Why managed agents are the next big thing in agent building

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Managed Deep Agents는 표준화된 에이전트 하네스와 프로덕션 인프라를 결합해 개발자가 고유한 비즈니스 로직에 집중하면서 에이전트를 안정적으로 구축·실행·배포하도록 돕는 관리형 에이전트 서비스다.

📌 핵심 요약

• 2022년 말부터 등장한 LangChain·ChatGPT·AutoGPT와 2024년 이후의 LangGraph·Google ADK·Vercel AI SDK를 거쳐, 2025년 초중반에는 LLM이 도구를 호출하며 반복 실행되는 오늘날의 에이전트 구조를 구동할 만큼 발전했다.
• Claude Code·Pi·Deep Agents 같은 에이전트 하네스가 등장한 뒤, durable execution·sandboxes·두뇌와 손의 분리 같은 운영 기반과 AGENTS.md·MCP·skills 같은 제어 표준이 축적됐다.
• 프로덕션 에이전트는 개발자가 제공하는 비즈니스 로직, 에이전트 하네스, 프로덕션 인프라의 3요소로 구성되며 Runtime·UX·Sandboxes·Context Management·Evaluation·Memory·Auth를 함께 해결해야 한다.
• Fleet는 비개발자용 UI 중심 관리형 경험을, Claude Managed Agents는 개발자용 API 중심 경험을, Vercel Eve는 파일 기반 정의와 인프라 결합을 제시했으며, Managed Deep Agents는 파일 기반 구조에 코드 확장성을 더했다.
• Managed Deep Agents는 LangSmith Deployments·Agent Server·Channels·Sandboxes·Context Hub·Harbor와 내장 AuthN 등을 묶어 로컬 실행을 넘어 프로덕션 배포를 쉽게 만드는 것을 목표로 하며, 추가 인프라 요구와 표준은 앞으로도 계속 나타날 수 있다.

🧩 주요 포인트

1. LLM의 반복 실행·도구 호출 능력이 안정적인 핵심 원형으로 자리 잡으면서, 에이전트 개발의 중심이 개별 애플리케이션 조립에서 재사용 가능한 에이전트 하네스와 운영 환경으로 이동했다.
2. durable execution·sandboxes와 AGENTS.md·MCP·skills가 각각 실행 인프라와 행동 제어의 공통 기반으로 수렴하면서, 하네스와 프로덕션 인프라를 하나로 제공하는 관리형 에이전트가 현실적인 선택지가 됐다.
3. Fleet·Claude Managed Agents·Vercel Eve를 거친 제품 흐름은 UI나 API만 제공하는 데서 나아가 파일 기반 정의, custom middleware, custom tools as code를 함께 허용하는 Managed Deep Agents의 개발자 중심 확장성으로 이어졌다.

🧠 상세 정리

1. 에이전트 개발 방식의 단계적 변화

글은 에이전트 구축의 역사를 몇 개의 시기로 구분한다. 2022년 10월 LangChain, 11월 ChatGPT, 2023년 초 AutoGPT가 등장하면서 LLM을 활용하는 초기 프레임워크와 애플리케이션이 형성됐다. 2024년부터 2025년 상반기에는 LangGraph·Google ADK·Vercel AI SDK처럼 개발자에게 더 많은 제어권을 주는 성숙한 프레임워크가 등장해 복잡한 AI 애플리케이션을 만들 수 있게 했다. 다만 당시의 결과물은 현재 통용되는 의미의 에이전트와는 차이가 있었다. 2025년 초중반 모델 성능이 향상되면서 LLM이 반복 루프 안에서 도구를 호출하는 구조가 실용적인 핵심 원형이 됐고, Manus·Deep Research·Claude Code 같은 초기 에이전트 애플리케이션도 이 패턴을 따랐다.

2. 에이전트 하네스와 공통 표준의 등장

모델이 반복 실행과 도구 호출을 안정적으로 수행할 수 있게 되자, 그 루프에 적절한 도구와 실행 환경을 결합하는 에이전트 하네스 개념이 구체화됐다. Claude Code·Pi·Deep Agents가 대표적인 사례이며, Deep Agents는 애플리케이션 계층에서 관찰된 패턴을 범용 하네스로 옮기려는 초기 시도 중 하나였다. 이후 대규모 운영을 위해 중단된 실행을 이어 갈 수 있는 durable execution과 신뢰할 수 없는 코드를 격리하는 sandboxes가 공통 기반으로 인식됐고, 추론을 담당하는 두뇌와 실제 작업을 수행하는 손을 분리하는 설계도 널리 채택됐다. 동시에 기본 지침을 담는 AGENTS.md, 외부 시스템을 연결하는 MCP, 필요한 맥락을 점진적으로 공개하는 skills가 하네스를 구동하고 제어하는 표준으로 자리 잡았다. 이러한 인프라 원형과 제어 표준의 결합이 관리형 에이전트 경험의 기반이 됐다.

3. 프로덕션 에이전트의 3요소와 운영 과제

프로덕션 에이전트를 만들려면 개발자가 제공하는 맥락·도구·지침 등의 비즈니스 로직, 이를 실행하는 에이전트 하네스, 하네스를 실제 서비스로 운영하는 프로덕션 인프라가 모두 필요하다. Deep Agents 같은 기성 하네스는 시작 과정을 단순화하지만, 개발자는 자신의 비즈니스 로직을 직접 제공해야 한다. 운영 단계에서는 신뢰성 있는 실행과 장애 후 재개를 담당하는 Runtime, UI로 이벤트를 전달하고 사용자가 있는 채널에 연결하는 UX, 신뢰할 수 없는 코드를 위한 Sandboxes가 요구된다. 여기에 지침과 skills의 저장·편집을 다루는 Context Management, 프롬프트·도구·모델 변경을 검증하는 Evaluation, 기억 범위를 정하는 Memory, 호출 권한과 외부 시스템에서의 행위 주체를 관리하는 Auth가 추가된다. 관리형 서비스는 하네스와 이런 인프라를 묶어 제공함으로써 개발자가 각 요소를 개별적으로 선정하고 조립해야 하는 부담을 줄인다.

4. Fleet에서 Claude Managed Agents와 Vercel Eve까지

Fleet는 관리형 접근을 강하게 적용한 비개발자용 노코드 에이전트 구축 플랫폼으로, 작업 대부분을 UI에서 수행하도록 설계됐다. Fleet는 AGENTS.md·skills·MCP 같은 표준을 활용했고, 에이전트 정의를 파일시스템의 파일로 표현해 필요할 때 코드로 옮길 수 있도록 했으며 파일 탐색기로 이를 보여 주는 기능도 제공했다. 그러나 주된 사용자층이 개발자였기 때문에 custom middleware, 코드로 작성하는 custom tools, API를 통한 프로그래밍 방식의 에이전트 생성 요구가 계속 제기됐다. 이후 Claude Managed Agents는 UI를 제공하면서도 API 중심으로 개발자를 겨냥했고, 같은 표준을 활용하되 에이전트 정의를 파일로만 취급하는 방식에는 상대적으로 덜 의존했으며 dreaming이라는 개념도 도입했다. Vercel Eve는 다시 파일 기반 에이전트 표현을 적극 활용하고 공통 표준과 실행 인프라를 결합해 배포를 쉽게 하는 방향을 제시했다.

5. Managed Deep Agents의 구성과 차별점

Managed Deep Agents는 Deep Agents 하네스를 토대로 에이전트를 파일로 표현하면서도 Fleet보다 높은 개발자 확장성을 제공한다. 개발자는 custom middleware와 custom tools as code를 가져올 수 있으며, 서비스는 프로덕션 실행에 필요한 인프라를 하네스와 함께 묶는다. Runtime은 LangSmith Deployments가, UX 스트리밍은 LangSmith Agent Server와 Channels가, 격리 실행은 LangSmith Sandboxes가 담당한다. Context Management에는 LangSmith Context Hub가 사용되고 Evaluation에는 Harbor가 연결되며, Memory는 Deep Agents 위에 정해진 방식을 제공하고 인증에는 내장 AuthN이 포함된다. 이 구성은 개발자가 비즈니스 로직과 필요한 코드 확장에 집중하면서 Runtime·UX·Sandboxes·Context Management·Evaluation·Memory·Auth를 각각 별도로 조립해야 하는 부담을 줄이기 위한 것이다.

6. 관리형 에이전트가 제시하는 다음 단계

글의 핵심 주장은 에이전트 하네스와 프로덕션 인프라를 결합한 관리형 경험이 프로덕션 에이전트 구축의 새로운 흐름을 열 수 있다는 것이다. 개발자는 자신의 비즈니스 로직을 계속 제공하지만, 반복적으로 필요한 실행·격리·스트리밍·평가·기억·인증 기반은 하나의 관리형 묶음으로 선택할 수 있다. 저자는 Managed Deep Agents가 에이전트를 로컬에서 실행하는 수준을 넘어 실제 프로덕션에 구축하고 배포하는 과정을 쉽게 만들 것으로 기대하며, 입문 자료로 20분 설명 영상을 제시한다. 동시에 에이전트 구축은 아직 초기 단계이므로 새로운 인프라 요구가 더 나타나고 추가 표준도 필요해질 것이라고 밝힌다. 따라서 이번 출시는 완성된 최종 구조라기보다 사용자 피드백을 통해 운영 요구와 표준을 계속 학습하고 발전시키려는 단계로 제시된다.

🧾 핵심 주장 / 시사점

• 관리형 에이전트의 핵심은 개발자의 비즈니스 로직까지 대체하는 것이 아니라, 반복적으로 필요한 에이전트 하네스와 프로덕션 인프라를 표준화된 형태로 제공해 역할을 분리하는 데 있다.
• AGENTS.md·MCP·skills와 파일 기반 정의는 에이전트 행동을 구성하는 공통 인터페이스가 되어 UI 중심 서비스와 코드 중심 개발 환경 사이의 이동 가능성을 높인다.
• Fleet에서 Managed Deep Agents로 이어진 변화는 관리형 경험이 노코드에만 국한되지 않고 API, custom middleware, custom tools as code를 요구하는 개발자 대상 형태로 확장되고 있음을 보여 준다.

✅ 액션 아이템

• Managed Deep Agents가 묶어 제공하는 Runtime·UX·Sandboxes·Context Management·Evaluation·Memory·Auth의 적용 범위를 검토한다.
• AGENTS.md·MCP·skills를 활용해 비즈니스 로직과 에이전트 하네스를 구동하는 방식을 확인한다.
• Fleet·Claude Managed Agents·Vercel Eve·Managed Deep Agents의 UI·API·파일 기반 정의와 개발자 확장성 차이를 비교한다.

❓ 열린 질문

• Managed Deep Agents는 Runtime·UX·Sandboxes·Context Management·Evaluation·Memory·Auth를 각각 어떤 구성으로 제공하는가?
• AGENTS.md·MCP·skills는 에이전트 하네스의 행동과 맥락을 어떻게 제어하는가?
• Fleet·Claude Managed Agents·Vercel Eve와 비교할 때 Managed Deep Agents의 파일 기반 정의와 코드 확장성은 어떻게 다른가?