에이전트가 많아질수록 오히려 헷갈리는 게 있습니다. “이 에이전트들을 어떻게 연결하지?” 단순히 에이전트를 더 붙이는 건 쉬운데, 어떤 구조로 묶어야 빠르고 정확하며 비용도 아낄 수 있는지는 전혀 다른 문제거든요.

Anthropic이 수십 개 팀의 에이전트 프로덕션 경험을 바탕으로, 실무에서 실제로 쓰이는 워크플로우 패턴 3가지를 정리한 글을 공식 블로그에 발표했습니다. 핵심 메시지는 명확합니다. “잘못된 패턴 선택은 레이턴시, 비용, 신뢰성 모두에서 대가를 치른다.”

출처: Common workflow patterns for AI agents – Anthropic

워크플로우가 에이전트 자율성을 대체하는 게 아닙니다

먼저 개념 구분이 중요합니다. 완전 자율 에이전트는 어떤 도구를 쓸지, 어떤 순서로 실행할지, 언제 멈출지를 스스로 결정합니다. 반면 워크플로우는 그 자율성의 범위를 설계하는 것입니다. 전체 흐름과 체크포인트를 사전에 정의하되, 각 단계 안에서는 여전히 에이전트의 추론과 도구 사용이 일어납니다.

제조 공장의 조립 라인과 비슷합니다. 각 구간의 작업자는 자신의 영역에서 판단을 내리지만, 전체 흐름은 미리 설계돼 있죠. 에이전트 워크플로우도 같은 원리입니다.

패턴 1: 순차 워크플로우 (Sequential)

작업을 정해진 순서로 하나씩 실행합니다. 각 단계의 출력이 다음 단계의 입력이 되는 선형 구조입니다.

적합한 경우: 마케팅 카피 생성 후 다국어 번역, 문서에서 데이터 추출 후 스키마 검증 후 DB 적재, 콘텐츠 모더레이션(추출→분류→규칙 적용→라우팅) 같은 단계 간 의존성이 명확한 작업에 잘 맞습니다.

트레이드오프: 각 단계가 이전 단계를 기다려야 해서 레이턴시가 늘어납니다. 대신 각 에이전트가 하나의 일에 집중하는 만큼 정확도가 올라갑니다.

한 가지 실용적인 팁이 있습니다. 멀티스텝 워크플로우로 바로 가지 말고, 먼저 단일 에이전트 하나로 시도해보세요. 그게 충분하면 복잡도를 추가할 이유가 없습니다.

패턴 2: 병렬 워크플로우 (Parallel)

서로 독립적인 작업들을 여러 에이전트에 동시에 분산해 실행한 뒤 결과를 모읍니다. 분산 시스템의 fan-out/fan-in 패턴과 유사합니다.

적합한 경우: 코드 리뷰(각 에이전트가 다른 취약점 카테고리 담당), 문서 분석(핵심 주제 추출·감성 분석·사실 검증을 동시에), 다차원 품질 평가 시나리오에서 효과적입니다. 또한 각 에이전트를 독립적으로 개발·최적화할 수 있어 팀 간 관심사 분리에도 유용합니다.

트레이드오프: API 동시 호출이 늘어나 비용이 증가하고, 결과를 어떻게 합칠지(다수결? 신뢰도 평균? 가장 전문화된 에이전트 우선?) 집계 전략을 미리 설계해야 합니다. 이 전략 없이 시작하면 충돌하는 결과물만 쌓입니다.

패턴 3: 평가자-최적화 워크플로우 (Evaluator-Optimizer)

생성 에이전트와 평가 에이전트를 짝지어 반복 사이클을 돌립니다. 생성기가 콘텐츠를 만들고, 평가자가 기준에 맞춰 피드백을 주고, 생성기가 이를 반영해 다시 만드는 과정을 품질 기준을 충족하거나 최대 반복 횟수에 도달할 때까지 반복합니다.

이 패턴의 핵심 통찰은 “생성”과 “평가”가 서로 다른 인지 작업이라는 점입니다. 분리하면 각각 전문화가 가능합니다.

적합한 경우: API 문서 자동 생성(완성도·정확성 평가), 고객 커뮤니케이션(톤·정책 준수 평가), 보안 요건이 있는 SQL 쿼리 생성에 잘 맞습니다.

트레이드오프: 토큰 사용량이 크게 늘고 반복 시간이 추가됩니다. 중요한 건 중단 조건을 미리 정의해두는 것입니다. 최대 반복 횟수와 품질 임계값 없이 시작하면 평가자는 계속 사소한 문제를 찾고 생성기는 계속 수정하는 루프에 빠질 수 있습니다.

세 패턴은 조합해서 쓰는 빌딩블록입니다

이 패턴들은 서로 배타적이지 않습니다. 순차 워크플로우 안에 병렬 처리 단계를 넣을 수 있고, 평가자-최적화 루프에서 여러 평가자를 병렬로 돌릴 수도 있습니다.

패턴 선택의 기본 원칙은 “가장 단순한 것부터”입니다. 단일 에이전트로 충분하면 워크플로우 자체가 필요 없습니다. 순차로 해결되면 병렬을 추가하지 않습니다. 첫 시도 품질이 기준을 충족하면 평가자-최적화 루프는 불필요합니다.

복잡한 요구사항이 생기면 패턴을 업그레이드하면 되는데, 이 세 패턴이 모듈식이라 완전한 재작성 없이 확장할 수 있다는 점도 실용적인 장점입니다.

구현 가이드, 상세 예시, 하이브리드 패턴에 대해서는 Anthropic의 전체 백서 Building effective AI agents에서 확인할 수 있습니다.