AI Agent 완벽 가이드 2: Agent 성숙도 7단계

AI Agent는 한 번에 복잡해지는 것이 아닙니다. 단순 LLM 호출에서 시작해 도구 사용, 순차 실행, 분기, 반복, 계획, 멀티 에이전트 구조로 갈수록 자율성과 운영 난도가 올라갑니다.

중요한 것은 높은 단계가 항상 좋은 선택은 아니라는 점입니다. 성숙도 단계는 “더 복잡하게 만들기 위한 순서”가 아니라 문제에 필요한 최소 복잡도를 고르기 위한 기준입니다.

레벨	이름	핵심 차이	적합한 상황
L0	Simple LLM Call	도구와 기억 없이 한 번 응답	초안 작성, 설명, 단순 변환
L1	Augmented LLM	검색/API/DB를 한 번 호출	최신 정보, 사내 문서, 계산 필요
L2	Chained Agent	정해진 단계대로 여러 작업 실행	번역, 요약, 코드 생성 파이프라인
L3	Router Agent	입력에 따라 실행 경로 선택	고객지원, 문서 분류, 작업 유형 분기
L4	ReAct / Loop Agent	관찰 결과를 보고 반복 실행	리서치, 디버깅, 탐색형 작업
L5	Planning Agent	장기 목표를 계획하고 재계획	보고서 작성, 경쟁사 분석, 장기 작업
L6	Multi-Agent System	역할이 나뉜 여러 에이전트 협업	대규모 코드 작업, 복합 분석, 조직형 workflow

flowchart LR
    L0[L0: Simple LLM] --> L1[L1: Tool Use]
    L1 --> L2[L2: Chain]
    L2 --> L3[L3: Router]
    L3 --> L4[L4: ReAct Loop]
    L4 --> L5[L5: Planning]
    L5 --> L6[L6: Multi-Agent]

L0. Simple LLM Call

가장 기본적인 형태입니다. 사용자가 prompt를 넣으면 LLM이 한 번 응답합니다. 외부 도구, memory, 검색이 없기 때문에 구현은 쉽지만 최신 정보나 사내 데이터에는 접근할 수 없습니다.

관점	내용
흐름	User prompt -> LLM -> Response
장점	빠르고 단순하며 비용 예측이 쉬움
한계	최신 정보 접근 불가, hallucination 위험
예시	이메일 초안, 코드 리뷰 초안, 마케팅 카피

L1. Augmented LLM

LLM이 필요할 때 외부 도구를 한 번 호출합니다. 검색, API, DB query, 계산기, code interpreter가 여기에 들어갑니다. Naive RAG도 이 단계로 볼 수 있습니다.

flowchart LR
    U[User Query] --> L[LLM]
    L --> T[Tool / Search / DB]
    T --> L
    L --> R[Response]

도구 유형	예
검색	RAG, web search
API	날씨, 주가, 업무 시스템
실행	계산기, code interpreter

한 번의 cycle로 끝나므로 결과가 부족해도 스스로 재검색하거나 계획을 바꾸지는 않습니다.

L2. Chained / Sequential Agent

여러 단계를 미리 정의된 순서대로 실행합니다. 앞 단계의 출력이 다음 단계의 입력이 되고, 중간에 gate를 넣어 품질을 확인할 수 있습니다.

flowchart LR
    A[Analyze] --> B[Process]
    B --> C{Gate}
    C -->|Pass| D[Output]
    C -->|Fail| B

예를 들어 문서 번역 파이프라인은 문맥 분석 -> 초벌 번역 -> 용어 검증 -> 최종 다듬기로 나눌 수 있습니다. 코드 생성 파이프라인은 요구사항 분석 -> 코드 생성 -> lint/test -> 리뷰/수정으로 구성할 수 있습니다.

이 단계는 agent처럼 보일 수 있지만 전체 실행 흐름은 코드가 정합니다. LLM은 각 단계의 작업자에 가깝습니다.

L3. Router / Branching Agent

입력을 분석해 적절한 경로로 분기합니다. LLM이 classifier 역할을 수행하거나 규칙 기반 router와 함께 사용됩니다.

flowchart LR
    I[Input] --> R[Router]
    R --> A[Simple Answer]
    R --> B[Search Pipeline]
    R --> C[Code Workflow]
    R --> D[Human Review]

고객지원 시스템에서는 환불 요청, 기술 문의, 일반 문의를 서로 다른 workflow로 보낼 수 있습니다. 이 구조는 모든 요청에 무거운 agent loop를 돌리지 않아도 되므로 비용과 latency를 줄이는 데 유리합니다.

L4. ReAct / Loop Agent

여기서부터 agent다운 구조가 시작됩니다. LLM이 상황을 판단하고 도구를 선택하며, 결과를 관찰한 뒤 다음 행동을 다시 정합니다.

flowchart LR
    T[Thought] --> A[Action]
    A --> O[Observation]
    O --> D{Done?}
    D -->|No| T
    D -->|Yes| R[Answer]

리서치 agent가 좋은 예입니다. 처음 검색 결과가 부족하면 query를 바꾸고 다른 source를 확인하며 필요한 경우 다시 검색합니다. 이 구조에는 반드시 max_iterations, 비용 한도, tool permission, 실패 시 fallback이 필요합니다.

L5. Planning Agent

실행 전에 전체 계획을 세우고 하위 task로 나눈 뒤, 실행 결과를 보고 계획을 수정합니다. long-horizon task에 적합합니다.

flowchart TB
    G[Goal] --> P[Plan]
    P --> T1[Task 1]
    P --> T2[Task 2]
    P --> T3[Task 3]
    T1 --> E[Evaluate]
    T2 --> E
    T3 --> E
    E --> R{Need Re-plan?}
    R -->|Yes| P
    R -->|No| O[Final Output]

예를 들어 “경쟁사 분석 보고서 작성”은 경쟁사 리스트 확정, 재무 데이터 수집, 제품 비교, SWOT 분석, 보고서 작성으로 나눌 수 있습니다. 중간에 데이터가 부족하면 계획을 바꿔 다른 source를 찾습니다.

L6. Multi-Agent System

여러 agent가 각자의 역할, 도구, prompt, context를 가지고 협업합니다. orchestrator가 작업을 분배하고 결과를 통합하거나, agent 간 handoff로 진행할 수 있습니다.

패턴	설명	예
Orchestrator-Worker	중앙 agent가 작업을 나누고 결과를 통합	Claude Code sub-agent 구조
Evaluator-Optimizer	generator가 만들고 evaluator가 평가	코드 리뷰, 번역 개선
Debate / Adversarial	서로 다른 관점의 agent가 주장과 반론 수행	의사결정 지원

Multi-Agent는 context window 한계를 줄이고 역할 전문화를 만들 수 있지만 디버깅과 관측 난도가 높습니다. 단일 agent로 충분한 문제에 먼저 multi-agent를 붙이면 비용과 실패 지점만 늘어납니다.

단계별 비교

레벨	자율성	도구 사용	흐름 결정	대표 기술
L0	없음	없음	코드	기본 LLM 호출
L1	낮음	단일 턴	코드 + LLM	RAG, Function Calling
L2	낮음	순차	코드	Chains, Workflow
L3	중간	분기	코드 + LLM	Router, Classifier
L4	높음	반복	LLM	ReAct, Tool Use Loop
L5	높음	계획 + 반복	LLM	Plan-and-Execute
L6	매우 높음	분산	다수 LLM	CrewAI, AutoGen, Sub-agents

선택 기준

Agent 성숙도는 목표가 아니라 선택 기준입니다. 복잡도를 올리기 전에는 세 가지를 먼저 확인합니다.

1. 이 문제는 단일 LLM 호출로 해결되지 않는가?
2. 도구 호출이나 검색이 실제로 필요한가?
3. 실행 중 재계획이나 반복이 품질을 유의미하게 높이는가?

이 질문에 답하지 못하면 높은 단계의 agent를 쓰는 것이 아니라 디버깅하기 어려운 workflow를 만드는 것에 가깝습니다.