---
title: "Agentic Workflows — 에이전트 워크플로"
source: "https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C"
wiki: "systems-analysis.info/int"
article: "Agentic_Workflows_—_에이전트_워크플로"
language: "ko"
categories:
  - "Category:AI Agents"
  - "Category:Korean"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 229
wiki_created_at: 2026-09-06T22:30:44Z
wiki_modified_at: 2026-09-06T22:30:44Z
downloaded_at: 2026-09-07T22:38:52Z
---

# Agentic Workflows — 에이전트 워크플로

**에이전트 워크플로** (**Agentic Workflows**) — 자율적인 AI 에이전트가 대형 언어 모델(LLM)을 기반으로 최소한의 인간 개입만으로 스스로 의사결정을 내리고, 행동을 수행하며, 작업을 조율하는 동적인 다단계 프로세스이다<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-ibm_what_is-1)</sup>. 이러한 시스템에서 LLM은 단순히 단일 요청에 대한 응답을 생성하는 것뿐만 아니라, 일련의 행동을 계획하고, 외부 도구와 상호작용하며, 결과를 반복적으로 개선하는 데 활용된다.

엄격하게 프로그래밍된 규칙에 기반한 전통적인 자동화와 달리, 에이전트 방식은 새로운 데이터와 예기치 않은 상황에 적응할 수 있는 유연성을 갖는다. 에이전트 워크플로는 단순한 LLM 호출(예: 텍스트 요약)과 구별되는데, 에이전트에게 행동 선택의 자율성이 부여되며, 여기에는 계획 수립, 도구 사용, 자기 수정이 포함된다<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-weaviate_blog-2)</sup>.

## 에이전트 Workflow의 구성 요소 및 아키텍처

에이전트 워크플로는 목표를 달성하기 위해 여러 핵심 구성 요소를 결합한다.

### AI 에이전트와 LLM

프로세스의 중심에는 **AI 에이전트** — 사용자 또는 시스템을 대신하여 행동하는 자율 프로그램 — 가 있다. 에이전트의 핵심 구성 요소는 자연어 명령을 이해하고 필요한 추론을 생성하는 대형 언어 모델이다. 에이전트의 성능은 프롬프트 엔지니어링에 크게 의존하며, 다양한 프롬프트 설계(예: Chain-of-Thought)가 LLM을 원하는 작업 방식으로 조율하는 데 도움을 준다<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-ibm_what_is-1)</sup>.

### 도구 (외부 행동에 대한 접근)

LLM의 지식이 학습 데이터에 한정되어 있기 때문에, 에이전트에게는 그 능력을 확장하는 외부 **도구**가 제공된다. 도구에는 지식 베이스, 검색 엔진, API, 코드 인터프리터 및 기타 애플리케이션에 대한 접근이 포함될 수 있다. 이를 통해 에이전트는 최신 정보를 획득하거나 모델 외부에서 실제 행동을 수행한다<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-weaviate_blog-2)</sup>.

### 메모리와 컨텍스트

에이전트 워크플로의 특징적인 요소는 에이전트가 이전 경험과 컨텍스트를 고려할 수 있게 하는 메모리 메커니즘의 존재이다.

- **단기 메모리**는 현재 세션 내에서 최근 정보(예: 대화 기록)를 유지한다.
- **장기 메모리**는 여러 실행에 걸쳐 축적된 지식과 결과를 저장하며, 흔히 외부 저장소(예: 벡터 데이터베이스)를 활용한다<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-ibm_autogpt-3)</sup>.

### 피드백과 수정

피드백 메커니즘은 신뢰성 향상에 중요한 역할을 한다. 에이전트는 작업 실행 환경, 보조 '비평가' 모델, 또는 사람(human-in-the-loop 모드)으로부터 피드백을 받을 수 있다. 예를 들어, **Reflexion** 시스템은 내부 자기 피드백을 구현한다: 에이전트는 자신의 오류를 분석하고, 이후 시도를 개선하기 위해 '성찰'을 메모리에 저장한다<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-reflexion_paper-4)</sup>.

### 멀티 에이전트 구성

복잡한 시나리오에서는 여러 전문화된 에이전트가 서로 상호작용하는 멀티 에이전트 아키텍처가 적용된다. 예를 들어, '플래너' 에이전트가 하위 작업을 배정하고, 여러 '실행자' 에이전트가 각자의 전문 작업(데이터 검색, 연산 등)을 수행한다<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-ibm_what_is-1)</sup>.

## 에이전트의 일반적인 패턴 및 알고리즘

에이전트 LLM 시스템에 대한 표준화된 범용 아키텍처는 아직 확립되지 않았지만, 2023–2024년에 반복적인 패턴들이 등장하기 시작했다<sup>[\[5\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-vellum_guide-5)</sup>.

- **단계별 계획 수립 (Prompt Chaining)**. 작업이 LLM 호출 체인을 통해 일련의 단계로 분해된다. 각 단계는 이전 단계의 결과를 입력으로 받아 전체 작업의 일부를 수행한다. 이 접근 방식은 해석 가능성을 높이지만 유연성이 다소 떨어진다.
- **라우팅 및 도구 선택 (Router Pattern)**. 에이전트는 먼저 입력 작업의 유형을 분류한 뒤, 이를 처리하기 위한 전문 프로세스나 도구를 선택하여 디스패처 역할을 한다.
- **병렬 해결책 탐색**. 단일 선형 사고 흐름 대신, 여러 해결 방안을 동시에 탐색한다. Tree-of-Thoughts 접근법이 그 예로, 에이전트가 트리처럼 추론 체인을 분기하여 각 단계에서 여러 '사고' 후보를 생성하고 가장 유망한 것을 선별한다<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-tot_paper-6)</sup>.
- **성찰과 자기 수정**. 에이전트는 자신의 결정을 비판적으로 평가하고 오류로부터 학습한다. Reflexion 방법에서 에이전트는 각 시도 후 결과를 분석하고, 이후 사이클에서 활용할 결론을 저장한다<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-reflexion_paper-4)</sup>.

## 주요 접근 방식의 사례

- **ReAct** (*Reasoning and Acting*) — 추론과 행동을 결합한 기초적인 방법(2022)이다. LLM은 논리적 추론(*thoughts*)과 도구를 통해 실행되는 구체적인 행동 단계(*actions*)를 번갈아 생성한다<sup>[\[7\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-react_paper-7)</sup>.
- **Reflexion** (2023) — 에이전트가 모델 가중치 업데이트 없이 텍스트 피드백을 통해 자신의 오류로부터 학습할 수 있게 하는 자기 성찰 프레임워크이다<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-reflexion_paper-4)</sup>.
- **Tree-of-Thoughts (ToT)** (2023) — Chain-of-Thought의 개념을 일반화하여 트리 형태로 해결책 탐색을 구성하는 프레임워크로, 모델이 여러 가지 전개 방향을 고려할 수 있게 한다<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-tot_paper-6)</sup>.
- **Auto-GPT** (2023) — 완전 자율적인 에이전트 워크플로를 시연한 최초의 광범위하게 알려진 오픈 소스 프로젝트 중 하나이다. 이 시스템은 전문화된 GPT-4 에이전트 그룹을 생성하여, 사용자가 지정한 고수준 목표를 달성하기 위한 단계를 공동으로 계획하고 실행한다<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-ibm_autogpt-3)</sup>.

## 적용 분야 및 영향

에이전트 방식은 지능적 자동화와 유연성이 요구되는 다양한 분야에서 활용되고 있다.

- **비즈니스 프로세스**: 에이전트 시스템은 문제를 자율적으로 진단하고 해결책을 찾을 수 있는 기술 지원 챗봇의 기능을 확장한다. 또한 금융, 인사 관리, 마케팅 분야에서도 활용된다<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-ibm_what_is-1)</sup>.
- **생성적 시뮬레이션**: 자율 LLM 에이전트는 커뮤니티나 캐릭터의 복잡한 행동을 모델링할 수 있다. 「Generative Agents」(Park et al., 2023) 연구에서는 서로 다른 성격을 부여받은 수십 명의 GPT 에이전트가 가상의 마을에서 사회적 생활을 그럴듯하게 모방했다.

Gartner 애널리스트의 평가에 따르면, 에이전트 AI(*Agentic AI*)는 2025년의 전략적 기술 트렌드 중 하나로 선정되었다<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-ibm_what_is-1)</sup>.

## 문제점 및 발전 전망

성과에도 불구하고, 에이전트 LLM 시스템은 여전히 새롭고 복잡한 기술이다.

- **자원 비용**: 계획 수립, 검색, 자기 분석의 추가 단계마다 별도의 LLM 호출이 필요하여 실행 시간과 비용이 증가한다.
- **행동의 예측 불가능성**: 에이전트에게 자유가 많을수록, 어떤 경로를 선택할지 보장하기가 어려워진다. 이는 제약 조건과 보호 메커니즘(guardrails)의 도입을 필요로 한다.
- **품질 평가 및 디버깅**: 오류를 찾기 위해 다단계 시스템의 방대한 로그를 분석하는 것은 간단하지 않은 과제이다.
- **보안과 윤리**: AI의 자율성이 증가함에 따라, 에이전트가 사용자와 사회의 이익을 위해 행동함을 보장할 필요성이 생긴다.

미래 연구는 범용적인 도구 사용 수단의 개발, 통합된 엔드투엔드 워크플로의 설계, 에이전트 시스템의 효율성 최적화에 초점을 맞추고 있다<sup>[\[8\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_note-survey_li_2024-8)</sup>.

## 참고 링크

- IBM의 에이전트 워크플로 개요
- Anthropic의 효과적인 AI 에이전트 구축 가이드

## 참고 문헌

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. arXiv:2305.16291.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. DOI:10.1126/science.ade9097.
- Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432.
- Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. arXiv:2406.05804.
- Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. arXiv:2407.18370.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110.
- He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. arXiv:2502.01390.
- Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. arXiv:2402.02716.
- Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. arXiv:2305.14564.

## 주석

1.  <span id="cite_note-ibm_what_is-1">↑ <sup>[1.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-ibm_what_is_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-ibm_what_is_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-ibm_what_is_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-ibm_what_is_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-ibm_what_is_1-4)</sup> «What are Agentic Workflows?». *IBM*. <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-weaviate_blog-2">↑ <sup>[2.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-weaviate_blog_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-weaviate_blog_2-1)</sup> «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. <a href="https://weaviate.io/blog/what-are-agentic-workflows" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-ibm_autogpt-3">↑ <sup>[3.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-ibm_autogpt_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-ibm_autogpt_3-1)</sup> «What is AutoGPT?». *IBM*. <a href="https://www.ibm.com/think/topics/autogpt" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-reflexion_paper-4">↑ <sup>[4.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-reflexion_paper_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-reflexion_paper_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-reflexion_paper_4-2)</sup> Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. <a href="https://arxiv.org/abs/2303.11366" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-vellum_guide-5">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. <a href="https://www.vellum.ai/blog/agentic-workflows-emerging-architectures-and-design-patterns" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-tot_paper-6">↑ <sup>[6.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-tot_paper_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-tot_paper_6-1)</sup> Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-react_paper-7">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-survey_li_2024-8">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%EC%9B%8C%ED%81%AC%ED%94%8C%EB%A1%9C#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. <a href="https://arxiv.org/html/2406.05804v1" class="external autonumber" rel="nofollow">[8]</a></span>