---
title: "Multi-agent frameworks — 멀티 에이전트 프레임워크"
source: "https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC"
wiki: "systems-analysis.info/int"
article: "Multi-agent_frameworks_—_멀티_에이전트_프레임워크"
language: "ko"
categories:
  - "Category:AI Agents"
  - "Category:Korean"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 4663
wiki_created_at: 2026-09-06T23:38:12Z
wiki_modified_at: 2026-09-06T23:38:12Z
downloaded_at: 2026-09-07T23:03:52Z
---

# Multi-agent frameworks — 멀티 에이전트 프레임워크

**LLM 기반 멀티에이전트 프레임워크**는 대형 언어 모델(LLM)을 기반으로 구축된 여러 자율 AI 에이전트가 서로 상호작용하여 복잡한 문제를 공동으로 해결할 수 있도록 하는 소프트웨어 플랫폼입니다<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-survey_agents-1)</sup>. 이러한 시스템에서는 에이전트 프로필의 다양성, 에이전트 간 커뮤니케이션, 그리고 집단적 의사결정이 강조됩니다. 이 접근 방식은 각 에이전트가 특화된 역할을 수행하고 에이전트 간 메시지 교환이 인간의 협업을 모방하는 그룹의 '집단 지성'을 활용합니다.

이를 통해 복잡한 실제 시나리오를 모델링하고, 단일 지능형 에이전트의 능력을 초월하는 문제를 해결할 수 있습니다. 멀티에이전트 LLM 시스템은 이미 소프트웨어 개발, 사회 시뮬레이션, 경제 게임, 정치 토론 모델링 등의 분야에서 성공적인 결과를 보여주고 있습니다<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-survey_agents-1)</sup>.

## 주요 프레임워크 및 접근 방식

멀티에이전트 시스템의 발전은 이를 구축하고 연구하는 데 도움을 주는 다수의 오픈 소스 프레임워크의 등장으로 이어졌습니다.

### MetaGPT (2023)

'컨베이어 벨트' 방식(*assembly line*)의 협업을 지향하는 초기 오픈 소스 프레임워크 중 하나입니다. **MetaGPT**는 시스템에 표준 운영 절차(SOP)를 도입하고 각 에이전트에 특정 역할(예: 제품 매니저, 엔지니어, 테스터)을 부여합니다. 이 접근 방식을 통해 복잡한 작업을 하위 작업으로 분해하여 특화된 에이전트들에게 분배함으로써 혼란을 줄이고 환각(hallucination) 위험을 낮출 수 있습니다<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-harmony_survey-2)</sup>.

### CAMEL (2023)

**CAMEL**(*Communicative Agents for "Mind" Exploration*) 프레임워크는 대화를 통한 에이전트의 자율적 상호작용에 초점을 맞춥니다. 이 프레임워크는 LLM 에이전트 간의 대화를 조율하고 공통 목표를 향해 이끄는 *inception prompting* 방법론을 제안합니다. 각 에이전트에게 역할과 맥락이 부여된 후, 에이전트들은 자연어로 대화하며 점진적으로 공동 해결책을 도출합니다. CAMEL은 인간의 직접적인 개입 없이 협력이 필요한 시나리오에서 효과적으로 성능을 발휘했습니다<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-survey_agents-1)</sup>.

### AutoGen (2023)

Microsoft 연구원들이 개발한 범용적이고 유연한 프레임워크로, 여러 LLM 간의 대화를 기반으로 복잡한 애플리케이션을 구축하기 위해 설계되었습니다. **AutoGen**은 코드와 자연어 모두를 사용하여 에이전트 간의 상호작용 로직을 프로그래밍할 수 있습니다. 외부 도구 및 API와의 통합을 지원하여 소프트웨어 개발부터 대화형 시스템 구축에 이르는 광범위한 작업에 활용할 수 있습니다<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-survey_agents-1)</sup>.

### AgentVerse (2023)

OpenBMB 커뮤니티가 에이전트의 동적 협업과 창발적 행동을 연구하기 위해 개발한 오픈 플랫폼입니다. **AgentVerse**는 두 가지 작동 모드를 제공합니다:

1.  **문제 해결(task-solving)**: 여러 LLM 에이전트가 팀을 이루어 복잡한 작업(예: 공동 소프트웨어 개발)을 수행합니다.
2.  **환경 시뮬레이션(simulation)**: 사용자가 가상 환경을 설정하고 에이전트 간의 상호작용을 관찰할 수 있습니다(예: 교실 시뮬레이션 또는 죄수의 딜레마).

이 플랫폼은 제어 가능한 커뮤니케이션 관리를 위한 표준화된 환경과 통신 프로토콜의 중요성을 강조합니다<sup>[\[3\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-agentverse_github-3)</sup>.

### CrewAI (2024)

LLM 에이전트를 비즈니스 프로세스 및 데이터 분석에 통합하는 데 초점을 맞춘 프레임워크입니다. **CrewAI**는 에이전트가 텍스트 지침으로 기술된 단계를 수행하고 외부 도구(Python 클래스/함수)를 활용할 수 있는 *AI-Based Agents Workflow*(AgWf) 개념을 구현합니다. 이를 통해 LLM의 유연성과 결정론적 코드를 결합하여 복잡한 분석 시나리오를 자동화할 수 있습니다<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-harmony_survey-2)</sup>.

### LangGraph (2024)

LLM과의 대화에서 상태와 맥락을 표현하기 위해 그래프 구조를 활용하는 실험적 프레임워크입니다. **LangGraph**의 핵심 특징은 **순환 워크플로우**를 지원한다는 점입니다. 이를 통해 에이전트들은 공유 지식 그래프를 통해 데이터를 교환하고, 정보를 반복적으로 검색하며, 신뢰도를 평가하고, 답변을 수정할 수 있어 보강된 지식 베이스를 활용하는 정보 검색(QA) 작업에 특히 유용합니다<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-harmony_survey-2)</sup>.

### 기타 프로젝트

목표를 스스로 설정하고 웹 검색을 수행하며 코드를 실행하고 파일을 관리할 수 있는 완전 자율 AI 에이전트의 가능성을 보여준 실험적 프로젝트 **AutoGPT**와 **AgentGPT**도 폭넓은 주목을 받았습니다. 이러한 프로젝트들은 학술적인 동료 검토를 거치지 않았지만, 진정으로 자율적인 에이전트를 구축하기 위한 계획, 메모리, 도구 구성 요소의 중요성을 강조했습니다<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-nvidia_blog-4)</sup>.

## 멀티에이전트 시스템의 활용

- **소프트웨어 개발 자동화**: LLM 에이전트 그룹이 매니저, 프로그래머, 테스터 역할을 맡아 소프트웨어 프로젝트를 공동으로 계획하고 구현합니다. *ChatDev* 연구에 따르면, 4개의 에이전트로 구성된 팀이 작업 명세부터 테스트까지 모든 단계에서 대화를 나누며 단 몇 분 만에 간단한 애플리케이션을 만들어낼 수 있었습니다<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-harmony_survey-2)</sup>.
- **지능형 어시스턴트**: Microsoft 365 Copilot 및 IBM Watsonx Orchestrate와 같은 기업용 제품은 여러 에이전트를 활용하여 복잡한 작업을 수행합니다. 하나의 에이전트가 요청을 처리하고, 다른 에이전트가 데이터베이스에서 사실을 추출하며, 세 번째 에이전트가 보고서를 작성합니다.
- **과학 연구**: 에이전트는 가설의 생성 및 비판에 활용됩니다. *Guided Debate* 또는 *Self-Refine* 방식에서는 한 에이전트가 해결책을 제안하고 다른 에이전트가 이를 평가하고 수정함으로써 오류를 줄이는 데 도움을 줍니다<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-nvidia_blog-4)</sup>.
- **사회 시뮬레이션 및 가상 세계**: 기념비적인 프로젝트 *Generative Agents*에서 개성과 메모리를 부여받은 수십 명의 LLM 에이전트가 작은 가상 마을의 생활을 모방하여 현실적인 사회적 상호작용을 시연했습니다. 이러한 시뮬레이션은 게임(현실적인 NPC 생성), 교육, 사회과학 분야에서 활용될 수 있습니다<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-nvidia_blog-4)</sup>.

## 과제와 전망

성과에도 불구하고 멀티에이전트 시스템은 몇 가지 심각한 문제에 직면해 있습니다:

- **환각 및 연쇄 오류**: 한 에이전트가 저지른 오류가 다른 에이전트들에게 전달되어 추론의 기반으로 사용될 수 있으며, 이는 전체 그룹의 작업을 왜곡시킬 수 있습니다<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-survey_agents-1)</sup>.
- **확장성 및 자원 집약성**: LLM 기반의 각 에이전트는 상당한 컴퓨팅 자원을 필요로 합니다. 수십 개의 에이전트를 동시에 운용하는 것은 복잡한 기술적 과제입니다<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_note-survey_agents-1)</sup>.
- **조율 및 관리**: 에이전트 수가 증가할수록 혼란의 위험도 커집니다. 에이전트 간의 상호작용을 관리하기 위한 정교한 '오케스트레이션' 메커니즘이 필요합니다.
- **평가 및 테스트**: 다양한 멀티에이전트 프레임워크를 객관적으로 비교할 수 있는 보편적으로 인정받는 benchmark가 아직 존재하지 않습니다.

앞으로는 에이전트들이 텍스트뿐만 아니라 이미지 및 기타 데이터도 교환할 수 있는 보다 효율적이고 안전한 멀티모달 시스템의 등장이 기대됩니다. Reinforcement Learning의 도입은 에이전트 그룹이 시간이 지남에 따라 더 잘 조율하여 '집단 지성' 효과를 달성하도록 학습하는 데 도움을 줄 수 있습니다. 궁극적으로 멀티에이전트 프레임워크는 수많은 특화된 '지성'이 함께 작동하는 보다 유연하고 강력한 AI 시스템을 만들기 위한 하나의 발걸음입니다.

## 참고 링크

- 개요 논문: Large Language Model based Multi-Agents (2024)
- 개요 논문: LLMs Working in Harmony (2025)

## 참고 문헌

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Hong, S. et al. (2023). *MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework*. arXiv:2308.00352.
- Li, G. et al. (2023). *CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society*. arXiv:2303.17760.
- Wu, Q. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation*. arXiv:2308.08155.
- 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.
- Chen, W. et al. (2023). *AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors*. arXiv:2308.10848.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Guo, T. et al. (2024). *Large Language Model Based Multi-Agents: A Survey of Progress and Challenges*. arXiv:2402.01680.
- Chen, Q. et al. (2024). *ChatDev: Communicative Agents for Software Development*. arXiv:2307.07924.
- Duan, Z.; Wang, J. (2024). *Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI*. arXiv:2411.18241.
- Aratchige, R. M.; Ilmini, W. M. K. S. (2025). *LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems*. arXiv:2504.01963.

## 주석

1.  <span id="cite_note-survey_agents-1">↑ <sup>[1.0](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-survey_agents_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-survey_agents_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-survey_agents_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-survey_agents_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-survey_agents_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-survey_agents_1-5)</sup> Wang, L., et al. «Large Language Model based Multi-Agents: A Survey of Progress and Challenges». *arXiv:2402.01680* \[cs.AI\], 1 февр. 2024 г. <a href="https://arxiv.org/html/2402.01680v2" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-harmony_survey-2">↑ <sup>[2.0](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-harmony_survey_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-harmony_survey_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-harmony_survey_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-harmony_survey_2-3)</sup> Yu, H., et al. «LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems». *arXiv:2504.01963* \[cs.CL\], 2 апр. 2025 г. <a href="https://arxiv.org/html/2504.01963v1" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-agentverse_github-3">[↑](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-agentverse_github_3-0) «GitHub - OpenBMB/AgentVerse». *GitHub*. <a href="https://github.com/OpenBMB/AgentVerse" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-nvidia_blog-4">↑ <sup>[4.0](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-nvidia_blog_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-nvidia_blog_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%EB%A9%80%ED%8B%B0_%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8_%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC#cite_ref-nvidia_blog_4-2)</sup> «Building Your First LLM Agent Application». *NVIDIA Technical Blog*. <a href="https://developer.nvidia.com/blog/building-your-first-llm-agent-application/" class="external autonumber" rel="nofollow">[4]</a></span>