Post

Anthropic 'Building Effective Agents' 정밀 분석 — workflows vs agents, 5가지 패턴, 3대 원칙

Anthropic 2024-12-19 발행 "Building Effective Agents"를 한국어로 정밀 분석. workflows vs agents 정의, Augmented LLM, 5가지 워크플로우 패턴, 3대 원칙(simplicity·transparency·ACI)을 원문 인용과 Python 스켈레톤으로 정리한다.

Anthropic 'Building Effective Agents' 정밀 분석 — workflows vs agents, 5가지 패턴, 3대 원칙

들어가며

2024년 12월 19일, Anthropic Engineering 팀이 게시한 “Building Effective Agents”는 에이전트 시스템을 설계할 때 어디서 시작해야 하는지를 명확하게 제시한 문서다.1 AI 엔지니어링 커뮤니티에서 가장 많이 인용되는 기준 문서 중 하나로, 이 글이 발행된 이후 에이전트 아키텍처 논의의 출발점이 됐다.

이 글이 특별한 이유는 추상적 원칙이 아닌 구체적 패턴과 가드레일을 제시했기 때문이다. Anthropic이 수많은 고객 배포 경험에서 추출한 실증적 결과물이며, 이론보다 현장 패턴에 가깝다.

이 포스트는 원문을 한국어 독자가 원문을 다시 펼치지 않고도 핵심을 이해할 수 있도록 정리하는 것을 목표로 한다. 직접 인용은 영문 원문 그대로 제시하고, 각 개념의 실질적 의미를 한국어로 풀어낸다.

관련 포스트를 함께 읽으면 이해 깊이가 달라진다:


글의 위치: Anthropic Engineering 생태계에서

이 문서는 Anthropic이 제시한 에이전트 설계 지식 체계에서 어느 위치에 있는가. 간단히 정리하면: 무엇을 언제 쓸지 결정하는 기준이다.

Claude API 자체나 특정 SDK 문서가 아니다. 에이전트 시스템의 아키텍처 레벨 의사결정 — “워크플로우로 충분한가, 아니면 진짜 에이전트가 필요한가” — 에 답하는 문서다.

이후 발행된 Claude Agent SDK 문서, MCP 사양, Claude Code 설계 원칙은 모두 이 글에서 세운 개념적 토대 위에 올라가 있다.


workflows vs agents: 가장 중요한 구분

이 문서에서 가장 중요한 개념은 두 가지를 명확히 구분하는 것이다.

Workflows: “Systems where LLMs and tools are orchestrated through predefined code paths.”1

Agents: “Systems where LLMs dynamically direct their own processes and tool usage, maintaining control over how they accomplish tasks.”1

한국어로 풀면:

  • 워크플로우: LLM과 도구가 미리 정의된 코드 경로를 따라 조율되는 시스템
  • 에이전트: LLM이 자신의 프로세스와 도구 사용을 동적으로 결정하고, 작업 수행 방법을 스스로 제어하는 시스템

이 구분은 단순한 용어 정리가 아니다. 누가 제어권을 갖는가의 문제다.

flowchart TD
    subgraph WF ["워크플로우 — 코드가 제어"]
        direction LR
        WI[입력] --> LC1["LLM Call 1\n번역"]
        LC1 --> CHK{"중간 검사\n코드 로직"}
        CHK --> LC2["LLM Call 2\n요약"]
        LC2 --> WO[출력]
    end

    subgraph AG ["에이전트 — LLM이 제어"]
        direction LR
        AI[입력] --> LD{"LLM\n판단"}
        LD -->|"도구A 호출"| TA["Tool A\n실행"]
        LD -->|"도구B 호출"| TB["Tool B\n실행"]
        TA --> LD
        TB --> LD
        LD -->|"완료 판단"| AO[출력]
    end

    style WF fill:#e8f4f8,stroke:#2980b9
    style AG fill:#fef9e7,stroke:#f39c12

워크플로우에서는 코드가 LLM을 언제, 어떻게 호출할지 결정한다. 에이전트에서는 LLM이 다음 단계를 스스로 선택한다.

이 구분이 중요한 이유: 복잡성과 통제 가능성은 트레이드오프다. 에이전트는 더 유연하지만 예측 가능성이 낮다. 워크플로우는 통제가 쉽지만 사전에 경우의 수를 모두 설계해야 한다.

에이전트가 기본값이 돼서는 안 된다. 워크플로우로 해결되는 문제에 에이전트를 투입하면 불필요한 복잡성과 비용만 늘어난다.


Augmented LLM — 기반 빌딩블록

5가지 패턴을 이해하기 전에 공통 빌딩블록을 파악해야 한다. 원문은 이를 Augmented LLM이라 부른다.1

기본 LLM에 세 가지 능력을 더한 것이다:

  1. Retrieval — 관련 정보를 외부에서 가져오는 능력 (RAG 포함)
  2. Tools — 코드 실행, API 호출, 파일 조작 등 외부 행동 능력
  3. Memory — 대화 이력, 요약, 상태 유지 능력

Augmented LLM은 워크플로우와 에이전트 모두의 기본 구성 단위다. 아래 5가지 패턴은 이 단위를 어떻게 연결하느냐의 차이다.


5가지 워크플로우 패턴

원문은 다음 5가지 패턴을 제시한다. 아래 표는 각 패턴의 적합 시나리오, 트레이드오프, 복잡성을 한눈에 비교한다.

패턴한 줄 요약적합 시나리오주요 약점
Prompt Chaining순차 파이프라인단계가 명확히 분리되는 작업앞 단계 실패 전파
Routing입력 분류 후 전문 처리타입별 최적 프롬프트가 다를 때분류기 정확도 의존
Parallelization병렬 실행 후 집계독립 서브태스크·신뢰도 향상집계 로직 복잡성
Orchestrator-Workers동적 위임·통합사전에 서브태스크 수를 알 수 없을 때디버깅 어려움
Evaluator-Optimizer생성-평가 루프반복 개선이 유효한 작업루프 수렴 불확실
flowchart LR
    subgraph P1 ["1. Prompt Chaining"]
        direction LR
        PC1[LLM A] -->|출력| PC2[LLM B] -->|출력| PC3[LLM C]
    end

    subgraph P2 ["2. Routing"]
        direction LR
        RIN[입력] --> RC{"분류기\nLLM"}
        RC -->|"타입 A"| RA[LLM A]
        RC -->|"타입 B"| RB[LLM B]
    end

    subgraph P3 ["3. Parallelization"]
        direction LR
        PIN[입력] --> PW1[LLM 1]
        PIN --> PW2[LLM 2]
        PIN --> PW3[LLM 3]
        PW1 & PW2 & PW3 --> PAG[집계]
    end

    subgraph P4 ["4. Orchestrator-Workers"]
        direction LR
        OR["Orchestrator\nLLM"] -->|위임| OW1[Worker 1]
        OR -->|위임| OW2[Worker 2]
        OW1 & OW2 -->|결과| OR
    end

    subgraph P5 ["5. Evaluator-Optimizer"]
        direction LR
        EG["Generator\nLLM"] -->|초안| EE["Evaluator\nLLM"]
        EE -->|"피드백"| EG
        EE -->|통과| EOUT[출력]
    end

패턴 1: Prompt Chaining — 순차 파이프라인

가장 단순한 패턴이다. 첫 번째 LLM 호출의 출력이 다음 호출의 입력이 된다. 중간에 프로그래매틱 체크를 삽입할 수 있다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
import anthropic

client = anthropic.Anthropic()


def prompt_chain(raw_input: str) -> str:
    """번역 → 요약 2단계 파이프라인 스켈레톤"""

    # 1단계: 한국어 → 영어 번역
    step1 = client.messages.create(
        model="claude-opus-4-7",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": f"다음 텍스트를 영어로 번역하라:\n\n{raw_input}"
        }]
    )
    translated = step1.content[0].text

    # 중간 검사 — 프로그래매틱 가드 (LLM 호출 아님)
    if len(translated.strip()) < 10:
        raise ValueError("번역 결과가 너무 짧습니다")

    # 2단계: 영문 3문장 요약
    step2 = client.messages.create(
        model="claude-opus-4-7",
        max_tokens=256,
        messages=[{
            "role": "user",
            "content": f"다음 영문을 3문장으로 요약하라:\n\n{translated}"
        }]
    )
    return step2.content[0].text

언제 쓰는가: 작업을 명확히 분리된 단계로 쪼갤 수 있고, 각 단계가 이전 단계 출력만 의존할 때. 예: 문서 초안 → 교정 → 번역, 데이터 추출 → 변환 → 검증.

패턴 2: Routing — 분류 후 전문 처리

입력을 먼저 분류하고, 분류 결과에 따라 다른 처리 경로로 보낸다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
def routing_handler(user_query: str) -> str:
    """고객 문의 카테고리별 라우팅 스켈레톤"""

    # 분류 단계 — 빠른 모델로 처리
    classifier = client.messages.create(
        model="claude-haiku-4-5-20251001",
        max_tokens=32,
        messages=[{
            "role": "user",
            "content": (
                "다음 문의를 분류하라. 응답은 'billing', 'technical', 'general' 중 하나만 출력:\n\n"
                f"{user_query}"
            )
        }]
    )
    category = classifier.content[0].text.strip().lower()

    # 카테고리별 전문 시스템 프롬프트
    specialist_prompts = {
        "billing": "당신은 결제·환불 전문 상담원입니다. 간결하고 정확하게 안내하라.",
        "technical": "당신은 기술 지원 엔지니어입니다. 단계별 해결책을 제시하라.",
        "general": "당신은 일반 고객 서비스 담당자입니다. 친절하게 응대하라.",
    }
    system = specialist_prompts.get(category, specialist_prompts["general"])

    response = client.messages.create(
        model="claude-opus-4-7",
        max_tokens=512,
        system=system,
        messages=[{"role": "user", "content": user_query}]
    )
    return response.content[0].text

언제 쓰는가: 입력 유형에 따라 최적 처리 방식이 달라질 때. 분류기가 정확할수록 각 경로의 프롬프트를 특화할 수 있다.

패턴 3: Parallelization — 병렬 실행

두 가지 변형이 있다.

  • Sectioning: 큰 작업을 독립적인 서브태스크로 쪼개 병렬 실행
  • Voting: 동일 작업을 여러 번 실행해 신뢰도를 높임 (consensus)

긴 문서의 여러 섹션을 동시에 요약하거나, 보안 위협 판단에서 다중 판단을 집계하는 사례가 대표적이다.

패턴 4: Orchestrator-Workers — 동적 위임

오케스트레이터 LLM이 큰 그림을 보며 서브태스크를 워커 LLM에 위임한다. 오케스트레이터는 워커 결과를 통합해 최종 출력을 만든다.1

워크플로우와 에이전트의 경계에 있는 패턴이다. 오케스트레이터가 사전에 정의된 워커만 사용하면 워크플로우, 동적으로 워커 조합을 결정하면 에이전트에 가깝다.

소프트웨어 엔지니어링 작업이나 복잡한 리서치처럼 실행 전에 서브태스크 수를 알 수 없는 경우에 특히 유효하다.

패턴 5: Evaluator-Optimizer — 생성-평가 루프

생성기 LLM이 출력을 만들면, 평가자 LLM이 평가 기준에 따라 피드백을 준다. 기준을 통과할 때까지 반복한다.

번역 품질 개선, 코드 리뷰 후 재작성, 광고 카피 최적화 등에 유효하다. 단, 루프가 수렴하지 않을 수 있으므로 최대 반복 횟수 설정이 필수다.

5가지 패턴은 배타적이지 않다. 실제 시스템은 여러 패턴을 조합한다. 예: Routing으로 분류한 후, 각 경로에서 Evaluator-Optimizer를 돌리는 구성.


언제 에이전트가 적합한가

원문은 에이전트 도입을 신중하게 권고한다:

“Agentic systems often trade latency and cost for better task performance.”1

에이전트는 더 나은 성능을 얻는 대신 지연 시간과 비용을 지불한다. 이 교환이 실제로 가치 있을 때만 도입을 정당화할 수 있다.

에이전트가 적합한 조건은 세 가지다:

  1. 사전에 단계를 열거할 수 없는 작업 — 작업 도중 필요한 도구가 결정되는 경우
  2. 인간의 개입 없이 장시간 실행되어야 하는 작업 — 단, 실패 비용이 허용 가능한 수준이어야 함
  3. 여러 도메인을 넘나드는 판단이 필요한 작업 — 소프트웨어 엔지니어링, 리서치 작업 등

역으로, 단계가 명확하고 예측 가능한 작업에는 워크플로우가 더 적합하다. 원문의 핵심 권고는 이것이다:

“Start with simple prompts, optimize them with comprehensive evaluation, and add multi-step agentic systems only when simpler solutions fall short.”1

에이전트를 기본값으로 삼지 말라는 의미다. 단순한 프롬프트로 시작하고, 포괄적인 평가로 최적화하고, 더 단순한 해법이 부족할 때에만 다단계 시스템을 추가하라.


3대 원칙

원칙 1: Simplicity — 단순함을 기본값으로

“The most successful implementations weren’t using complex frameworks or specialized libraries.”1

성공한 배포 사례의 공통점은 복잡한 오케스트레이션이 아니었다. 단순하게 유지하되, 필요할 때만 복잡성을 추가하라.

이 원칙의 실질적 의미:

  • 에이전트 추가 전에 단일 LLM 호출로 해결되는지 확인
  • 프레임워크 도입 전에 기본 API로 가능한지 검토
  • 각 추가 단계가 충분한 성능 향상을 가져오는지 측정

원칙 2: Transparency — 계획을 명시적으로 보여줘라

에이전트가 무엇을 하려는지 사람이 볼 수 있어야 한다. 이것은 디버깅을 위해서만이 아니라 신뢰 구축을 위해서도 중요하다.

실제로는 에이전트의 중간 추론 단계, 도구 호출 로그, 결정 이유를 로깅하고 노출하는 것으로 구현된다. 블랙박스 에이전트는 실패했을 때 원인을 파악하기 어렵고, 사용자가 신뢰하기도 어렵다.

원칙 3: Agent-Computer Interface (ACI) — 도구 설계에 투자하라

“One rule of thumb is to think about how much effort goes into human-computer interfaces and plan to invest just as much effort in creating good agent-computer interfaces.”1

사람이 쓰는 UI 설계에 드는 노력만큼 에이전트가 쓰는 도구(ACI)에도 투자하라는 원칙이다.1

HCI(Human-Computer Interface)를 의도적으로 패러프레이징한 표현이다. 사람이 UI에서 혼란스러워하는 것처럼, 에이전트도 잘못 설계된 도구에서 혼란스러워한다.

ACI 설계의 핵심 요소:

  • 정확한 이름: 도구 이름이 기능을 명확히 나타낼 것
  • 구체적 설명: 언제 쓰는지, 무엇을 반환하는지 명시
  • 명확한 입출력 스키마: 에이전트가 잘못 호출할 가능성을 줄임
  • 품질 좋은 오류 메시지: 실패 시 에이전트가 교정할 수 있도록 충분한 정보 제공

도구 이름에 비즈니스 로직이 들어가거나 설명이 모호하면, 에이전트는 잘못된 시점에 잘못된 인자로 도구를 호출한다. 도구 설계 실수가 에이전트 오작동의 가장 흔한 원인이다.


프레임워크에 대한 견해

원문은 LangChain, LlamaIndex 류의 오케스트레이션 프레임워크에 대해 명시적인 입장을 취한다:

“Frameworks can help you get started quickly, but don’t hesitate to reduce abstraction layers and build with basic components as you move to production.”1

프레임워크는 시작을 빠르게 만들지만, 프로덕션으로 이동할 때 추상화 레이어가 오히려 장벽이 된다는 관찰이다.

이 시각의 근거:

  • 프레임워크 추상화 뒤에 숨은 LLM 호출 동작을 정확히 파악하기 어렵다
  • 디버깅할 때 어떤 레이어에서 문제가 발생했는지 식별하기 복잡해진다
  • 최신 모델의 특성에 맞게 최적화하기 위해선 저수준 제어가 필요하다

실제 현장에서의 관찰과도 일치한다. 초기 프로토타입은 프레임워크로 빠르게 만들고, 프로덕션 품질을 위해 기반 레이어로 내려가는 패턴이 반복된다.

단, 이것이 프레임워크를 쓰지 말라는 의미는 아니다. 시작점으로는 적합하고, 프로덕션 이동 시 추상화를 줄여갈 준비가 되어 있어야 한다는 의미로 읽는 것이 정확하다.


한국어 번역 시 손실되는 뉘앙스

이 문서를 한국어로 읽을 때 원문의 뉘앙스가 희석되는 지점이 몇 군데 있다.

1. “orchestrate” vs “조율하다” 워크플로우 정의의 핵심 동사는 “orchestrated”다. 단순히 “조율”이라 번역하면 외부 코드가 LLM 호출 순서를 결정론적으로 제어한다는 뉘앙스가 약해진다. “오케스트레이션”을 번역하지 않고 그대로 쓰는 이유다.

2. “dynamically direct” vs “동적으로 지시한다” 에이전트 정의에서 핵심은 LLM이 실행 중에 실시간으로 방향을 바꿀 수 있다는 것이다. “동적”이라는 한국어 단어는 이 실시간성과 적응성을 충분히 전달하지 못한다. “스스로 결정한다”는 표현이 의미에는 더 가깝지만 정확성이 떨어진다.

3. “latency and cost” 트레이드오프 에이전트가 “latency and cost”를 지불하고 성능을 얻는다는 표현은 투자 대비 수익 개념이다. 한국어로 “지연 시간과 비용”이라 번역하면 이 교환 관계의 의도성이 약해진다.

4. “agent-computer interface” vs 사람 개념 없는 번역 ACI는 HCI(Human-Computer Interface)를 의도적으로 패러프레이징한 표현이다. 이 유추 관계가 원칙의 핵심인데, “에이전트-컴퓨터 인터페이스”라고 직역하면 원문의 의도적 병치가 살아나고, 의역하면 HCI와의 연결이 끊긴다. ACI라는 약어를 그대로 쓰는 것이 낫다.

5. “predefined code paths” vs “미리 정해진 경로” 워크플로우 정의에서 “predefined code paths”는 소프트웨어 엔지니어링 의미에서의 코드 경로를 뜻한다. “미리 정해진 경로”라고 번역하면 코드가 명시적으로 제어권을 갖는다는 의미가 흐릿해진다.


발행 후 1년 변화

이 글이 발행된 2024년 12월 이후 에이전트 생태계가 어떻게 변했는가.

Claude Agent SDK 공개 (2025년) Anthropic이 이 글에서 설명한 에이전트 패턴을 직접 구현한 SDK를 공개했다. Claude Code 자체가 이 SDK로 빌드됐다. 이 글의 개념이 실제 제품 아키텍처로 구체화된 것이다. “workflows vs agents” 구분이 SDK의 설계에도 반영되어 있다.

MCP (Model Context Protocol) 확산 + Agent Skills 표준화 도구 인터페이스 표준화 문제, 즉 이 글의 ACI 원칙이 왜 중요한지를 실감하게 만드는 변화다. MCP는 에이전트가 다양한 외부 도구를 일관된 방식으로 다룰 수 있도록 하는 프로토콜로 자리 잡았고, 2025-10에는 Agent Skills 가 별도 표준으로 등장해 ACI 설계에 투자하라는 원칙이 재사용 가능한 절차적 지식 패키지로 진화했다.2

“Orchestrator-Workers” 패턴의 대중화 + Long-running Harness 시리즈 2025년 들어 복잡한 코딩 작업, 리서치 자동화, 문서 생성 에이전트 대부분이 이 패턴을 기반으로 한다. Anthropic 자체도 Effective harnesses for long-running agents3 같은 후속 글로 시간적 확장까지 다뤘다. 이 글이 제시한 분류가 실제 아키텍처 선택의 기준이 됐다.

Context Engineering 시리즈로의 확장 BEA의 컨텍스트 관리 논의는 Effective context engineering for AI agents4 같은 별도 시리즈로 이어졌다 — Augmented LLM의 retrieval·tools·memory 빌딩블록을 시간 축으로 펼친 후속편이다.

에이전트 신중론의 재확인 원문의 “simpler solutions first” 원칙은 1년이 지나도 유효하다. 복잡한 에이전트를 배포한 팀들이 디버깅과 비용 문제를 겪으며 단순화로 돌아오는 패턴이 반복됐다. “가장 성공한 구현은 복잡한 프레임워크를 쓰지 않았다”는 원문 관찰이 커뮤니티에서 거듭 확인됐다.


마치며

“Building Effective Agents”는 특정 기술이 아니라 판단 기준을 제공한다. 5가지 패턴은 레시피가 아니라 어휘다. 주어진 문제를 이 어휘로 서술할 수 있게 되면, 무엇을 선택하고 무엇을 버릴지가 명확해진다.

가장 중요한 한 가지를 꼽는다면: 에이전트가 기본값이 아니라는 것이다. 단순함에서 출발해 필요한 만큼만 복잡성을 추가하는 것 — 이것이 원문 전체를 관통하는 메시지다.


참고

  1. Anthropic, “Building Effective Agents”, 2024-12-19. https://www.anthropic.com/engineering/building-effective-agents. 워크플로우·에이전트 구분, 5가지 패턴, 3대 원칙, 프레임워크 권고를 포함한 에이전트 설계 기준 문서. ↩︎ ↩︎2 ↩︎3 ↩︎4 ↩︎5 ↩︎6 ↩︎7 ↩︎8 ↩︎9 ↩︎10 ↩︎11

  2. Anthropic Engineering, “Equipping agents for the real world with Agent Skills”, 2025-10-16. https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills. BEA Agent-Computer Interface 원칙의 재사용 가능한 절차적 지식 패키지 표준화. ↩︎

  3. Anthropic Engineering, “Effective harnesses for long-running agents”, 2025-11-26. https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents. BEA Orchestrator-Workers 패턴의 장기 실행 시나리오 확장. ↩︎

  4. Anthropic Engineering, “Effective context engineering for AI agents”, 2025-09-29. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents. BEA Augmented LLM 빌딩블록의 시간 축 확장 후속편. ↩︎

This post is licensed under CC BY 4.0 by the author.