AI 에이전트 프레임워크 비교 — LangGraph, CrewAI, AutoGen

LLM이 텍스트 생성을 넘어서 도구를 쓰고, 계획을 세우고, 다른 에이전트와 협업하는 시대가 됐다. 단순한 챗봇이 아니라 실제로 작업을 수행하는 AI 에이전트. 이걸 만들려면 프레임워크가 필요한데, 선택지가 점점 늘고 있다.

여기서는 가장 많이 쓰이는 세 가지 — LangGraph, CrewAI, AutoGen — 을 비교해본다.

세 줄 요약부터

• LangGraph: 복잡한 워크플로우를 그래프로 정밀하게 제어. 제어권이 중요할 때.
• CrewAI: 역할 기반 멀티 에이전트 협업. 빠르게 팀 구성할 때.
• AutoGen: Microsoft 출신. 에이전트 간 대화 기반 협업. 연구/실험 용도.

LangGraph

LangChain 팀이 만든 상태 기반 에이전트 프레임워크다. 핵심 아이디어는 에이전트의 동작을 방향성 그래프로 표현한다는 거다. 순환(cycle)도 지원해서 에이전트 루프 같은 반복 패턴도 자연스럽게 만들 수 있다.

구조

노드(node)가 각 단계의 로직이고, 엣지(edge)가 다음 단계로의 전환이다. 조건부 엣지로 분기 처리도 된다. 상태(state)를 명시적으로 정의하고 노드 사이에서 전달한다.

graph = StateGraph(AgentState)
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_conditional_edges("research", should_continue)

뭐가 좋은가

제어력이 압도적이다. 에이전트가 어떤 순서로 뭘 하는지, 언제 중단하고 사람에게 확인받는지, 실패했을 때 어디로 되돌아가는지를 코드 레벨에서 전부 정의할 수 있다. 프로덕션에 올릴 때 이게 중요하다. "AI가 알아서 하겠지"가 통하지 않는 환경에서.

체크포인팅과 상태 관리가 내장돼 있다. 에이전트가 중간에 멈춰도 상태를 저장해뒀다가 이어서 실행할 수 있다. Human-in-the-loop(사람 개입) 패턴이 자연스럽게 들어간다.

LangSmith와의 통합으로 디버깅이 편하다. 각 노드에서 뭐가 들어가고 나왔는지 추적할 수 있다.

단점

학습 곡선이 가파르다. 그래프 개념을 이해하고, 상태 스키마를 설계하고, 엣지 조건을 짜야 한다. 간단한 에이전트를 만들 때는 오버엔지니어링이 될 수 있다. LangChain 생태계에 대한 이해가 어느 정도 있어야 진입이 수월하다.

CrewAI

"AI 팀을 구성한다"는 비유가 아니라 그대로 코드에 반영된 프레임워크다.

구조

에이전트(Agent)에게 역할(role), 목표(goal), 배경(backstory)을 부여한다. 태스크(Task)를 정의하고 에이전트에게 할당한다. 크루(Crew)가 에이전트들을 묶어서 실행한다.

researcher = Agent(
    role="시니어 리서처",
    goal="최신 AI 트렌드를 조사",
    backstory="10년 경력의 AI 연구원",
    tools=[search_tool, web_scraper],
)

뭐가 좋은가

직관적이다. 코드를 읽기만 해도 뭘 하는지 바로 파악된다. 에이전트 역할을 자연어로 설명하니까 비개발자도 구조를 이해할 수 있다. 프로토타이핑이 빠르다.

기본 도구가 풍부하다. 웹 검색, 파일 읽기/쓰기, 코드 실행 등 자주 쓰는 도구들이 내장돼 있어서 별도 구현 없이 바로 쓸 수 있다.

순차/병렬 실행 모드를 선택할 수 있다. 에이전트들이 순서대로 작업하게 하거나, 동시에 돌리거나.

단점

복잡한 워크플로우에서 세밀한 제어가 어렵다. "리서처가 결과를 라이터에게 넘기고, 라이터가 쓴 글을 에디터가 검수한다" 수준은 되는데, 조건부 분기나 반복 같은 복잡한 흐름을 표현하는 데 한계가 있다. LLM 호출 비용이 상대적으로 높을 수 있다 — 각 에이전트가 자기 역할에 대한 시스템 프롬프트를 갖고 있어서 토큰 소모가 크다.

AutoGen

Microsoft Research에서 시작한 프레임워크로, 에이전트 간 대화를 중심으로 설계됐다.

구조

에이전트들이 메시지를 주고받으면서 협업한다. AssistantAgent가 코드를 작성하면 UserProxyAgent가 그걸 실행하고 결과를 돌려주는 식. 그룹 채팅(GroupChat) 패턴으로 여러 에이전트가 토론하면서 문제를 풀 수도 있다.

뭐가 좋은가

코드 실행이 1급 시민이다. 에이전트가 코드를 쓰고, 실행하고, 결과를 확인하고, 수정하는 루프가 기본으로 돌아간다. 데이터 분석이나 코딩 관련 태스크에 특히 강하다.

유연한 대화 패턴을 지원한다. 일대일, 그룹, 계층형 등 다양한 에이전트 간 커뮤니케이션 구조를 만들 수 있다.

v0.4부터 아키텍처가 많이 바뀌었다. 이벤트 기반 런타임으로 전환되면서 확장성이 좋아졌다.

단점

API가 자주 바뀌었다. v0.2에서 v0.4로 오면서 breaking change가 꽤 있었고, 이전 버전 코드가 그대로 돌아가지 않는 경우가 많다. 문서와 예제가 버전별로 혼재돼 있어서 헷갈릴 수 있다. 프로덕션보다는 연구/실험 목적으로 더 많이 쓰인다.

어떤 걸 선택해야 할까

	LangGraph	CrewAI	AutoGen
제어 수준	매우 높음	중간	중간
학습 난이도	높음	낮음	중간
프로토타이핑 속도	느림	빠름	중간
프로덕션 적합성	높음	중간	낮음
코드 실행	외부 도구 필요	내장	핵심 기능
상태 관리	내장	제한적	대화 기반

프로덕션에 올릴 에이전트를 만든다면 LangGraph가 가장 안전한 선택이다. 상태 관리, 체크포인팅, Human-in-the-loop이 기본으로 있고, LangSmith로 모니터링까지 된다.

빠르게 멀티 에이전트 프로토타입을 만들고 싶다면 CrewAI가 최소한의 코드로 결과를 보여준다.

코드 작성/실행 중심 태스크거나 연구 목적이라면 AutoGen이 적합하다.

세 프레임워크 모두 활발하게 발전 중이라 몇 달 만에 기능 차이가 좁혀지거나 새로운 접근이 나올 수 있다. 하나에 올인하기보다는, 각각의 설계 철학을 이해하고 프로젝트 요구사항에 맞는 걸 고르는 게 현실적이다.