
복잡한 문제를 해결해야 할 때, 단일 AI 시스템으로는 한계가 분명합니다. 이제는 다수의 AI가 협력하는 ‘멀티 에이전트 시스템’이 필요한 시대입니다. Anthropic의 Claude는 이 새로운 접근법을 실제 제품으로 구현해냈고, 그 여정에서 얻은 설계 원칙과 교훈을 공개했습니다.
이 글에서는 Claude가 어떻게 멀티 에이전트 시스템을 기반으로 웹과 다양한 툴을 통해 리서치를 수행하는지, 그 과정에서 어떤 기술적 도전과 해결이 있었는지, 그리고 이를 통해 얻을 수 있는 성과는 무엇인지 상세히 알아봅니다.
멀티 에이전트 시스템이란?
멀티 에이전트 시스템은 여러 개의 AI 에이전트가 동시에 다양한 역할을 수행하면서 하나의 문제를 해결하는 구조입니다. Claude의 리서치 기능은 하나의 ‘리드 에이전트’가 전체 전략을 짜고, 개별 작업을 ‘서브에이전트’에 분배하는 구조로 설계돼 있습니다. 각 서브에이전트는 독립적으로 툴을 사용해 정보를 수집하고, 결과를 리드 에이전트에 전달합니다.
이 시스템은 리서치처럼 예측이 어렵고 탐색적인 업무에 특히 강력한 성능을 발휘합니다. 다양한 방향에서 동시에 정보를 수집하고, 이를 종합해 더 정밀한 결과를 도출하기 때문입니다.

단일 에이전트와의 차이점
기존의 AI 시스템은 주어진 질문에 대해 한 번에 응답을 생성하는 ‘단일 에이전트’ 구조입니다. 이 방식은 간단한 정보 조회에는 적합하지만, 여러 방향을 동시에 탐색해야 하는 문제에는 한계가 있습니다.
멀티 에이전트 시스템은 병렬로 작동하기 때문에, 복잡한 문제를 빠르게 분석하고 보다 정확한 답을 도출할 수 있습니다. 실제로 Claude의 내부 테스트 결과, 단일 에이전트 대비 90.2% 더 높은 정확도를 기록했습니다.
아키텍처 구조 살펴보기
Claude의 리서치 시스템은 다음과 같은 흐름으로 작동합니다.
- 사용자가 질문을 입력합니다.
- 리드 에이전트가 전략을 세우고, 필요한 만큼의 서브에이전트를 생성합니다.
- 서브에이전트는 각각 독립적인 툴을 사용해 정보 수집을 수행합니다.
- 수집된 결과는 리드 에이전트가 통합해 최종 응답을 생성합니다.
- 최종 응답은 인용처를 포함해 사용자에게 제공됩니다.
이러한 구조는 단순히 많은 일을 하는 것이 아니라, 작업의 분할과 병렬 수행을 통해 작업 시간을 단축하고, 정보의 깊이와 정확도를 높이는 데 중점을 둡니다.
프롬프트 설계의 핵심 전략
멀티 에이전트 시스템의 성능은 프롬프트 설계에 크게 좌우됩니다. 초기에는 서브에이전트들이 같은 작업을 반복하거나 잘못된 방향으로 리서치를 수행하는 문제가 있었지만, 아래 전략들을 통해 성능을 향상시켰습니다.
- 명확한 업무 분배: 각 서브에이전트에게 목적, 출력 형식, 사용할 도구, 범위를 명확히 지정합니다.
- 업무 난이도에 따른 자원 배분: 간단한 질문에는 소수의 에이전트를, 복잡한 질문에는 더 많은 자원을 배정합니다.
- 탐색 후 집중 전략: 먼저 넓게 탐색한 후, 유의미한 방향으로 집중 리서치를 진행합니다.
- 사고 확장 기능 활용: 에이전트들이 도구 사용 전후로 사고 과정을 출력하며 다음 단계를 결정합니다.
툴 설계와 선택의 중요성
에이전트들이 어떤 도구를 쓰느냐에 따라 결과 품질이 달라집니다. 웹 검색, 문서 조회, 사내 데이터베이스 검색 등 다양한 툴을 사용할 수 있도록 하되, 도구의 목적과 사용법을 명확히 알려야 합니다.
Claude는 내부적으로 도구 사용을 반복 테스트하여 설명을 개선하고, 그 결과 작업 시간은 40% 단축됐습니다. 이처럼 도구 설계는 단순한 인터페이스가 아니라, AI의 ‘행동 지침’이 됩니다.
운영 중 맞닥뜨린 실제 문제들
멀티 에이전트 시스템은 기능만큼 복잡성도 높습니다. 다음과 같은 문제가 자주 발생합니다:
- 비용 증가: 일반 챗보다 최대 15배 더 많은 토큰을 소비합니다.
- 병목 현상: 서브에이전트들이 순차적으로 작동할 경우 전체 속도가 느려집니다.
- 오류 처리의 어려움: 시스템이 중단되면 처음부터 다시 시작해야 할 수 있습니다.
이를 해결하기 위해 Claude는 에이전트 상태를 저장하고, 실패 지점부터 복구할 수 있는 기능을 포함시켰습니다. 또한 비동기 실행 방식을 검토 중으로, 향후 더 빠른 성능을 기대할 수 있습니다.
성능 및 실제 사용 예시
멀티 에이전트 시스템은 특히 다음과 같은 작업에서 강력한 성능을 보여줍니다:
- 다양한 분야의 정보를 동시에 조사하는 리서치
- 복잡한 정책 분석 및 의사결정 보조
- 전문적인 콘텐츠 제작이나 기술 문서 검증
- 여러 소스 간 비교 분석
Claude는 실제로 기업 의사결정, 기술 문제 해결, 헬스케어 옵션 비교 등 다양한 분야에서 수 시간 또는 수일의 업무 시간을 절감하는 성과를 내고 있습니다.
멀티 에이전트 시스템은 단순히 AI를 여러 개 사용하는 것이 아닙니다. 에이전트 간의 협업을 효율적으로 조율하고, 도구와 프롬프트를 정교하게 설계하는 기술이 핵심입니다. Claude는 이를 실제 제품화하여, 복잡한 리서치 과제를 해결할 수 있는 실용적인 시스템으로 완성했습니다.
이제 AI는 단일 응답을 생성하는 도구를 넘어, 사람처럼 탐색하고 판단하며 협업할 수 있는 수준에 도달하고 있습니다. 향후에는 더 많은 분야에서 멀티 에이전트 기반의 시스템이 보편화될 것이며, 이 기술은 특히 고부가가치의 복합 업무에서 중요한 역할을 하게 될 것입니다.
How we built our multi-agent research system
On the the engineering challenges and lessons learned from building Claude's Research system
www.anthropic.com

'인공지능' 카테고리의 다른 글
| AI 에이전트는 대체 뭘까? 앤드류 응이 알려주는 지금 당장 주목해야 할 실용 기술 (0) | 2025.06.16 |
|---|---|
| AI 에이전트, 그냥 GPT가 아니다: 처음부터 이해하는 AI 에이전트의 모든 것 (0) | 2025.06.16 |
| AI는 마법 같은 도구일까? TDD 창시자 켄트 벡이 말하는 개발의 미래 (0) | 2025.06.16 |
| 속도와 유연성의 진화, vLLM이 바꾸는 LLM 서빙의 미래 (0) | 2025.06.15 |
| Java 개발자를 위한 AI 에이전트 프레임워크, Embabel을 소개합니다 (0) | 2025.06.15 |