Agentic AI 설계 패턴은 단순한 모델 호출을 넘어서, 목표 설정부터 계획 수립, 실행, 검증, 협업까지 포함하는 “지능형 시스템 아키텍처”를 만드는 방법론입니다. 각 패턴은 문제의 복잡도, 리스크, 요구되는 신뢰도에 따라 선택됩니다. 아래는 11가지 패턴을 구조적 관점에서 자세히 풀어 설명한 내용입니다. 1. Planner → Executor 패턴 이 패턴은 목표를 계획과 실행으로 분리합니다. Planner는 문제를 단계별 작업으로 분해하고, Executor는 이를 순차적으로 수행합니다. 예를 들어 “반도체 공급망 리스크 분석”을 요청하면 Planner는 데이터 수집, 이상 탐지, 시나리오 분석으로 나누고 Executor가 각 단계 수행합니다. 장점은 복잡한 문제를 구조화할 수 있다는 점이며, 단점은 계획 오류가 전체 결과에 영향을 준다는 것입니다. 적합한 경우는 멀티스텝 분석, 리서치 자동화, 워크플로우 자동화입니다. 2. Router 패턴 입력 요청을 가장 적절한 모델이나 에이전트로 보내는 역할을 합니다. 예를 들어 기술 질문은 LLM A, 코드 생성은 LLM B, 수치 계산은 Python 툴로 보내는 방식입니다. 멀티모델 시스템에서 비용 최적화와 성능 향상에 핵심적입니다. Ontology 기반 분류와 결합하면 매우 강력한 라우팅이 가능합니다. 3. Supervisor 패턴 여러 Worker 에이전트를 감독하는 중앙 컨트롤러입니다. 작업 진행 상태를 모니터링하고 오류 발생 시 재시도 또는 다른 전략을 선택합니다. 실제 시스템에서는 Supervisor가 로그, 품질, 실패율을 관리하는 역할을 합니다. 특히 신뢰성이 중요한 산업 환경에서 필수적입니다. 4. Orchestrator 패턴 전체 시스템 흐름을 관리하는 상위 개념입니다. Planner, Router, Worker, Tool 호출까지 포함해 전체 실행 상태를 추적합니다. 단순한 Supervisor보다 더 넓은 범위의 제어를 수행합니다. 예를 들어 ETL, 분석, 보고 생성까지 하나의 파이프라인으로 관리합니다. 5. Worker 패턴 특정 작업을 수행하는 전문 에이전트입니다. 예를 들어 코드 생성 Worker 논문 요약 Worker 데이터 분석 Worker 이렇게 기능별로 나뉩니다. 마이크로서비스 구조와 유사하며 재사용성과 확장성이 높습니다. 6. Swarm 패턴 중앙 통제 없이 여러 에이전트가 병렬로 협업하는 구조입니다. 각 에이전트는 독립적으로 탐색하고 결과를 공유합니다. 예를 들어 신약 후보 물질 탐색처럼 탐색 공간이 큰 문제에 적합합니다. 단점은 통제와 일관성 유지가 어렵다는 점입니다. 7. Reflection Loop 패턴 에이전트가 자신의 결과를 검토하고 반복적으로 개선하는 구조입니다. 예를 들어 초안 생성 → 오류 검토 → 수정 → 재검토 이 과정을 반복합니다. Explainable AI 관점에서는 내부 reasoning 개선 메커니즘으로 활용됩니다. 8. Critic 패턴 출력 결과를 평가하는 별도의 평가 에이전트입니다. 정확성, 논리성, 정책 준수 등을 기준으로 피드백을 제공합니다. 예를 들어 규제 문서 작성 시 compliance 검증에 활용됩니다. Reflection Loop와 결합하면 성능이 크게 향상됩니다. 9. Judge 패턴 여러 결과 중 최적의 결과를 선택하는 역할입니다. 예를 들어 서로 다른 모델이 생성한 답변을 비교하여 가장 적절한 것을 선택합니다. LLM 앙상블 구조와 유사합니다. 신뢰도 향상에 매우 효과적입니다. 10. Multi-Agent Debate 패턴 여러 에이전트가 서로 다른 관점을 가지고 토론하는 구조입니다. 예를 들어 Agent A는 비용 최적화 관점 Agent B는 리스크 최소화 관점 이렇게 논쟁을 통해 더 균형 잡힌 결론을 도출합니다. 정책 결정, 전략 수립에 매우 유용합니다. 11. Human-in-the-Loop 패턴 AI 결과를 사람이 검증하거나 승인하는 구조입니다. 특히 의료, 금융, 법률과 같은 고위험 영역에서 필수입니다. 예를 들어 AI가 생성한 보고서를 전문가가 최종 검토 후 승인합니다. 완전 자동화보다 속도는 느리지만 신뢰성과 책임성을 확보할 수 있습니다. 핵심 구성 요소 설명 Memory 단기 메모리는 현재 세션 맥락을 유지하고, 장기 메모리는 사용자 이력이나 지식 축적을 담당합니다. RDF나 Knowledge Graph 기반 메모리는 explainability와 추적성을 크게 향상시킵니다. Tool 및 MCP Integration 외부 API, 데이터베이스, 계산 엔진과 연결하는 부분입니다. 예를 들어 Python 실행, SQL 조회, 실시간 데이터 API 호출 등이 포함됩니다. MCP는 이러한 연결을 표준화하는 인터페이스 역할을 합니다. Observability 에이전트 시스템의 상태를 모니터링하는 기능입니다. 지연 시간, 비용, 실패율, 호출 로그 등을 추적합니다. 대규모 시스템에서는 필수입니다. Evaluation 모델과 시스템의 품질을 지속적으로 측정합니다. 정확도, 일관성, 안전성 등을 자동 평가합니다. A/B 테스트나 벤치마크와 결합됩니다. Governance 및 Guardrails 정책, 보안, 접근 제어를 담당합니다. 예를 들어 데이터 접근 권한 제한 민감 정보 필터링 규제 준수 체크 이러한 요소들이 포함됩니다. 정리 관점에서 보면 단일 작업 자동화는 Worker 복잡한 워크플로우는 Planner Orchestrator 신뢰성 강화는 Critic Judge Reflection 대규모 협업은 Swarm Debate 고위험 영역은 Human-in-the-Loop 이렇게 매핑할 수 있습니다.
