agent-design-patterns

Summary

LLM 에이전트 설계 패턴 레퍼런스. Anthropic "Building Effective Agents" 5가지 패턴 + 실전 적용 기준. 워크플로우 vs 에이전트 구분, 패턴별 트레이드오프, 프로덕션 배포 체크리스트. 2025 기준.

Sources

• Anthropic "Building Effective Agents" (2024)
• Anthropic Claude Agent SDK 문서
• AI Engineer Summit 2024 발표 내용
• LLM Agent 실전 운영 경험 종합

---

1. 핵심 개념: 워크플로우 vs 에이전트

워크플로우 (Workflow)
  - LLM 호출 경로가 코드로 미리 정해져 있음
  - 예: A → B → C 순서 고정
  - 예측 가능, 디버그 쉬움
  - 단순·반복·고정 로직에 적합

에이전트 (Agent)
  - LLM이 스스로 다음 행동을 결정
  - 도구를 언제·어떻게 쓸지 모델이 판단
  - 유연하지만 비결정론적
  - 복잡·모호·탐색이 필요한 태스크에 적합

선택 기준: "LLM 없이도 같은 로직을 if/else로 표현할 수 있다면 워크플로우."

---

2. 5가지 설계 패턴

2-1. 프롬프트 체이닝 (Prompt Chaining)

Input → [LLM 1] → 중간 출력 → [LLM 2] → 최종 출력

언제: 태스크가 명확히 분리된 순차적 단계로 구성될 때.

• 글 초안 작성 → 문체 교정 → 번역
• 코드 생성 → 테스트 작성 → 문서화

장점: 단계별 검증 가능. 각 LLM 호출의 컨텍스트를 좁힐 수 있음. 단점: 오류가 하위 단계로 전파됨. 전체 지연 시간 = 각 단계 합산.

def chain(input_text):
    draft = llm("초안 작성: " + input_text)
    edited = llm("문체 교정: " + draft)
    translated = llm("한국어 번역: " + edited)
    return translated

---

2-2. 라우팅 (Routing)

Input → [분류 LLM] → 경로 A / 경로 B / 경로 C

언제: 입력 타입에 따라 전혀 다른 처리가 필요할 때.

• 고객 문의 → 기술 지원 / 결제 문의 / 일반 문의
• 코드 → 언어별 특화 모델 (Python vs Go vs Rust)

장점: 각 경로를 독립적으로 최적화. 복잡한 시스템을 전문화된 서브시스템으로 분해. 단점: 분류 오류 시 전체 실패. 경계가 모호한 케이스 처리 필요.

def route(input_text):
    category = llm(f"분류 (tech/billing/general): {input_text}")
    handlers = {
        "tech": handle_tech,
        "billing": handle_billing,
        "general": handle_general,
    }
    return handlers.get(category, handle_general)(input_text)

---

2-3. 병렬화 (Parallelization)

두 가지 하위 유형:

섹셔닝 (Sectioning): 독립적인 서브태스크를 동시 실행

Input → [LLM A] ─┐
       → [LLM B] ─┤→ 집계 → Output
       → [LLM C] ─┘

투표 (Voting): 동일 태스크를 여러 번 실행 후 다수결

Input → [LLM 1] ─┐
       → [LLM 2] ─┤→ Majority Vote → Output
       → [LLM 3] ─┘

언제 섹셔닝: 긴 문서를 청크별로 분석, 여러 관점(보안/성능/유지보수) 동시 평가. 언제 투표: 정확도가 중요한 분류, 코드 보안 검토, 의료 진단 보조.