Agentic Workflow 개인 학습 로드맵
Agentic Workflow는 패턴 이름을 외우는 것보다 유즈케이스를 어떤 실행 구조로 바꿀지 판단하는 것이 중요하다. 같은 문제도 비용, 품질 기준, 실패 비용에 따라 다른 패턴을 선택할 수 있다.
실전 유즈케이스 매핑
Prompt Chaining
마케팅 카피 생성
브리프 → 아웃라인 → 초안 → 편집 → 번역. 각 단계 게이트로 품질 보장.
Routing
고객지원 자동화
환불/기술/일반 문의 분류 후 전문 핸들러로. Router는 Haiku, Handler는 Sonnet.
Parallelization
코드 리뷰 자동화
보안/성능/스타일 관점을 병렬 검토 후 통합 리포트. 관점별 전문 프롬프트.
Orchestrator-Workers
코딩 에이전트
Claude Code처럼 런타임에 Grep/Read/Edit/Bash 워커를 동적 분배.
Evaluator-Optimizer
고품질 번역
Generator가 번역, Evaluator가 용어·톤·자연스러움 평가. 최대 3회 루프.
Autonomous Agent
브라우저 자동화
Computer Use: 목표만 주고 클릭·입력·관찰을 스스로 판단.
Swarm Topology
다역할 고객지원
결제 → 기술 → 법무 상담원끼리 필요시 자율 handoff. 중앙 감독 없음.
Hierarchical Topology
엔터프라이즈 에이전트 플랫폼
Top supervisor → 회계/법무/고객 팀 supervisor → 각 팀 워커들. 대규모 책임 격리.
Human-in-the-Loop
결제·발송 승인
에이전트가 이메일 50명 발송 직전 일시정지 → 사람 검토 → 재개. 실수 비용이 큰 모든 곳.
하이브리드 조합 예시
실무에서는 단일 패턴보다 조합이 많습니다:
Router → Orchestrator: 입력 타입별 라우팅 후 동적 분해
Chain + Evaluator: 각 단계마다 평가자로 품질 게이트
Agent + Parallelization: 에이전트가 병렬 서브 에이전트 호출
Agent + HITL: 자율 실행하되 되돌릴 수 없는 작업 직전만 승인 — 프로덕션 표준 조합
Hierarchical + Swarm: 상위는 계층 구조, 각 팀 내부는 swarm — 대규모 기업형 멀티에이전트
Orchestrator + Evaluator: 워커 결과를 평가자가 검증, 기준 미달 시 재위임
설계 원칙
Start simple. 단일 LLM 호출로 풀 수 있으면 거기서 멈춘다. 패턴을 쌓을수록 디버깅이 어려워진다.
Measure before adding complexity. 복잡도 추가가 성능 이득을 정량적으로 만드는지 확인한 뒤 결정한다.
Augmented LLM이 기본 블록이다. 모든 패턴은
LLM + Tools + Memory + Retrieval을 어떻게 조합하느냐의 문제다.Autonomous Agent에는 가드레일이 필수다. Max steps, 비용 한도, Human check-in, sandbox를 먼저 둔다.
투명성이 곧 신뢰다. 에이전트가 무엇을 왜 하는지 로깅하고 보여줘야 한다.
평가 주도 개발이 필요하다. 에이전트를 만들기 전에 평가셋부터 준비해야 개선과 회귀를 구분할 수 있다.
Context Engineering이 long-horizon agent의 병목이다. 어떤 memory를 압축, 요약, 폐기할지 설계해야 한다.
되돌릴 수 없는 작업에는 Human-in-the-Loop가 필요하다. 결제, 발송, 삭제, 권한 변경은 사람이 개입할 지점을 미리 둔다.
State persistence는 agent의 undo 역할을 한다. checkpoint로 step 상태를 저장하면 실패 복구와 디버깅이 쉬워진다.
추가 정리
핵심 요약
Agentic Workflow 학습은 패턴을 암기하는 것이 아니라, 문제를 어떤 실행 구조로 바꿀지 판단하는 훈련이다. 유즈케이스를 패턴에 매핑하는 연습이 중요하다.
보충 해설
좋은 연습 방법은 하나의 문제를 여러 패턴으로 다시 설계해 보는 것이다. 예를 들어 코드 리뷰는 Parallelization으로, 고객지원은 Routing으로, 장기 리서치는 Orchestrator-Workers로, 배포 승인 흐름은 Human-in-the-Loop로 모델링할 수 있다.