Agents 2.0 시대의 도래: 얕은 루프를 넘어서는 딥 에이전트 아키텍처
AI 에이전트는 지난 1년간 빠르게 발전해 왔습니다. 하지만 대부분의 에이전트는 여전히 단순한 루프 구조, 즉 “사용자 입력 → LLM 응답 → 도구 실행 → 응답 반복”이라는 얕은 구조에 머물러 있습니다. 이런 방식은 짧은 작업에는 문제가 없지만 여러 날이 걸리는 복잡한 작업을 수행하려 하면 컨텍스트가 넘치거나, 목적을 잊거나, 무한 반복에 빠지는 등 본질적인 한계가 드러납니다.
이 글에서는 기존 Agents 1.0 구조가 왜 한계에 부딪히는지, 그리고 이를 극복하기 위한 새로운 패러다임인 Agents 2.0, 즉 Deep Agents 아키텍처가 어떻게 등장했는지 상세히 설명합니다.
Agents 1.0: 단순 루프 기반 에이전트의 한계
기존 AI 에이전트는 대체로 while-loop에 기반한 단순 구조로 동작합니다. 다음과 같은 흐름을 가집니다.
- 사용자 입력을 받고
- LLM이 도구 호출을 판단하고
- 도구 실행 결과를 받아
- 다시 LLM에 전달하며
- 이 과정을 완료될 때까지 반복하는 방식
이 구조는 간단하고 빠르지만 전적으로 LLM의 컨텍스트 윈도우에 의존한다는 문제점이 있습니다.
따라서 복잡한 작업을 수행할 때 다음과 같은 문제가 발생합니다.
1. 컨텍스트 오버플로
여러 수십 개의 도구 실행 결과가 누적되면서 컨텍스트 윈도우가 가득 차고, 가장 중요한 초기 지시사항이 밀려나 버립니다.
2. 목표 상실
중간 과정에서 불필요한 데이터가 쌓이며 LLM이 처음 목적이 무엇이었는지 잊어버리는 현상이 발생합니다.
3. 복구 불능
잘못된 방향으로 흐르면 스스로 중단하거나 되돌릴 수 있는 구조가 없어 무한 루프에 빠지기도 합니다.
이 때문에 Agents 1.0은 단기 작업(5~15단계)에는 적합하지만, 수백 단계가 필요한 장기 작업에는 적합하지 않습니다.
Agents 2.0: Deep Agents의 등장
이와 같은 한계를 극복하기 위해 최근 등장한 개념이 Agents 2.0, 즉 Deep Agents입니다.
Deep Agents는 단순히 도구 사용을 반복하는 방식이 아니라 계획, 메모리, 구조화된 협업, 계층적 실행을 중심으로 설계된 아키텍처입니다.
기존의 반응형 루프가 아니라, 목적을 달성하기 위해 스스로 계획을 세우고, 상태를 저장하며, 필요한 기능을 가진 하위 에이전트를 호출하는 방식으로 진화한 것입니다.
Deep Agents는 이 구조를 통해 복잡한 멀티스텝 작업을 안정적으로 처리할 수 있게 됩니다.
Deep Agents를 구성하는 네 가지 핵심 요소
Deep Agent 아키텍처는 다음 네 가지 기둥을 중심으로 구성됩니다.
1. 명시적 계획(Explicit Planning)
Shallow Agent는 “생각의 흐름” 안에서만 계획을 세우기 때문에 계획이 컨텍스트에 갇혀 쉽게 유실됩니다.
반면 Deep Agent는 외부 도구를 사용해 명시적 계획 문서를 생성하고 지속적으로 업데이트합니다.
예를 들어 To-Do 문서를 생성하고, 각 단계의 상태를 다음과 같이 기록합니다.
- pending
- in_progress
- completed
만약 실패하면 계획을 수정하고 새로운 경로를 설정합니다.
이러한 방식은 에이전트가 목표를 잃지 않고 고수준 작업 흐름을 유지하도록 만들어 줍니다.
2. 계층적 위임(Hierarchical Delegation)
Shallow Agent는 모든 작업을 하나의 LLM이 수행하려고 하기 때문에 효율과 안정성이 떨어집니다.
Deep Agent는 Orchestrator와 Sub-Agent 구조를 활용합니다.
- Orchestrator: 작업을 관리하고 필요한 전문 서브 에이전트를 호출
- Sub-Agent: 특정 역할(연구, 코드 작성, 문서 정리 등)에 특화된 에이전트
각 Sub-Agent는 독립된 깨끗한 컨텍스트에서 자신만의 루프를 진행한 뒤, 최종 정제된 결과만 Orchestrator에 반환합니다.
이 방식은 작업 품질을 높이고, 작업 간 간섭을 줄입니다.
3. 지속 메모리(Persistent Memory)
Agents 1.0은 모든 정보를 컨텍스트에 넣기 때문에 작업이 진행될수록 오염되고 포화됩니다.
반면 Agents 2.0은 파일 시스템, 데이터베이스 등 외부 영속 메모리를 사용하여 작업의 상태와 자료를 저장합니다.
- 코드는 파일로
- 조사 결과는 텍스트 파일로
- 원본 데이터는 폴더로
이렇게 저장해두고 필요할 때 파일 경로만 불러와 필요한 부분만 로드합니다.
즉, 모든 내용을 기억할 필요 없이 어디에 저장돼 있는지만 기억하면 되기 때문에 확장성과 안정성이 크게 향상됩니다.
4. 극한의 컨텍스트 설계(Extreme Context Engineering)
똑똑한 모델이라도 설정이 부실하면 제 기능을 발휘할 수 없습니다.
Deep Agent는 매우 정교한 지침과 프로토콜을 기반으로 동작합니다.
- 언제 실행을 멈추고 계획을 재검토할지
- 언제 서브 에이전트를 생성할지
- 도구 사용 규칙
- 파일, 디렉터리 표준 구조
- 사람과 협업하는 방식
이와 같은 세밀한 규칙은 에이전트가 복잡한 작업 흐름 속에서도 일관성을 유지하게 해줍니다.
Deep Agent의 실제 동작 흐름
예를 들어 다음과 같은 작업을 수행한다고 생각해봅니다.
“양자컴퓨팅을 조사하고 요약을 파일로 작성해줘.”
Deep Agent의 실행 흐름은 다음과 같습니다.
- 전체 작업 구조를 파악하고 계획 문서를 생성한다.
- 조사 작업을 Sub-Agent에게 위임한다.
- 연구 에이전트는 검색, 오류 수정, 정리 등 모든 작업을 자체 루프에서 수행한다.
- 최종 조사 결과만 Orchestrator에게 전달한다.
- Orchestrator는 결과를 파일로 저장하라는 다음 단계를 실행한다.
- 문서 작성 Sub-Agent가 요약을 파일 형태로 생성한다.
이렇게 구조화된 방식 덕분에, 수십 단계가 필요한 복잡한 작업도 안정적으로 완성할 수 있습니다.
Agents 2.0이 제공하는 새로운 가능성
Shallow Agents는 간단한 질의응답이나 단기 작업에는 충분합니다. 하지만 장기적이고 복잡한 문제를 해결하기에는 구조적 한계가 분명합니다.
Deep Agents는 이 한계를 뛰어넘기 위해 설계된 새로운 아키텍처입니다.
- 명확한 계획 수립
- 전문화된 Sub-Agent 협업
- 외부 저장소 기반의 안정적인 메모리 구조
- 정교한 컨텍스트 설계
이 요소들은 에이전트가 단순한 반응형 도구가 아니라, 실제로 복잡한 문제를 해결하는 구조화된 시스템으로 진화할 수 있게 합니다.
앞으로 AI 에이전트 기술의 핵심은 더 많은 도구를 연결하는 것이 아니라, 더 나은 아키텍처를 설계하는 것으로 이동할 것입니다.
Agents 2.0은 그 출발점이며, 앞으로 수시간에서 수일이 걸리는 고난도 작업을 처리하는 AI의 표준이 될 가능성이 높습니다.
https://www.philschmid.de/agents-2.0-deep-agents
Agents 2.0: From Shallow Loops to Deep Agents
An overview of the architectural shift from Shallow Agents (Agent 1.0) to Deep Agents (Agent 2.0) and how to build complex AI agents that can handle multi-step tasks over extended periods.
www.philschmid.de
