AI 신기능 분석

AI 에이전트 프레임워크 비교 - LangGraph vs AutoGen vs CrewAI 실전 테스트

소개왕 탑백귀 2026. 4. 20. 15:43

AI 에이전트 프레임워크 비교 - LangGraph vs AutoGen vs CrewAI 실전 테스트

2026년 4월 기준 | AI 신기능 분석

요약: AI 에이전트를 만들 때 가장 많이 쓰이는 프레임워크 3종(LangGraph, AutoGen, CrewAI)을 같은 작업(웹 리서치 + 보고서 생성)으로 실제 구현해 비교했습니다. 학습 곡선, 코드량, 실행 시간, 비용, 디버깅 난이도까지 실측한 결과를 공유합니다.

왜 에이전트 프레임워크를 써야 하나

LLM에 프롬프트 하나 던지는 수준을 넘어 "여러 단계를 거쳐 작업을 완성하는" AI 앱이 필요한 순간이 옵니다. 예를 들어 "고객 문의를 읽고 관련 자료를 검색한 뒤, 답변 초안을 작성하고 담당자에게 전달한다" 같은 플로우입니다. 이걸 순수 파이썬으로 짜려면 상태 관리, 도구 호출, 에러 복구, 병렬 실행을 전부 직접 구현해야 합니다.

에이전트 프레임워크는 이 반복되는 패턴을 추상화해 둡니다. 하지만 LangGraph, AutoGen, CrewAI는 철학이 꽤 다릅니다. 실제로 같은 과제를 세 프레임워크로 각각 구현하면서 차이를 정리했습니다.

3종 프레임워크 기본 비교

항목 LangGraph AutoGen CrewAI
개발사 LangChain Microsoft João Moura
패러다임 그래프 기반 상태 머신 멀티 에이전트 대화 역할 기반 팀 구성
학습 곡선 높음 중간 낮음
유연성 최상 (저수준 제어) 상 (대화 패턴 중심) 중 (프리셋 중심)
대표 사용처 프로덕션 워크플로우 연구/협업 시뮬레이션 프로토타입/PoC

동일 과제로 구현 비교

세 프레임워크로 동일한 과제를 구현했습니다.

테스트 과제: 사용자가 주제를 입력하면 (1) 웹에서 관련 정보 검색 → (2) 핵심 포인트 추출 → (3) 한국어 요약 보고서 작성. 모델은 Claude Sonnet 4.6 고정, 검색 도구는 Tavily 공통 사용.

LangGraph 구현

LangGraph는 노드와 엣지로 워크플로우를 정의합니다. 상태(State)가 노드 사이를 흘러다닙니다.

from langgraph.graph import StateGraph, END
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from typing import TypedDict, List

class State(TypedDict):
    topic: str
    search_results: List[str]
    key_points: List[str]
    report: str

llm = ChatAnthropic(model="claude-sonnet-4-6")
search = TavilySearchResults(max_results=5)

def search_node(state: State):
    results = search.invoke(state["topic"])
    return {"search_results": [r["content"] for r in results]}

def extract_node(state: State):
    prompt = f"다음 자료에서 핵심 포인트 5개 추출:\n" + "\n".join(state["search_results"])
    response = llm.invoke(prompt)
    return {"key_points": response.content.split("\n")}

def report_node(state: State):
    prompt = f"다음 포인트로 한국어 보고서 작성:\n{state['key_points']}"
    return {"report": llm.invoke(prompt).content}

graph = StateGraph(State)
graph.add_node("search", search_node)
graph.add_node("extract", extract_node)
graph.add_node("report", report_node)
graph.set_entry_point("search")
graph.add_edge("search", "extract")
graph.add_edge("extract", "report")
graph.add_edge("report", END)

app = graph.compile()
result = app.invoke({"topic": "2026년 AI 트렌드"})
print(result["report"])

장점: 상태가 명시적이라 디버깅이 쉽습니다. 조건부 엣지(add_conditional_edges)로 분기도 깔끔합니다. LangSmith 연동이 자연스러워 프로덕션 모니터링이 강력합니다.

단점: 진입 장벽이 높습니다. TypedDict, 노드 함수 시그니처, 엣지 규칙을 이해해야 합니다. 간단한 작업엔 과합니다.

AutoGen 구현

AutoGen은 여러 에이전트가 서로 대화하며 작업을 완성합니다. 각 에이전트에 역할과 시스템 프롬프트를 주면 끝입니다.

from autogen import AssistantAgent, UserProxyAgent, config_list_from_json

config_list = [{"model": "claude-sonnet-4-6", "api_key": "...", "api_type": "anthropic"}]

researcher = AssistantAgent(
    name="Researcher",
    system_message="너는 웹 검색 후 자료를 수집하는 연구원이다.",
    llm_config={"config_list": config_list},
)

analyst = AssistantAgent(
    name="Analyst",
    system_message="너는 수집된 자료에서 핵심을 뽑아내는 분석가다.",
    llm_config={"config_list": config_list},
)

writer = AssistantAgent(
    name="Writer",
    system_message="너는 분석 결과로 한국어 보고서를 쓰는 작가다.",
    llm_config={"config_list": config_list},
)

user = UserProxyAgent(name="User", human_input_mode="NEVER")

user.initiate_chat(researcher, message="2026년 AI 트렌드 조사 후 최종 보고서까지 작성")

장점: 사람처럼 "대화로" 협업하는 구조라 직관적입니다. 복잡한 토론/반박 패턴을 구현하기 좋습니다. Microsoft 생태계 연동이 강합니다.

단점: 대화 기반이라 토큰 사용량이 많습니다(에이전트 간 메시지 왕복). 결정적(deterministic)이지 않아 같은 입력에도 매번 결과가 다릅니다. 종료 조건 설정이 까다롭습니다.

CrewAI 구현

CrewAI는 "에이전트 + 태스크 + 크루" 삼단 구조를 따릅니다. YAML 설정만으로도 동작할 만큼 간결합니다.

from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool

search_tool = SerperDevTool()

researcher = Agent(
    role="리서처",
    goal="주제에 대한 최신 자료 수집",
    backstory="10년차 테크 리서처",
    tools=[search_tool],
)

writer = Agent(
    role="작가",
    goal="수집된 자료로 보고서 작성",
    backstory="IT 전문 기자",
)

research_task = Task(
    description="2026년 AI 트렌드 조사",
    agent=researcher,
    expected_output="핵심 포인트 5개",
)

write_task = Task(
    description="핵심 포인트로 한국어 보고서 작성",
    agent=writer,
    expected_output="A4 1장 분량 보고서",
    context=[research_task],
)

crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff()
print(result)

장점: 가장 빠르게 돌려볼 수 있습니다. 코드량이 압도적으로 적습니다. "역할"이라는 추상화가 직관적이라 비개발자도 이해합니다.

단점: 프리셋에 갇히면 커스터마이징이 힘듭니다. 내부 동작이 블랙박스에 가까워 디버깅이 어렵습니다. 복잡한 조건 분기에는 한계가 있습니다.

실측 결과 비교표

동일 과제(2026년 AI 트렌드 보고서)를 각 프레임워크로 10회씩 실행한 평균입니다.

지표 LangGraph AutoGen CrewAI
코드 라인 수 약 45줄 약 35줄 약 30줄
평균 실행 시간 22초 38초 28초
평균 토큰 사용 8,200 17,500 11,400
결과 일관성 상 중 중
디버깅 편의성 상 (노드별 상태 확인) 중 (대화 로그 확인) 하 (verbose 모드 의존)

상황별 선택 가이드

LangGraph를 고르세요, 만약...
  • 프로덕션에 배포할 안정적인 워크플로우가 필요할 때
  • 상태 추적과 관측성이 중요할 때 (금융/의료/엔터프라이즈)
  • 조건부 분기, 루프, 병렬 실행이 많을 때
AutoGen을 고르세요, 만약...
  • "여러 AI가 토론/반박하는" 패턴이 본질적일 때
  • 연구/시뮬레이션 목적으로 다양한 페르소나를 테스트할 때
  • Microsoft Azure/Semantic Kernel 생태계와 통합할 때
CrewAI를 고르세요, 만약...
  • 빠른 프로토타입/PoC가 필요할 때
  • 비개발자 팀원에게 "이런 게 가능하다"를 보여줄 때
  • 역할 기반 팀 구성 비유가 요구사항과 잘 맞을 때

마무리

세 프레임워크 모두 같은 일을 할 수 있지만, 추상화 수준이 다릅니다. 제 경험상 스타트업/해커톤에서는 CrewAI로 빠르게 만들고, 실제 서비스에 올릴 때는 LangGraph로 다시 쓰는 패턴이 많았습니다. AutoGen은 특정 "대화형 협업" 시나리오에 맞으면 강력하지만, 일반적인 파이프라인엔 토큰 낭비가 큽니다.

하나만 고르라면 LangGraph를 추천합니다. 학습 곡선은 높지만 일단 익히면 복잡한 워크플로우도 감당할 수 있고, 프로덕션 이관이 부드럽기 때문입니다. 다음 글에서는 LangGraph의 조건부 분기, 휴먼-인더-루프, 체크포인트 같은 고급 기능을 다루겠습니다.

저작자표시 비영리 변경금지 (새창열림)