필요한 결정적 처리 흐름

LangGraph는 에이전트가 표준적인 모델·도구 반복 루프에 맞지 않거나, 하나의 워크플로 안에서 결정적 단계와 에이전트 단계를 함께 사용해야 할 때 선택한다. 임대 신청 처리 사례에서는 먼저 신청서에서 소득, 신용, 임대 이력을 추출하고, 다음으로 임대인의 기준에 따라 점수를 계산한 뒤, 명확한 적격자는 자동 승인하고 부적격자는 거절하며 경계 사례는 사람에게 넘긴다. 이 중 모델이 사용되는 부분은 첫 번째 정보 추출 단계뿐이고 나머지는 고정 코드이며, 모델에는 외부 행동을 수행할 도구도 주어지지 않아 전체 흐름이 비교적 결정적이다. 기존 LangGraph 시스템의 가치가 그래프 구조와 고정 단계에 있다면 유지하는 편이 맞지만, 흐름이 대부분 자율적인 에이전트 작업으로 바뀌었다면 Deep Agents로 이전하는 방안도 고려할 수 있다고 글은 설명한다.

8. 결정성과 자율성 사이의 선택

글은 에이전트에 더 많은 자율성을 부여할수록 잠재적 가치와 창의성은 커지지만 신뢰성에는 비용이 따른다고 정리한다. 민감한 절차, 미리 정해진 업무, 에이전트식 판단이 필요하지 않은 반복 작업에는 결정성이 더 적합하며, LangGraph는 도메인 지식을 그래프의 위상에 직접 담아 세 계층 중 가장 높은 결정성을 제공한다. LangChain은 모델이 매 단계의 다음 행동을 정하는 비결정적 핵심 루프를 사용하되 미들웨어로 고정 절차를 덧붙일 수 있어 중간 지점에 놓인다. Deep Agents는 요약과 서브에이전트 같은 내장 기능을 통해 루프를 더 오래 실행하고 작업을 대규모로 분산할 수 있어 가장 높은 자율성을 지향하며, 승인·규정 준수·업무 규칙은 미들웨어로 루프 주변에 삽입할 수 있다.

9. 상호 조합 방식과 세 계층의 발전 과정

세 계층은 서로 중첩할 수 있어 create_agent나 create_deep_agent를 더 큰 LangGraph 워크플로의 한 노드로 넣거나, 사용자 정의 LangGraph 흐름을 LangChain 또는 Deep Agents의 서브에이전트로 사용할 수 있다. 어떤 패키지로 구축하더라도 LangSmith 배포와 관측 기능을 사용할 수 있으므로, 실행 계층을 바꾸더라도 배포·관찰 경로는 공유된다. LangChain은 2022년 10월 대규모 언어 모델 애플리케이션을 빠르게 실행하기 위한 도구로 출발했고, 더 복잡한 에이전트에 필요한 제어를 제공하기 위해 2024년 1월 내구성 실행·스트리밍·사람의 개입을 기본 요소로 갖춘 LangGraph가 도입됐다. 이후 모델의 계획·도구 호출·결과 반응 루프를 표준화할 수 있게 되면서 LangGraph 위에 최소 하네스인 create_agent가 만들어졌고, 2025년 7월에는 컨텍스트 관리와 서브에이전트 등을 기본 탑재한 범용 하네스 Deep Agents가 추가됐다.

🧾 핵심 주장 / 시사점

• 세 제품의 차이는 우열보다 기본 제공 범위와 제어 수준에 있으므로, 구현하려는 업무의 자율성·결정성 비중이 선택 기준이 된다.
• 미들웨어는 자율적인 핵심 루프를 유지하면서 승인, 검증, 규정 준수 같은 고정 절차를 삽입하는 연결층이며, 그 범위를 넘는 논리는 LangGraph로 표현할 수 있다.
• 공통 런타임과 상호 조합 구조 덕분에 Deep Agents로 빠르게 시작한 뒤 필요한 부분만 LangChain 또는 LangGraph 수준으로 세분화하는 점진적 설계가 가능하다.

✅ 액션 아이템

• 일반 에이전트는 Deep Agents로 시작하고, 필요한 구간만 LangChain·LangGraph로 내려 제어 범위를 정한다.
• 장기·복잡 작업이면 파일시스템·서브에이전트·온디맨드 스킬·실행 간 메모리 필요 여부를 먼저 점검한다.
• 비표준 흐름이나 고정 코드와 모델 판단을 섞는 작업은 LangGraph 그래프 구조와 사람 개입 지점을 비교한다.

❓ 열린 질문

• 풍부한 컨텍스트 기능과 가벼운 맞춤형 루프 중 현재 요구에 더 적합한 기준은 무엇인가?
• 미들웨어로 넣을 요약·검증·승인·규정 준수 단계 중 우선순위는 어떻게 판단할 것인가?
• 어디까지 Deep Agents 추상화를 유지하고 어디서 LangGraph 결정성으로 내릴 것인가?