LLM Agent Design Patterns

🧠7축 인지 기능

Cognitive Function Axes

에이전트의 인지 능력을 7개 축으로 분리한다: (1) 지각(Perception): 입력 처리 방식, (2) 기억(Memory): 컨텍스트 유지 전략, (3) 계획(Planning): 태스크 분해 방식, (4) 추론(Reasoning): 논리 및 추론 패턴, (5) 실행(Execution): 도구 사용 방식, (6) 학습(Learning): 경험 통합 방식, (7) 의사소통(Communication): 에이전트 간 정보 교환. 이 7축의 조합이 에이전트의 '인지 프로파일'을 결정한다.

🗂️메모리 3계층

In-context · External · Episodic

메모리 축은 세 계층으로 구현된다. (1) 인컨텍스트: LLM 컨텍스트 윈도우 내 직접 유지 — 빠르지만 크기 제한. (2) 외부: 벡터 DB, 그래프 DB, KV 스토어 — 대용량이지만 검색 지연. (3) 에피소딕: 과거 태스크 이력 및 성공/실패 패턴 저장 — 장기 학습 가능. GraphBit는 이 3계층을 모두 구현해 장시간 태스크에서의 컨텍스트 손실을 없앴다.

🔍ReAct 패턴

Reasoning + Action 교대

ReAct는 가장 검증된 추론 패턴이다: 추론(Thought) → 행동(Action) → 관찰(Observation)을 반복한다. 장점: 중간 추론 과정이 투명해 디버깅 가능. 단점: 스텝 수가 늘어날수록 비용과 지연이 선형 증가. Plan-and-Execute는 전체 계획을 먼저 수립한 후 실행 — 병렬화에 유리하지만 계획 수정 유연성이 낮다.

🌐6축 실행 위상

Execution Topology Axes

에이전트 시스템의 실행 구조를 6축으로 분류한다: (1) 단일/다중 에이전트, (2) 중앙집중/분산 제어, (3) 동기/비동기 실행, (4) 고정/동적 역할 배정, (5) 직렬/병렬 태스크 실행, (6) 신뢰/검증 에스컬레이션 경로. 6축의 조합이 에이전트 '위상'을 결정하고, 7×6 행렬이 27개 고유 패턴을 생성한다.

👥감독자-작업자 패턴

Supervisor-Worker Topology

가장 널리 채택된 다중 에이전트 위상. 감독자(Orchestrator)가 태스크를 분해하고 작업자(Worker) 에이전트에 배정. 작업자는 특화된 도구와 컨텍스트를 가진다. 장점: 역할 분리, 병렬 실행, 실패 격리. 단점: 감독자 단일 장애점, 작업자 간 컨텍스트 공유 비용. LangGraph의 기본 구조가 이 패턴이다.

open_in_new startupxo.com/ko/news/2026/05/llm-agent-design-patterns-production

🔄DAG 실행 엔진

GraphBit의 핵심 혁신

GraphBit(arXiv:2605.13848)은 태스크 실행 그래프를 DAG(Directed Acyclic Graph)로 표현하고 Rust 엔진으로 실행한다. DAG 구조의 장점: 의존성 기반 병렬 실행, 결정론적 실행 경로, 실패 후 부분 재실행. Rust 엔진: 메모리 안전성 + 고성능. 결과: GAIA 67.6% (+14.7pp), 환각(hallucination) 0%. 기존 Python 에이전트 프레임워크 대비 실행 신뢰성이 구조적으로 다르다.

📊GAIA 67.6%

+14.7pp · Hallucination 0%

GAIA(General AI Assistant)는 현실 세계 태스크에서 AI 에이전트를 평가하는 벤치마크다. 웹 검색, 파일 조작, 코드 실행, 다단계 추론을 포함. GraphBit의 67.6%는 이전 SOTA 대비 14.7pp 개선이며 환각 0%는 DAG 구조가 불확실한 추론 경로를 차단하기 때문이다. 실용적 의미: GAIA 수준 태스크 완료율이 프로덕션 에이전트의 신뢰성 기준으로 자리잡고 있다.

⚖️5개 경험적 법칙

패턴 선택 기준

arXiv:2605.13850이 도출한 패턴 선택의 5개 경험적 법칙: (1) 시간 예산 — 짧은 타임아웃에는 단순 패턴, (2) 권한 — 높은 권한 필요 태스크는 검증 에스컬레이션 필수, (3) 실패 비용 — 되돌릴 수 없는 행동은 인간-인-더-루프, (4) 처리량 — 높은 처리량 요구는 병렬 위상, (5) 불확실성 — 높은 불확실성은 반복적 정제 패턴. 이 법칙은 'GPT-4가 할 수 있는가'가 아닌 '이 위험 프로파일에 어떤 구조가 맞는가'를 묻는 패러다임 전환이다.

🛡️휴먼인더루프

실패 비용이 높을 때

5개 법칙 중 '실패 비용' 법칙의 구현: 되돌릴 수 없는 행동(이메일 발송, 결제, 코드 배포, 파일 삭제)은 에이전트가 자율 실행하지 않고 인간 확인을 요청한다. 구현 패턴: 신뢰 임계값 이하의 결정을 감지 → 컨텍스트와 함께 인간에게 제시 → 승인 후 재개. 이 패턴이 없는 에이전트는 프로덕션 배포가 불가능하다.

🔧프레임워크 선택 가이드

LangGraph · CrewAI · Anthropic SDK

패턴 분류법을 실제 도구 선택에 적용하면: (1) 상태 머신 기반 복잡한 워크플로우 → LangGraph, (2) 역할 기반 다중 에이전트 → CrewAI, (3) 단일 에이전트 도구 사용 → Anthropic Tool Use API 직접, (4) DAG 기반 고신뢰성 프로덕션 → GraphBit 아키텍처 참조, (5) 빠른 프로토타입 → LangChain Agents. 프레임워크 선택은 위상 선택의 결과여야 한다 — 역순이면 안 된다.

open_in_new startupxo.com/ko/news/2026/05/llm-agent-design-patterns-production

📐에이전틱 AI 엔지니어

새 직군 수요

27개 패턴과 5개 선택 법칙을 이해하는 엔지니어가 2026년 가장 수요 높은 AI 전문화다. 챗봇 구현자와 에이전틱 시스템 엔지니어의 차이: 전자는 모델을 호출한다, 후자는 신뢰할 수 있는 태스크 완료 구조를 설계한다. 도구 설계 품질 > 프롬프트 품질 — 에이전트가 사용할 도구의 스키마가 에이전트 성능을 결정한다.