New in Deep Agents v0.6

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Deep Agents v0.6은 코드 인터프리터, 하네스 프로필, 스트리밍, 델타 채널, ContextHubBackend를 통해 에이전트의 모델 성능·실행 효율·UI 경험·장기 실행 비용을 개선한 릴리스다.

📌 핵심 요약

이번 릴리스의 중심은 에이전트 성능을 모델 계층, 에이전트 실행 계층, 대규모 운영, 장기 실행 관점에서 개선하는 데 있다.
코드 인터프리터는 에이전트가 도구 호출을 코드로 조합하고 중간 상태를 런타임에 보존하며, 모델 컨텍스트에는 필요한 결과만 돌려주는 방식으로 토큰 사용과 모델 왕복을 줄인다.
하네스 프로필은 모델별 프롬프트, 도구 설명, 미들웨어 조정을 버전 관리 가능한 단위로 묶어 오픈웨이트 모델도 더 안정적으로 운영 성능을 내도록 돕는다.
새 스트리밍 primitive는 메시지, 추론 블록, 도구 호출, 서브에이전트, 커스텀 이벤트를 타입화된 이벤트로 제공해 런타임부터 프론트엔드까지 일관된 실시간 UI 구성을 가능하게 한다.
델타 채널은 매 단계 전체 스냅샷 대신 변경분만 저장해 장기 실행 에이전트의 체크포인트 저장소 증가를 크게 줄이면서도 관측성, 재개 가능성, 복원력을 유지한다.

🧩 주요 포인트

이번 릴리스의 중심은 에이전트 성능을 모델 계층, 에이전트 실행 계층, 대규모 운영, 장기 실행 관점에서 개선하는 데 있다.
코드 인터프리터는 에이전트가 도구 호출을 코드로 조합하고 중간 상태를 런타임에 보존하며, 모델 컨텍스트에는 필요한 결과만 돌려주는 방식으로 토큰 사용과 모델 왕복을 줄인다.
하네스 프로필은 모델별 프롬프트, 도구 설명, 미들웨어 조정을 버전 관리 가능한 단위로 묶어 오픈웨이트 모델도 더 안정적으로 운영 성능을 내도록 돕는다.
새 스트리밍 primitive는 메시지, 추론 블록, 도구 호출, 서브에이전트, 커스텀 이벤트를 타입화된 이벤트로 제공해 런타임부터 프론트엔드까지 일관된 실시간 UI 구성을 가능하게 한다.
델타 채널은 매 단계 전체 스냅샷 대신 변경분만 저장해 장기 실행 에이전트의 체크포인트 저장소 증가를 크게 줄이면서도 관측성, 재개 가능성, 복원력을 유지한다.

🧠 상세 정리

1. 릴리스의 핵심 방향: 성능과 운영 효율

Deep Agents v0.6은 단일 기능 추가보다 에이전트 운영 전반의 병목을 줄이는 데 초점을 둔 릴리스로 소개된다. 글은 성능 개선의 범위를 모델 계층, 에이전트 계층, 대규모 운영, 시간에 따른 누적 비용까지 넓게 잡는다. 이를 위해 코드 인터프리터, 하네스 프로필, 스트리밍, DeltaChannel, ContextHubBackend라는 다섯 가지 축을 제시한다. 각 기능은 서로 다른 문제를 겨냥하지만, 공통적으로 더 강력한 에이전트를 더 낮은 비용과 더 나은 사용자 경험으로 운영하게 만드는 데 연결된다.

2. 코드 인터프리터: 에이전트 루프 안의 가벼운 실행 공간

새로 제공되는 설치형 코드 인터프리터는 에이전트가 데이터를 변환하고 도구 호출을 조율하며 중간 작업을 모델 컨텍스트 밖에 보관할 수 있는 프로그래머블 워크스페이스다. 샌드박스가 명령 실행, 의존성 설치, 파일 편집처럼 외부 환경에 작용하는 코드 중심 방식이라면, 인터프리터는 에이전트 루프 내부에서 도구를 조합하고 상태를 유지하며 모델에 되돌릴 정보를 선별하는 역할을 한다. 에이전트는 의도를 코드로 표현하고, 인메모리 런타임은 그 코드를 실행한 뒤 관련 결과만 반환한다. 이 구조는 전체 샌드박스의 부담 없이 에이전트 내부 계산과 조율을 더 세밀하게 다룰 수 있게 한다.

3. Programmatic Tool Calling으로 줄어드는 모델 왕복

기존의 표준 도구 호출 루프에서는 모델이 매 단계마다 도구를 요청하고, 전체 결과를 컨텍스트로 받은 뒤 다시 추론하는 교통정리 역할을 맡는다. 그러나 중간 결과가 다음 입력을 계산하는 데만 필요하더라도 여러 번의 모델 호출을 거쳐야 하므로 토큰과 지연이 늘어난다. Programmatic Tool Calling은 모델이 실행 런타임 안에서 도구를 부르는 코드를 작성하게 해, 개별 도구 호출마다 모델로 왕복하지 않아도 워크플로를 진행할 수 있게 한다. 중간 결과는 런타임 상태에 머물며 노이즈 필터링, 데이터 처리, 실패 재시도 후 필요한 컨텍스트만 모델에 돌려줄 수 있다. 글은 이 패턴이 토큰 소비와 불필요한 모델 왕복을 줄이고, 에이전트의 추론 단계를 더 작게 만든다고 설명한다.

4. 재귀적 워크플로와 외부 작업 상태

인터프리터는 도구와 서브에이전트를 코드에서 직접 호출할 수 있게 하므로, 한 서브에이전트의 출력을 검사하고 변환한 뒤 다음 단계에 넣는 흐름을 모델 컨텍스트로 모두 되돌리지 않고 구성할 수 있다. 글은 질문 큐를 유지하면서 다음 질문을 서브에이전트에 맡기고, 결과를 저장한 뒤 후속 질문을 생성하며, 충분한 근거가 모일 때까지 반복하는 재귀적 워크플로를 예로 든다. 핵심은 전체 입력 컨텍스트를 다른 LLM에 한 번 더 넘기는 것이 아니라, 모델 컨텍스트 밖에 작업 상태를 유지하고 각 호출에 들어갈 정보를 제어하는 데 있다. 이 접근은 Recursive Language Models의 아이디어와 인접하지만, Deep Agents가 모델 계층에서 원래 정의된 RLM을 구현한다고 주장하지는 않는다고 선을 긋는다.

5. 하네스 프로필: 모델별 방언을 맞추는 운영 단위

글은 Kimi K2.6, GLM 5.1, DeepSeek V4 같은 오픈웨이트 모델이 이제 프로덕션 에이전트 작업에 활용 가능하며, 폐쇄형 프런티어 모델보다 20배 이상 낮은 비용을 보일 수 있다고 설명한다. 다만 모델마다 도구 호출 형식과 프롬프트 관습이 다르게 후훈련되어 있고, 많은 하네스는 작성자가 기준으로 삼은 특정 폐쇄형 모델에 맞춰져 있다. 따라서 모델을 그대로 바꿔 넣으면 모델의 실제 능력 중 일부만 드러날 수 있다. Deep Agents v0.6의 하네스 프로필은 기본 시스템 프롬프트, 도구와 설명, 각 턴을 형성하는 미들웨어의 모델별 오버라이드를 이름 붙이고 버전 관리 가능한 단위로 묶는다. 이를 통해 프로필을 모델과 함께 비교, 교체, 버전 관리할 수 있어 튜닝 작업이 재사용 가능한 자산이 된다.

6. 하네스 튜닝의 측정 가능한 효과

본문은 하네스 계층의 변화만으로도 벤치마크 결과가 크게 달라질 수 있다고 강조한다. 내부 테스트에서 gpt-5.2-codex는 Terminal-Bench 2.0에서 52.8%에서 66.5%로 상승해 Top 30 수준에서 Top 5 수준으로 이동했고, gpt-5.3-codex는 tau2-bench에서 20%, opus-4.7은 10% 향상되었다고 제시한다. tau2-bench 전반에서도 프롬프트와 미들웨어가 모델을 바꾸지 않고 점수를 10~20포인트 움직일 수 있다고 설명한다. 이 수치는 모델 성능을 평가할 때 모델 자체만 볼 것이 아니라 모델 주변의 하네스 구성까지 함께 봐야 한다는 논지를 뒷받침한다. v0.6은 주요 모델용 내장 프로필을 제공해 강한 기본 성능을 목표로 하며, 사용자가 자체 스택에 맞는 프로필을 작성할 수 있는 체계도 제공한다.

7. 스트리밍: 타입화된 이벤트로 만드는 실시간 에이전트 UI

에이전트는 최종 답변을 반환하기 전에 많은 작업을 수행하므로, 좋은 사용자 경험을 위해서는 그 과정을 실시간으로 보여주고 사용자가 중간에 조정할 수 있어야 한다. 이번 릴리스의 streaming은 이를 위한 애플리케이션 primitive로 설명된다. stream_events(..., version="v3")를 통해 에이전트와 그래프는 메시지 텍스트, 추론 블록, 도구 호출, 상태 업데이트, 서브그래프, 서브에이전트, 커스텀 채널, 최종 출력 같은 개발자가 실제로 렌더링하려는 요소를 통합 이벤트 스트림으로 내보낸다. 스트림은 content block 중심이어서 UI가 조각이 텍스트인지 추론인지 미디어인지 도구 호출 데이터인지 추측할 필요가 줄어든다. 타입화된 이벤트, 네임스페이스, 채널을 중심으로 정리되며 Agent Streaming Protocol과 정렬된다.

8. 런타임에서 프론트엔드까지 이어지는 스트리밍 스택

새 스트리밍 모델은 Agent Server 엔드포인트와 SDK 지원을 통해 네트워크 경계 너머로도 이어진다. LangGraph SDK는 client.threads.stream(...)을 통해 원격 이벤트 스트리밍을 제공하며, 멀티모달 콘텐츠, 재연결과 재생 동작, SSE 또는 WebSocket을 통한 전송 방식 독립성을 지원한다. 로컬 스트림과 원격 스트림이 같은 프로토콜을 따르기 때문에 개발자는 스크립트, 백엔드 서비스, 프로덕션 프론트엔드에서 에이전트 실행을 일관되게 관찰할 수 있다. 애플리케이션은 특정 서브에이전트의 메시지, 커스텀 채널 업데이트, 특정 네임스페이스 내부 이벤트처럼 필요한 부분만 구독할 수 있다. 프론트엔드 쪽에서는 React, Vue, Svelte, Angular용 v1 통합과 Streaming Cookbook을 제공해 이벤트 파서를 직접 만드는 부담을 줄인다.

9. 델타 채널: 장기 실행 에이전트의 체크포인트 비용 절감

Deep Agents는 LangGraph 런타임 위에서 동작하며, 런타임은 매 단계 에이전트 진행 상황을 체크포인트로 저장한다. 이 덕분에 관측성, 휴먼 인 더 루프, 실패 복구가 가능하고, 에이전트가 어디에 있는지 확인하거나 어느 지점에서든 재개할 수 있다. 그러나 에이전트가 더 오래 실행되고 메시지 기록이 수십 또는 수백 단계로 늘어나며 파일시스템을 활용해 컨텍스트를 관리하면 저장해야 할 상태도 빠르게 커진다. Deep Agents에서 메시지 기록과 파일은 에이전트 상태에 있고, 매 단계 전체 스냅샷을 저장하는 방식은 체크포인트 저장량을 O(N²)로 키운다. 델타 채널은 전체 스냅샷 대신 변경분만 저장해 메시지 기록과 파일에 대한 델타 기반 저장을 제공하며, 대화 길이와 컨텍스트 크기에 따라 10~100배 수준의 저장소 절감을 기대할 수 있다고 설명된다.

10. ContextHubBackend와 누적되는 에이전트 지식

다섯 번째 축인 ContextHubBackend는 LangSmith Context Hub를 기반으로 에이전트 행동을 형성하는 스킬, 정책, 메모리를 버전 관리되고 협업 가능한 공간에 저장하는 기능으로 소개된다. 글은 한 번의 실행에서 에이전트가 학습한 것이 다음 실행을 개선할 수 있어야 한다는 관점에서 이 기능을 배치한다. 앞선 기능들이 실행 중 비용, 지연, 스트리밍, 저장 효율을 다룬다면, ContextHubBackend는 에이전트가 활용하는 맥락 자산을 더 체계적으로 보관하고 재사용하는 방향에 가깝다. 본문에서 이 항목은 상세 코드 예시보다 릴리스의 구성 요소 중 하나로 제시되며, 에이전트의 장기적 동작 품질을 뒷받침하는 저장 기반으로 설명된다.

🧾 핵심 주장 / 시사점

이번 릴리스의 핵심은 모델 자체를 더 크게 만드는 것이 아니라, 모델을 둘러싼 실행 런타임·하네스·스트리밍·체크포인트 저장 방식을 개선해 에이전트 시스템의 실사용 효율을 높이는 데 있다.
코드 인터프리터와 하네스 프로필은 서로 다른 층위의 문제를 해결한다. 전자는 도구 호출과 중간 상태 관리를 모델 컨텍스트 밖으로 옮기고, 후자는 모델별 도구 호출 관습과 프롬프트 방식을 하네스가 더 잘 맞추도록 한다.
델타 채널과 스트리밍은 장기 실행 에이전트가 프로덕션 서비스로 가기 위해 필요한 기반을 다룬다. 하나는 누적되는 상태 저장 비용을 줄이고, 다른 하나는 사용자가 진행 상황을 관찰하고 필요한 부분만 구독할 수 있는 UI·운영 표면을 제공한다.

✅ 액션 아이템

코드 인터프리터가 런타임 상태를 보존하고 모델 컨텍스트로 필요한 결과만 전달할 때 토큰 소모와 모델 왕복 감소 효과를 정량 점검한다.
하네스 프로필을 모델별 프롬프트·도구 설명·미들웨어 조정 묶음으로 버전화해 오픈웨이트 모델의 운영 성능 안정성 기준을 정한다.
스트리밍 primitive의 타입 이벤트와 델타 채널 변경분 저장을 함께 반영해 런타임-프론트엔드 일관성 및 장기 실행 재개 복원력을 통합 검증한다.