LabHub

블로그

AI 에이전트 프레임워크 2026 — LangGraph / AutoGen / CrewAI / OpenAI Agents SDK / Anthropic Agent SDK 비교 심층 가이드

2026-05-15 · 34 분 읽기 · #ai-agent#langgraph#autogen#crewai#smolagents#mastra#pydantic-ai#openai-agents-sdk#claude-code-sdk#mcp#agent-frameworks#deep-dive

한국어English日本語

프롤로그 — 2026년, 에이전트 프레임워크의 캄브리아 폭발

2023년 봄, LangChain의 ReAct 노트북이 처음 인기를 끌었을 때만 해도 "에이전트 프레임워크"라는 단어는 거의 LangChain의 동의어였다. 2024년에는 AutoGen, CrewAI가 등장해 멀티 에이전트라는 단어가 유행했다. 2025년에는 OpenAI가 Swarm을 정식화한 Agents SDK를 발표했고, Anthropic은 Claude Code SDK라는 이름으로 자사 에이전트 루프를 외부에 풀었다. 그리고 2026년 현재, 이 시장은 캄브리아기 폭발 그 자체다.

같은 "AI 에이전트를 짜기 위한 도구"라는 카테고리 안에 — 모델 벤더 공식 SDK, 그래프 기반 상태 머신 프레임워크, 역할 기반 크루, 미니멀 코드 실행 에이전트, 풀스택 TypeScript 백엔드 프레임워크, 구조화 출력 우선 라이브러리, UI 통합 SDK가 모두 들어 있다. 이 글은 그 지도를 그린다.

에이전트 프레임워크는 라이브러리가 아니라 의견(opinion)이다. 어떤 프레임워크를 고른다는 건, 그 프레임워크가 내린 "에이전트란 이렇게 짜야 한다"는 의견에 동의한다는 뜻이다. 그래서 도구를 고르는 게 아니라 의견을 고른다.

이 글에서 다루는 것:

  1. 2026년 에이전트 프레임워크 지도 — 누가 만들고 누가 쓰나
  2. 에이전트는 무엇인가 — Andrew Ng의 4 패턴
  3. ReAct, Plan-and-Execute, Tree-of-Thought 핵심 패턴
  4. OpenAI Agents SDK (2025.3) — Swarm의 후계자
  5. Anthropic Agent SDK / Claude Code SDK (2025.9)
  6. LangGraph — 상태 머신 그래프
  7. AutoGen 0.4 — 멀티 에이전트 대화
  8. CrewAI — 역할 기반 크루
  9. smolagents, Mastra, Pydantic AI — 새로운 미니멀 진영
  10. MCP (2024.11) — 도구 통합 표준의 등장
  11. A2A — 에이전트 간 통신 표준
  12. 어떤 프레임워크를 골라야 하나
  13. 한국·일본 기업의 에이전트 도입
  14. 참고 자료

1장 · 2026년 AI 에이전트 프레임워크 지도

먼저 큰 그림. 프레임워크를 누가 만들었는지에 따라 분류하면 다음과 같다.

모델 벤더 공식 SDK 진영

오케스트레이션 프레임워크 진영

미니멀·코드 우선 진영

표준 진영 — 프레임워크가 아니라 프로토콜

이 지도가 의미하는 건 단순하다: "하나의 정답 프레임워크"는 없다. 어떤 문제냐, 어떤 팀이냐, 어떤 모델을 쓰냐에 따라 정답이 다르다.

2장 · 에이전트란 무엇인가 — Andrew Ng의 4 패턴

Andrew Ng는 2024년 봄 강연에서 에이전트의 4가지 핵심 디자인 패턴을 정리했다. 2년이 지난 지금도 가장 깔끔한 분류다.

패턴 1: Reflection (자기 비판) 모델이 자기 출력을 다시 비판하고 개선한다. 코드 리뷰처럼 "초안 → 비판 → 수정" 루프. 추가 모델 없이도 품질이 크게 오른다.

패턴 2: Tool Use (도구 사용) 모델이 외부 도구를 호출한다. 검색·계산기·코드 실행·API 호출. 이것이 LLM을 "에이전트"로 만드는 1차 단계다.

패턴 3: Planning (계획) 모델이 다단계 작업을 미리 계획한 뒤 실행한다. Plan-and-Execute 패턴. 복잡한 작업에서 즉흥 ReAct보다 효율적이다.

패턴 4: Multi-Agent (다중 에이전트) 여러 에이전트가 역할을 나눠 협업한다. 매니저-워커, debate, 작가-편집자 구조. 단일 에이전트의 컨텍스트 폭주 문제를 분산으로 푼다.

각 프레임워크가 어떤 패턴을 1급으로 지원하는지로 보면 분류가 쉬워진다.

프레임워크ReflectionTool UsePlanningMulti-Agent
OpenAI Agents SDK직접 짜야1급보조1급 (handoff)
Anthropic Agent SDK직접 짜야1급보조1급 (subagent)
LangGraph노드로 표현1급1급 (graph)1급
AutoGen1급 (critic)1급1급1급 (conversation)
CrewAI직접 짜야1급1급 (Process)1급 (Crew)
smolagents보조1급 (CodeAgent)보조보조
Pydantic AI보조1급보조보조
LlamaIndex Agents보조1급1급보조
Mastra보조1급1급 (workflow)1급
Vercel AI SDK보조1급보조보조

3장 · ReAct, Plan-and-Execute, Tree-of-Thought — 핵심 패턴 비교

프레임워크를 깊이 이해하려면 그 안의 "런타임 알고리즘"을 알아야 한다. 셋이 가장 자주 보인다.

3.1 ReAct (Reasoning + Acting)

원조 ReAct 논문은 Yao 등(2022)이다. 모델이 한 스텝마다 Thought·Action·Observation을 번갈아 내놓는다. 코드로는 단순한 while 루프.

while not done and step < max_steps:
    response = model.complete(messages)
    if response.is_final_answer:
        break
    tool_result = execute(response.tool_call)
    messages.append(response)
    messages.append(tool_result)
    step += 1

LangGraph의 prebuilt ReAct agent, OpenAI Agents SDK의 기본 에이전트, CrewAI의 기본 task 실행이 모두 이 패턴이다.

3.2 Plan-and-Execute

먼저 전체 계획을 세우고, 그 다음에 실행한다. Wang 등(2023)이 정리한 "Plan-and-Solve". 계획 단계에서 모델은 한 번만 호출되고, 실행 단계는 더 작은 모델이나 결정론적 코드가 맡을 수도 있다.

Stage 1 (Planner):  목표 → 단계 1, 단계 2, ..., 단계 N
Stage 2 (Executor): 각 단계를 순차/병렬 실행, 필요 시 재계획

LangGraph의 "Plan-and-Execute" 예제 그래프, CrewAI의 hierarchical Process가 이 패턴을 지원한다.

3.3 Tree-of-Thought

여러 추론 경로를 트리로 펼치고, 가장 유망한 가지를 골라 진행한다. Yao 등(2023). 비싸지만 어려운 추론·계획 문제에서 강하다.

        목표
       /  |  \
   생각A 생각B 생각C
     |    |    |
   ... 평가 후 최선 가지 선택 ...

순수 ToT를 1급 지원하는 프레임워크는 드물다. LangGraph로는 그래프로 짤 수 있고, AutoGen의 GroupChat을 변형해서 비슷한 효과를 낼 수도 있다.

4장 · OpenAI Agents SDK (2025.3) — Swarm의 후계

2025년 3월, OpenAI는 실험 프로젝트였던 Swarm을 정식 제품으로 승격한 Agents SDK를 공개했다. Python(공식)과 TypeScript(2025년 후반) 양쪽을 지원한다.

핵심 추상화

코드 예시

from agents import Agent, Runner, handoff

triage = Agent(
    name="triage",
    instructions="고객 질문을 분류하고 적절한 전문가에게 넘긴다.",
    handoffs=[refund_agent, support_agent],
)

result = Runner.run_sync(triage, "환불을 받고 싶어요")
print(result.final_output)

handoff는 LangGraph의 엣지나 AutoGen의 다음 화자 선택과 비슷하지만, 에이전트가 직접 함수처럼 다른 에이전트를 호출한다는 점이 다르다. 그래서 사고가 더 명령형(imperative)이다.

강점

약점

5장 · Anthropic Agent SDK / Claude Code SDK (2025.9)

Anthropic은 2024년부터 Claude Code라는 자체 코딩 에이전트를 운영해 왔다. 2025년 9월, 그 내부 엔진을 Claude Agent SDK라는 이름으로 외부에 공개했다.

핵심 컨셉

코드 예시

import { ClaudeAgent } from '@anthropic-ai/claude-agent-sdk'

const agent = new ClaudeAgent({
  model: 'claude-sonnet-4',
  systemPrompt: 'You are a careful research assistant.',
  tools: [webSearchTool, fileTool],
  hooks: {
    beforeToolUse: async (call) => {
      console.log('about to call', call.name)
    },
  },
})

const result = await agent.run('Explain MCP in 5 bullets.')

강점

약점

6장 · LangGraph — 상태 머신 그래프

LangGraph는 LangChain 팀이 만든 "에이전트를 그래프로 짜는" 프레임워크다. LangChain의 자유로운 chain 구성이 디버깅 악몽을 만들자, 명시적 노드·엣지·상태를 도입했다.

핵심 모델

코드 예시

from langgraph.graph import StateGraph, END

graph = StateGraph(State)
graph.add_node("planner", planner_node)
graph.add_node("executor", executor_node)
graph.add_node("verifier", verifier_node)

graph.set_entry_point("planner")
graph.add_edge("planner", "executor")
graph.add_conditional_edges(
    "verifier",
    lambda s: "retry" if s.needs_retry else "done",
    {"retry": "executor", "done": END},
)

app = graph.compile()
result = app.invoke({"goal": "deploy app"})

강점

약점

7장 · AutoGen 0.4 (Microsoft) — 멀티 에이전트 대화

Microsoft Research가 만든 AutoGen은 2023년부터 멀티 에이전트의 대표 주자였다. 2024년 말~2025년 초에 0.4 버전으로 거의 재작성되었고, 핵심은 비동기 actor 모델로 옮겨갔다.

핵심 컨셉

코드 예시 (0.4 새 API)

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

model = OpenAIChatCompletionClient(model="gpt-4o")
coder = AssistantAgent("coder", model_client=model)
reviewer = AssistantAgent("reviewer", model_client=model)

team = RoundRobinGroupChat([coder, reviewer], termination_condition=...)
result = await team.run(task="Implement quicksort in Python")

강점

약점

8장 · CrewAI — 역할 기반 크루

CrewAI는 2024년에 등장해, "프로토타이핑이 가장 빠른 멀티 에이전트 프레임워크" 자리를 차지했다. 메타포가 직관적이다: 에이전트는 역할(role)을 갖고, 크루(crew)는 임무(task)를 처리한다.

핵심 컨셉

코드 예시

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="Senior Researcher",
    goal="Find the latest trends in AI agents.",
    backstory="You are a tireless researcher with 10 years of experience.",
    tools=[search_tool],
)
writer = Agent(
    role="Tech Writer",
    goal="Turn research into a clear blog post.",
    backstory="You write for developers who want signal, not hype.",
)

research_task = Task(description="Research the top 5 trends.", agent=researcher)
write_task = Task(description="Write a 1000-word post.", agent=writer)

crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task], process=Process.sequential)
result = crew.kickoff()

강점

약점

9장 · smolagents, Mastra, Pydantic AI — 새로운 미니멀 진영

대형 프레임워크의 무거움에 지친 사람들을 위해 2024~2025년에 미니멀 진영이 등장했다.

9.1 smolagents (Hugging Face, 2024)

Hugging Face가 만든 의도적으로 작은 에이전트 라이브러리. 한 줄 요약: "코드는 새로운 함수 호출이다(Code is the new function call)."

from smolagents import CodeAgent, HfApiModel

agent = CodeAgent(tools=[search_tool], model=HfApiModel())
agent.run("What is the GDP per capita of Korea in 2025?")

9.2 Mastra (TypeScript, 2025년에 부상)

Mastra는 TypeScript의 풀스택 백엔드 프레임워크다. Vercel AI SDK가 React/Next.js 프론트 통합에 강하다면, Mastra는 백엔드 측 워크플로·메모리·에이전트·RAG를 한 박스에 담는다.

import { Agent } from '@mastra/core'

const agent = new Agent({
  name: 'support',
  instructions: 'You answer support questions.',
  model: { provider: 'OPEN_AI', name: 'gpt-4o' },
  tools: { lookupOrder, refund },
})

const result = await agent.generate('Where is my order?')

9.3 Pydantic AI (Pydantic 팀, 2024 후반)

Pydantic 팀이 만든 라이브러리. 한 줄 요약: "FastAPI가 웹에 해준 일을 LLM에 한다."

from pydantic import BaseModel
from pydantic_ai import Agent

class Order(BaseModel):
    id: str
    status: str

agent = Agent('openai:gpt-4o', result_type=Order)
result = await agent.run('Look up order 12345.')
print(result.data.status)  # 타입 안전

10장 · Model Context Protocol (MCP, 2024.11) — 도구 통합 표준의 등장

2024년 11월, Anthropic은 Model Context Protocol(MCP)을 공개했다. 한 줄 요약: 에이전트와 도구 사이의 USB-C.

문제의식

지금까지 각 프레임워크는 자기만의 도구 정의 포맷을 가졌다. LangChain Tool·OpenAI function·Anthropic tool_use가 다 조금씩 달랐다. 새 도구를 만들면 N개 프레임워크에 N번 짰다. MCP가 해결하려는 게 이거다.

핵심 컨셉

어떻게 쓰이나

의의

MCP는 "어떤 프레임워크를 고르느냐"와 별개의 결정으로 도구를 표준화한다. 프레임워크는 갈아탈 수 있어도, 잘 짠 MCP 도구는 다음 프레임워크에서도 쓸 수 있다. 이건 큰 락인 해소 장치다.

11장 · A2A (Agent-to-Agent) — 에이전트 간 통신 표준

MCP가 "에이전트 ↔ 도구"의 표준이라면, A2A는 "에이전트 ↔ 에이전트"의 표준 후보다. 2025년 봄에 Google이 처음 공개를 주도했고, 여러 업체가 참여하고 있다.

왜 필요한가

서로 다른 회사의 에이전트가 협업해야 하는 시대가 오고 있다. 예: 우리 회사의 영업 에이전트가, 파트너 회사의 가격 에이전트에 견적을 요청한다. 둘은 서로 다른 프레임워크·다른 모델·다른 호스트.

이때 필요한 것:

핵심 아이디어

A2A는 2026년 현재 아직 표준이 "확정"되지 않은 단계지만, 멀티 에이전트가 회사·플랫폼 경계를 넘으려면 결국 이런 표준이 필요하다. MCP가 1년 만에 사실상 표준이 된 것처럼, A2A도 빠르게 자리잡을 가능성이 있다.

12장 · 어떤 프레임워크를 골라야 하나

이제 결정 가이드. 시나리오별로 추천을 정리한다.

시나리오 A — "주피터 노트북으로 빠르게 한 번 돌려보고 싶다"

→ OpenAI Agents SDK 또는 CrewAI. 10분이면 결과가 나온다.

시나리오 B — "프로덕션 챗봇·서포트 에이전트가 필요하다"

→ OpenAI Agents SDK (OpenAI 모델 위주) 또는 Anthropic Agent SDK (Claude 위주). guardrail·trace·권한 게이트가 1급이다.

시나리오 C — "워크플로가 복잡하고 분기·재시도가 많다"

→ LangGraph. 명시적 그래프와 체크포인트가 빛난다.

시나리오 D — "에이전트 여러 명이 토론하고 협업해야 한다"

→ AutoGen 0.4 또는 CrewAI. 멀티 에이전트 메타포가 강한 쪽이다.

시나리오 E — "RAG 중심 — 우리 문서를 잘 검색하는 에이전트"

→ LlamaIndex Agents. 인덱싱·retrieval이 1급. 또는 Mastra TS 백엔드.

시나리오 F — "TypeScript/Next.js 풀스택. 백엔드+프론트 통합"

→ Vercel AI SDK (UI 중심) + Mastra (백엔드 워크플로).

시나리오 G — "타입 안전성과 구조화 출력이 최우선"

→ Pydantic AI (Python) 또는 Vercel AI SDK (TS).

시나리오 H — "코드 실행이 핵심 도구다 — 데이터 분석·과학"

→ smolagents의 CodeAgent. 또는 OpenAI Code Interpreter.

시나리오 I — "엔터프라이즈 — 다중 모델 벤더, 감사, 거버넌스"

→ Bee Agent Framework (IBM) 또는 LangGraph + LangSmith.

시나리오 J — "나중에 다른 회사 에이전트와 협업할 가능성"

→ MCP 지원이 있는 어떤 프레임워크든. A2A 발전 동향을 주시.

결정 체크리스트 (10 항목)

  1. 어떤 모델을 1순위로 쓸 건가? (벤더 락인 SDK를 받아들일 수 있나)
  2. 단일 에이전트인가 멀티인가?
  3. ReAct로 충분한가, Plan-and-Execute가 필요한가?
  4. 그래프 시각화와 상태 머신이 필요한가?
  5. 인간 개입(human-in-the-loop)이 필요한가?
  6. 체크포인트·시간 여행이 필요한가?
  7. 도구는 MCP로 표준화할 가치가 있는가?
  8. trace 대시보드는 어디서 볼 건가? (LangSmith, OpenAI traces, 자체)
  9. 언어 선호? Python인가 TypeScript인가?
  10. 6개월 후 다른 프레임워크로 갈아탈 출구가 있는가?

13장 · 한국·일본 기업의 에이전트 도입

마지막으로 동아시아의 도입 현황을 짧게.

한국

일본

공통 패턴

14장 · 참고 / References

공식 문서 우선, 주요 학술/공개 발표 자료만 모았다.

프레임워크 공식 문서

프로토콜과 표준

핵심 논문 / 디자인 패턴

참고 글

에필로그 — 의견을 고른다는 것

이 글의 한 문장 요약: 에이전트 프레임워크는 도구가 아니라 의견이다. OpenAI Agents SDK는 "에이전트는 함수처럼 서로 handoff한다"고 본다. LangGraph는 "에이전트는 상태 머신이다"라고 본다. CrewAI는 "에이전트는 역할이다"고 본다. Anthropic Agent SDK는 "에이전트는 컨텍스트 관리가 모든 것을 결정한다"고 본다. smolagents는 "에이전트는 코드를 짠다"고 본다.

같은 문제도 의견이 다르면 해법이 다르다. 그래서 — 모델을 고를 때만큼 — 프레임워크의 의견을 의식하고 고르자.

다음 글 후보: 에이전트 평가 시스템 심층(Inspect AI·Promptfoo·LangSmith), MCP 서버 직접 짜기, 서브에이전트 오케스트레이션 패턴.

"프레임워크는 라이브러리가 아니라 의견이다. 의견을 고른다는 자각이, 도구 선택의 첫 단추다."

— AI 에이전트 프레임워크 2026, 끝.

원문 보기: https://www.youngju.dev/blog/culture/2026-05-15-ai-agent-frameworks-2026-langgraph-autogen-crewai-openai-agents-sdk-anthropic-claude-code-deep-dive

댓글

아직 댓글이 없습니다.

로그인하면 댓글을 쓸 수 있습니다