Graph Engineering은 AI 애플리케이션을 하나의 자율 에이전트가 아니라 실행 가능한 그래프로 설계하는 접근이다. 에이전트, 도구, 결정적 함수, 정책, 데이터 소스, 평가자, 사람 승인 단계를 노드와 엣지로 명시해 상태 전이와 실패 복구를 통제한다.
단일 루프의 한계
단일 에이전트 루프에서는 모델이 언제 검색할지, 충분한 근거가 모였는지, 검증이 필요한지, 언제 끝낼지를 대부분 컨텍스트 안에서 판단한다. 작은 데모는 가능하지만 프로덕션 업무에서는 책임 경계가 흐려진다.
그래프 기반 설계는 “모델이 알아서 한다”를 줄이고, 어떤 단계에서 어떤 상태를 읽고 쓰는지 명시한다.
핵심 구성요소
| 구성요소 | 역할 |
|---|---|
| Node | LLM 호출, 도구 실행, 검색, 테스트, 정책 검사, 사람 승인 같은 bounded unit |
| Edge | 다음에 실행 가능한 노드와 조건 |
| State | 그래프 전체가 공유하는 typed record |
| Reducer | 병렬 노드가 같은 필드를 갱신할 때 병합 규칙 |
| Guard | 위험하거나 잘못된 전이를 막는 조건 |
| Checkpoint | 중단, 재개, 재현, 감사용 상태 스냅샷 |
| Interrupt | 사람 입력이나 승인을 기다리는 중단점 |
자주 쓰는 패턴
- Prompt chaining: 계획 → 검색 → 작성 → 검증처럼 고정 단계가 있을 때
- Routing: 요청 유형에 따라 전문 에이전트나 도구 브랜치로 보낼 때
- Parallelization: 독립적인 리서치 관점이나 테스트를 동시에 실행할 때
- Orchestrator-worker: 작업 수와 종류가 요청마다 달라질 때
- Evaluator-optimizer: 산출물 생성과 평가/수정을 반복할 때
- Human-in-the-loop: 외부 영향이 있는 작업 전 승인이나 편집이 필요할 때
설계 기준
결정적 규칙은 프롬프트가 아니라 코드에 둔다. 예를 들어 승인 금액 한도, 고객 데이터 접근 권한, 재시도 횟수, 발행 전 검수 조건은 LLM이 “중요해 보이면 물어보기”로 처리할 문제가 아니다. 라우팅 함수, guard condition, checkpoint 정책으로 남겨야 한다.
LLM은 의미 해석, 초안 작성, 모호한 분류, 계획 생성처럼 불확실성이 있는 노드에 배치한다. 송장 금액 계산, 권한 체크, 테스트 실행처럼 명확한 작업은 일반 코드가 더 낫다.
관련 문서
- agentic-loops — 스스로 피드백을 받아 수정하는 AI 에이전트 루프 설계
- agentic-loop-tips-three-loops — 추론·도구·사람 승인 루프를 분리해서 설계하기
- ai-agent-tips-loop-engineering — 루프 엔지니어링 기본 구성요소
- agent-harness — AI 에이전트 성능을 결정하는 하네스 설계
참고 자료
- Graph Engineering for AI Agents: Beyond the Single-Agent Loop — Analytics Vidhya (2026-07-29)