요청하신 소스 문서 3종(raw/2026년을 지배하는 AI GitHub 저장소들, 왜 알아둬야 하는가.md, raw/CLAUDE.md vs DESIGN.md. What to Put in Each for Claude Code.md, raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md)을 정밀하게 분석하여 신규 위키 노트 에이전틱 워크플로우.md 작성을 완료했습니다.
해당 노트는 위키 저장소 경로(llm-wiki/wiki/에이전틱 워크플로우.md)에 생성되었으며, 작성된 노도의 전문은 아래와 같습니다.
[생성된 위키 노트 전문]
---
type: workflow
status: draft
core: false
tags:
- llm
- agent
- workflow
aliases:
- Agentic Workflow
- 에이전틱 프레임워크
sources:
- raw/2026년을 지배하는 AI GitHub 저장소들, 왜 알아둬야 하는가.md
- raw/CLAUDE.md vs DESIGN.md. What to Put in Each for Claude Code.md
- raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md
created: '2026-08-27'
updated: '2026-08-27'
---
# 에이전틱 워크플로우
## 한 줄 정의
단순한 일회성 프롬프트-응답 방식을 넘어, [[LLM]]이 목표 달성을 위해 계획 수립, 도구 호출(Tool Calling), 결과 검증, 예외 보정 및 다단계 추론을 자율적으로 반복 실행하도록 설계된 동적 시스템 흐름이다.
## 핵심 요지
- **자율적 루프 및 상태 관리**: 입력을 받아 단번에 답변을 생성하는 체인(Chain) 구조와 달리, [[LangGraph]]나 [[n8n]]처럼 상태(State)를 유지하며 조건부 분기(Conditional branching) 및 피드백 루프를 거쳐 작업을 완수한다.
- **도구 연동 및 환경 상호작용**: Shell 명령 실행, 브라우저 탐색, API 연동, 데이터베이스 조회 등을 활용하여 챗봇을 넘어 실제 행동하는 [[자율 에이전트]]로 동작한다.
- **에이전틱 프론티어와 하이브리드 라우팅**: 최신 프론티어 AI 모델들([[Claude Code]], [[Claude Sonnet 4.6]], [[GPT-5.5]])은 에이전틱-퍼스트(agentic-first) 환경에 최적화되어 자율 검증 루프를 기본 수행한다. 그러나 복잡한 에이전틱 워크플로우 전체를 고가의 상용 모델에만 의존할 경우 막대한 비용과 벤더 종속성이 발생하므로, [[오픈소스 모델]]과의 하이브리드 라우팅이 필수적이다.
## 상세
### 1. 에이전틱 워크플로우의 3단계 추론 프레임워크
에이전틱 워크플로우는 처리하는 작업의 **추론 난이도(Reasoning demand)**에 따라 3단계로 구분된다 (raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md):
1. **1단계: 단순 추론 영역 (Low reasoning demand)**
- 문서 요약, 이메일 스팸 분류, 폼 데이터 추출, 텍스트 번역 등 기계적 작업.
- 에이전틱 루프 없이 [[Ollama]] 기반 경량 로컬 모델이나 단순 파이프라인으로 충분히 해결 가능하다.
2. **2단계: 중간 추론 영역 (Medium reasoning demand)**
- 단순 스타일 검증을 넘어선 코드 리뷰, 다중 소스 종합 분석 리포트, 복잡한 대화 맥락 유지가 필요한 챗봇.
- [[Dify]]나 [[LangChain]]을 활용한 [[RAG]] 및 가중치 공개 오픈소스 모델([[DeepSeek-V4-Pro]], [[GLM-5.1]])로 비용 효율적인 에이전틱 시스템 구축이 가능하다.
3. **3단계: 고난도 추론 영역 (High reasoning demand)**
- 대규모 레거시 코드베이스 전체를 분석해 버그를 수정하는 자율 코딩 에이전트, 리서치 에이전트, 적대적 침투 테스트 등.
- 수십 단계에 이르는 추론 체인을 유지하고 자체 에러 보정 및 롤백을 수행해야 하므로 프론티어 상용 모델([[GPT-5.5]], [[Claude Opus 4.7]])의 압도적 우위가 나타난다.
### 2. 생태계 및 구현 도구
2026년 AI 오픈소스 지형(raw/2026년을 지배하는 AI GitHub 저장소들, 왜 알아둬야 하는가.md)은 에이전틱 워크플로우 구축 도구들을 중심으로 빠르게 성장했다:
- **워크플로우 오케스트레이션**: [[LangGraph]] (상태 기반 조건부 워크플로우), [[n8n]] (비주얼/커스텀 JS 연동 자동화 플랫폼), [[Dify]] (에이전틱 워크플로우 및 멀티 프로바이더 관리 플랫폼).
- **행동형 에이전트 및 터미널 툴**: [[OpenClaw]] (메시징, 브라우저, 쉘 명령어를 넘나드는 자율 에이전트), [[Google Gemini CLI]] (`npx @google/gemini-cli` 기반 터미널 네이티브 에이전트 보조).
- **근거 기반 추론(Grounded Reasoning)**: [[RAGFlow]] (문서 파이프라인부터 에이전틱 추론 및 인용 추적성 제공).
- **운영 프로세스 문서화**: [[Claude Code]] 환경에서 [[CLAUDE.md]]는 5단계 코드 변경 워크플로우(조회 $\rightarrow$ 패턴 재사용 $\rightarrow$ 최소 수정 $\rightarrow$ 검증 $\rightarrow$ 요약)를 통해 에이전트의 자체 검증 루프를 정밀 제어한다 (raw/CLAUDE.md vs DESIGN.md. What to Put in Each for Claude Code.md).
### 3. 실무 지표 및 비용/안정성 분석
- **성능 격차 지표**: NIST CAISI의 2026년 5월 평가 보고서에 따르면, 자율 소프트웨어 엔지니어링 벤치마크인 'SWE-bench Verified'에서 미국 최고의 프론티어 모델이 66.7점을 기록한 반면 오픈소스 모델인 [[DeepSeek V3.1]]은 54.8점을 기록하여 다단계 에이전틱 수선 작업에서 유의미한 지능 격차를 보였다 (raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md).
- **비용 폭발 리스크**: Uber의 CTO Praveen Neppalli Naga는 2026년 4월, [[Claude Code]]를 도입한 5,000명의 개발자가 단 4개월 만에 2026년 전체 AI 코딩 예산을 탕진했다고 밝혔다 (개발자 1인당 월평균 $200, 월 $1,000,000 지출) (raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md).
- **비용 절감 대안**: [[GPT-5.5]] 대비 [[DeepSeek-V4-Pro]] 단가는 7배 이상 저렴하며, [[Claude Sonnet 4.6]] 대비로도 약 4배 저렴하다 (raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md). 단순 검증 및 1~2단계 태스크를 오픈소스 모델로 우회 라우팅하는 에이전틱 하이브리드 설계가 필수적이다.
- **단일 벤더 종속 및 장애 리스크**: Anthropic 장애 리포트에 따르면 2026년 5월 한 달 동안 5차례의 인시던트가 발생했고(5월 22일 [[Claude Opus 4.7]] 및 [[Claude Sonnet 4.6]] 90분 에러율 폭증 등), 2026년 4월에는 [[OpenClaw]] 제작자 Peter Steinberger의 계정이 시스템에 의해 임시 정지되는 사태가 있었다 (raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md). 단일 상용 API에만 의존하는 에이전틱 워크플로우는 서비스 마비 위험이 크다.
## 예시
### 파이썬 기반 에이전틱 수선 및 검증 루프 (LangGraph 스타일 pseudo-code)
다음은 LLM이 코드를 수정하고, 자동화된 테스트를 실행한 뒤, 실패 시 오류 로그를 분석하여 자체 수정 루프를 거치는 3단계 에이전틱 워크플로우 코드 예시이다:
```python
from typing import TypedDict, Literal
import subprocess
class AgentState(TypedDict):
code_path: str
issue_description: str
current_code: str
test_logs: str
iteration: int
max_iterations: int
status: str
def plan_and_edit_node(state: AgentState) -> AgentState:
"""1단계: 코드를 분석하고 수정안 적용 (상용/오픈소스 라우팅 가능)"""
print(f"--- [Iteration {state['iteration']}] Analyzing and Editing Code ---")
prompt = f"""
Issue: {state['issue_description']}
Current Code: {state['current_code']}
Previous Test Logs: {state['test_logs']}
Fix the code and return only the updated code block.
"""
# 2단계/3단계 추론 요구도에 따라 모델 라우팅 (e.g., DeepSeek-V4-Pro 또는 Claude Sonnet 4.6)
# response = llm_client.generate(prompt)
updated_code = "# Fixed implementation\ndef solution():\n return True\n"
state["current_code"] = updated_code
state["iteration"] += 1
return state
def verify_test_node(state: AgentState) -> AgentState:
"""2단계: 자체 검증 루프 (테스트 실행)"""
print("--- Verifying via Test Execution ---")
# 예시: pytest 또는 npm test 실행
result = subprocess.run(["python", "-c", "import sys; sys.exit(0)"], capture_output=True, text=True)
if result.returncode == 0:
state["status"] = "PASSED"
state["test_logs"] = "All tests passed successfully."
else:
state["status"] = "FAILED"
state["test_logs"] = result.stderr or result.stdout
return state
def decide_next_step(state: AgentState) -> Literal["plan_and_edit_node", "end"]:
"""3단계: 조건부 피드백 라우팅"""
if state["status"] == "PASSED":
print("-> Decision: Verification Successful. Workflow Completed.")
return "end"
elif state["iteration"] >= state["max_iterations"]:
print("-> Decision: Reached Max Iterations. Stopping with Failure.")
return "end"
else:
print("-> Decision: Test Failed. Re-entering Agentic Loop.")
return "plan_and_edit_node"
# 워크플로우 실행 시나리오
# Agentic Loop: plan_and_edit_node -> verify_test_node -> decide_next_step -> (PASSED ? END : RETRY)충돌
- 프론티어 지능 대 비용/안정성 간의 대립:
SWE-bench Verified 벤치마크 점수(미국 최고 모델 66.7점 vs DeepSeek V3.1 54.8점)에서 보듯 고난도 에이전틱 워크플로우에서는 프론티어 모델이 분명한 추론 우위를 가진다 (raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md).
그러나 모든 작업에 프론티어 모델을 투입하면 Uber의 예산 탕진 사례(4개월 만에 연간 예산 소진, 월 $1,000,000 지출)처럼 폭발적인 비용이 발생한다 (raw/오픈소스 모델로도 충분하다. 필요하지 않은 지능에 비용을 과다하게 지출하지 마라.md). 또한 앤트로픽 API 장애(2026년 5월 5회 인시던트)나 계정 정지 사태처럼 단일 상용 벤더에 의존하는 에이전틱 워크플로우는 서비스 연속성에 치명적 위험을 초래한다. - 해결 방안 (하이브리드 조율 아키텍처):
단일 최고 성능 모델을 고집하는 대신, 복잡한 3단계 에이전틱 추론에만 상용 프론티어 모델(Claude Sonnet 4.6, GPT-5.5)을 선택적으로 호출하고, 중간 검증, RAG 검색, 코드 포맷팅 등 1~2단계 태스크는 오픈소스 가중치 공개 모델(DeepSeek-V4-Pro, Ollama, n8n, Dify)로 우회 라우팅하는 이중 레이어 아키텍처 구축이 가장 현실적인 대안이다.
관련 노트
- 자율 에이전트 - 에이전틱 워크플로우의 실행 주체이자 도구를 사용하는 인공지능 주체
- Claude Code - 터미널 환경에서 자율 검증 및 코드 수정을 수행하는 대표적 에이전틱 CLI 도구
- CLAUDE.md - Claude Code 에이전트의 운영 매뉴얼 및 검증 워크플로우 정의 문서
- LangGraph - 상태 및 조건부 순환을 지원하는 에이전틱 워크플로우 오케스트레이션 프레임워크
- Dify - 에이전틱 워크플로우 및 멀티 프로바이더 라우팅을 지원하는 오픈소스 AI 플랫폼
- n8n - 비주얼 빌더와 custom JS, self-hosting을 지원하는 워크플로우 자동화 도구
- DeepSeek-V3 - Mixture-of-Experts 구조 기반의 가중치 공개 오픈소스 대표 모델
- 프론티어 모델 - 고난도 에이전틱 추론 및 SWE-bench 등에서 최상위 성능을 내는 상용 AI 모델
- 오픈소스 모델 - 자체 호스팅이 가능하고 비용 효율적인 가중치 공개 LLM 모델