LLM Wiki

파이썬 AI 에이전트 프레임워크 6종 비교 분석

15 min read

파이썬 AI 에이전트 프레임워크 6종 비교 분석

한 줄 정의

파이썬 AI 에이전트 프레임워크 6종 비교 분석은 LangGraph, CrewAI, PydanticAI, OpenAI Agents SDK, Smolagents, Google ADK의 코드 생산성, 토큰 소비 효율, 디버깅 편의성 등 실무 지표와 아키텍처적 장단점을 비교하여 프로젝트 성격에 맞는 적합한 도구를 선정하는 프레임워크 의사결정 기준이다.

핵심 요지

  • 통제 대 위임: LangGraph는 세부 분기와 예산 통제가 필수적인 데이터 파이프라인(durable execution)에 강하고, CrewAI는 역할/목표/배경스토리를 부여해 자율 협업하는 “팀” 구성에 특화되어 빠른 프로토타이핑을 지원한다.
  • 타입 안전성과 미니멀리즘: PydanticAI는 데이터 검증 및 타입 안전성이 빌드 시점에 보장되는 실속형 프레임워크이며, Smolagents는 허깅페이스가 출시한 콤팩트한 프레임워크로 JSON 대신 실제 작동하는 Python 코드를 직접 작성해 실행(CodeAgent)하여 자율성을 극대화한다.
  • 플랫폼 결속성과 클라우드 인프라: OpenAI Agents SDK는 Swarm 아키텍처를 프로덕션 수준으로 진화시켜 타사 모델 어댑터를 내장했고, Google ADK는 Vertex AI 및 Gemini 평가 프레임워크에 완전 결속된 엔터프라이즈 특화 킷이다.
  • 성능의 참된 격차: 프레임워크 자체의 아웃풋 품질 차이보다 꼼꼼한 시스템 프롬프트 및 도구 명세서(Description) 설계가 최종 에이전트의 출력을 좌우하며, 프레임워크 간의 차이는 주로 개발자 경험(DX), 디버깅 난이도, 그리고 운영 오버헤드에서 발생한다.

상세

1. LangGraph (랭그래프)

  • 설계 철학: 분산 시스템 엔지니어링 관점의 상태 머신 설계. 개발자가 직접 상태(State)를 정의하고, 노드(Nodes)와 엣지(Edges)를 그린 다음 전체를 컴파일하는 데이터 파이프라인 구조를 지닌다.
  • 강점:
    • Durable Execution: 에이전트 실행 도중 장애가 발생해도 마지막 저장된 체크포인트부터 재개할 수 있는 영속성을 제공한다.
    • 낮은 토큰 소비: 명확히 통제된 그래프 구조로 흐름이 차단되므로 LLM의 불필요한 추론 토큰 낭비를 방지한다. (평균 토큰 소비량 2,847개) (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
    • LangSmith 연동: 시각화 추적 로그를 지원해 새벽 2시 디버깅 점수 9/10을 기록할 정도로 트러블슈팅이 매우 용이하다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
  • 단점: 높은 진입 장벽. 설계 시점에서 전체 워크플로우를 완벽히 이해하고 상태와 관계도를 매핑해야 하므로, 빠른 피봇이 필요한 초기 프로토타이핑 환경에는 부적합하다.

2. CrewAI (크루AI)

  • 설계 철학: 역할(Role), 목표(Goal), 배경(Backstory)을 지닌 다중 에이전트(팀)의 자율적인 협업 및 위임 구조를 지향한다.
  • 강점: 매우 빠른 프로토타이핑 속도(평균 빌드 시간 45분). (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md) 역할 지정 프레임에 따라 프롬프트 엔지니어링 없이도 더 정교한 아웃풋을 자동으로 추출해낸다.
  • 단점:
    • 높은 토큰 오버헤드: 협업 위임 절차(Delegation round-trip) 및 기본 아키텍처로 인해 타 프레임워크 대비 약 48% 더 많은 토큰(평균 4,216개)을 사용한다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
    • 동기식 구동: 비동기 FastAPI 등과 연동 시 모든 에이전트 함수를 run_in_executor로 감싸야 하는 오버헤드가 발생한다.
    • 디버깅 난이도: 에이전트끼리 대화를 주고받는 과정이 블랙박스화되어 무한 루프나 에러 추적이 어려워 새벽 2시 디버깅 점수 5/10으로 낮다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)

3. PydanticAI (피단틱AI)

  • 설계 철학: FastAPI 스타일의 API 디자인을 기반으로, 타입 안전성, 출력값 검증, 그리고 의존성 주입(Dependency Injection)을 기본 탑재한 실속형 단일 에이전트 지향 도구이다.
  • 강점:
    • 타입 보장 및 구조화: result_type에 Pydantic 모델을 명시하여 모델의 아웃풋 스키마 검증 및 깨진 JSON 응답에 대한 프레임워크 단의 자동 재시도를 처리한다.
    • 간결한 코드 베이스: 보일러플레이트 코드를 줄여 랭그래프의 약 60%, 크루AI의 약 38% 수준의 코드량(약 130줄)으로 구현 가능하다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
    • 높은 디버깅 신뢰도: IDE 컴파일 단계에서 오류를 잡을 수 있고 예외 추적 메시지(stack trace)가 정확하여 디버깅 점수 8/10을 기록했다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
  • 단점: 단일 에이전트 중심 설계로, 멀티 에이전트의 작업 이관(handoff)이나 위임 등 복잡한 오케스트레이션을 구현하려면 밑바닥부터 수동 코딩이 필요하다 (pydantic-graph가 있으나 미성숙).

4. OpenAI Agents SDK

  • 설계 철학: OpenAI Swarm 실험작의 피드백을 받아 프로덕션 등급으로 재설계된 도구로, 에이전트(Agents), 작업 이관(Handoffs), 도구(Tools), 안전 가드레일(Guardrails)이라는 직관적인 4대 개념으로 구성된다.
  • 강점:
    • 직관적인 Handoff 설계: 에이전트 간 업무 토스 경로만 지정해주면 프레임워크가 알아서 흐름을 제어하므로 그래프 설계 없이도 멀티 에이전트를 가볍게 구현한다.
    • 멀티 모델 개방성: 자사 API 외에도 자체 어댑터를 통해 Anthropic Claude 등 100여 개 타사 모델 연동을 지원한다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
  • 단점: 신생 SDK로서 커뮤니티 생태계와 레퍼런스 가이드가 빈약하며, 트레이싱 완성도가 LangSmith 수준에 미치지 못한다.

5. Smolagents

  • 설계 철학: 허깅페이스가 개발한 미니멀리즘(핵심 소스 1,000줄 안팎) 프레임워크로, JSON 기반의 Tool calling 우회 호출 대신 에이전트가 직접 Python 코드를 짜서 실행하는 CodeAgent를 핵심으로 둔다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
  • 강점:
    • 루프 및 제어 자율성: 스스로 for 루프와 if 조건절을 파이썬 코드로 구성하므로 복합 파이프라인 수행 능력이 우수하며 코드 작성으로 빌드 시간이 30분 수준으로 짧다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
    • 직관적인 트러블슈팅: 에이전트가 생성한 Python 코드 자체를 눈으로 추적하고 일반 파이썬 스택 트레이스 에러를 볼 수 있어 디버깅 점수 8/10이다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)
  • 단점:
    • 보안 리스크: 에이전트가 작성한 파이썬 코드를 실행하므로 격리된 샌드박스(Docker, E2B, Pyodide 등) 세팅이 필수적으로 수반되어야 한다.
    • 토큰 오버헤드: 코드 작성 시 임포트 및 변수 선언 등으로 인해 랭그래프 대비 다소 수다스러운 토큰 소비를 야기한다.

6. Google ADK

  • 설계 철학: Google Gemini와 Vertex AI 클라우드에 최적화된 키트로, 순차(Sequential), 병렬(Parallel), 반복(Loop) 제어 아웃라인 및 AgentTeam을 활용해 구글 사내 빌딩 아키텍처를 모사했다.
  • 강점:
    • 평가 프레임워크: JSON 기반 테스트 케이스로 adk eval을 실행하여 에이전트가 정해진 목적대로 동작하는지 자동 평가하는 검증 툴을 유일하게 기본 패키지로 지원한다.
    • GCP 연동성: Vertex AI 에이전트 엔진을 통해 오토 스케일링, 실시간 세션 및 인프라 모니터링이 제공된다.
  • 단점: Gemini 외 타사 모델(예: GPT-4o) 연동 시 공식 문서에 명시되지 않은 에러가 발생해 트러블슈팅이 어려운 Gemini 결속형 성격을 띤다.

비교 지표 요약표

(출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md)

평가 항목LangGraphCrewAIPydanticAIOpenAI SDKSmolagentsGoogle ADK
코드 라인 수약 210줄약 340줄약 130줄약 150줄약 95줄약 180줄
프로토타입 타임3시간45분1.5시간1시간30분2시간
평균 토큰 소비량2,847개4,216개2,912개2,791개3,340개3,102개
멀티 에이전트 지원지원 (그래프식)지원 (크루 결성식)직접 구현지원 (이관 방식)지원 (계층 구조식)지원 (AgentTeam)
타입 안전성 등급TypedDict 기반Pydantic 설정제네릭 완전 준수컨텍스트 제네릭최소한의 지원표준 수준
MCP 프로토콜지원일부 제한됨지원 및 A2A 내장네이티브 지원지원지원
다양한 모델 지원자유로운 선택자유로운 선택지원 (20종+)지원 (100종+)지원 (LiteLLM)제미나이 우선 연동
최적의 디버거LangSmith로그 분석IDE 컴파일러 및 타입자체 기본 트레이싱파이썬 코드 실행 로그ADK Web UI
깃허브 스타 수약 48,000개약 44,000개약 15,000개약 16,000개약 26,000개약 23,000개
새벽 2시 디버깅 점수9/105/108/107/108/106/10

예시

  • 단기 비즈니스 프로토타이핑: FastAPI 등 비동기 웹 환경과의 결합보다 빠른 프로토타입 완수가 급한 경우, CrewAI로 팀을 꾸려 45분 만에 배포 구조를 뽑거나 Smolagents를 얹어 CLI 기반으로 빠르게 구축할 수 있다.
  • 장기 프로덕션 엔터프라이즈: 장기간의 무결성이 핵심인 금융 데이터 분석 파이프라인의 경우, LangGraph를 활용하여 human-in-the-loop 검증 게이트와 durable checkpoint를 배치하거나, 단일 에이전트 중심의 깔끔한 스키마 준수가 목적이라면 PydanticAI를 적용해 코드 복잡도를 낮춘다.

충돌

  • 벤치마크 비용 차이: CrewAI의 다중 에이전트 오버헤드로 인해 구축 비용이 1,088달러에 달한 반면, 동등한 조건의 PydanticAI 빌드는 390달러 수준에 불과했다는 벤치마크 결과가 있다. (출처: raw/파이썬 AI 에이전트 프레임워크 6종 비교 분석.md) 이는 CrewAI의 빠른 빌드 속도가 상용 운영 환경에서는 토큰 사용량에 의한 운영 비용 부채로 이어질 수 있음을 의미한다.

관련 노트

그래프 뷰

백링크