Deep Agents 팁 – LangChain·LangGraph와 선택 기준 구분하기

세 계층의 역할
선택 기준
Deep Agents부터 시작할 때
LangChain으로 내려갈 때
LangGraph가 필요한 때
실무 규칙
관련 문서
참고 자료

LangChain 생태계의 Deep Agents, LangChain, LangGraph는 경쟁 제품이라기보다 서로 다른 추상화 계층이다. Deep Agents는 기본값이 많은 agent harness, LangChain은 agent framework와 integration layer, LangGraph는 durable graph runtime이다.

세 계층의 역할

계층	역할	추상화 수준	주된 선택 이유
Deep Agents	agent harness	높음	파일시스템, subagent, skills, memory 같은 context management 기본값 필요
LangChain	agent framework	중간	간단한 tool loop와 middleware를 직접 조합
LangGraph	agent runtime	낮음	그래프 모양, human-in-the-loop, fault tolerance, 결정론적 단계 제어

Deep Agents도 내부적으로는 LangChain agent와 middleware 위에 쌓인다. LangChain agent와 Deep Agents는 LangGraph 런타임 위에서 동작할 수 있고, LangGraph workflow 안에 둘을 노드로 넣을 수도 있다.

선택 기준

Deep Agents부터 시작할 때

다음 조건이면 Deep Agents가 가장 빠르다.

장시간 research, coding, GTM, 문서 작성처럼 context가 커지는 작업
subagent와 skills를 자연스럽게 써야 하는 작업
memory와 파일시스템을 기본 하네스로 받고 싶은 경우
팀이 agent harness best practice를 직접 계속 관리하기 어려운 경우

Deep Agents는 agency를 크게 준다. 그만큼 결과 검증, 권한 경계, 비용 감시가 필요하다.

LangChain으로 내려갈 때

LangChain은 core agent loop를 작게 유지하고 싶은 경우에 맞다. 예를 들어 RAG Q&A bot처럼 검색 도구 몇 개와 모델 루프만 있으면 되는 앱은 Deep Agents의 filesystem, subagent, memory가 과할 수 있다. 이때 create_agent와 middleware로 필요한 부분만 붙인다.

초저지연 앱도 LangChain 쪽이 유리할 수 있다. 모델에 들어가는 context와 middleware hook을 더 직접 통제할 수 있기 때문이다.

LangGraph가 필요한 때

LangGraph는 workflow 자체의 모양이 중요할 때 고른다. 예를 들어 임대 신청서 처리처럼 “문서 추출은 LLM, 점수 계산은 코드, borderline case는 사람 승인”인 프로세스는 agent loop보다 그래프가 낫다. 모델이 다음 단계를 매번 결정하게 할 이유가 없기 때문이다.

민감한 업무에서는 determinism이 reliability다. 승인, 결제, 정책 위반 판단, compliance check는 그래프 노드나 middleware로 명확히 고정하는 편이 낫다.

실무 규칙

새 agent를 빠르게 만들거나 기존 agent를 재설계한다면 Deep Agents에서 시작한다.
기본 context management가 부담이거나 짧은 tool loop면 LangChain으로 낮춘다.
업무 절차가 그래프이고 deterministic step이 많으면 LangGraph로 설계한다.
한 번의 선택으로 고정하지 말고, create_agent나 create_deep_agent를 LangGraph workflow 안에 넣는 식으로 조합한다.

참고 자료

Deep Agents vs LangChain vs LangGraph — LangChain Blog (2026-08-06)

Like?

AI Sparkup