아젠틱 프레임워크 선택을 가르는 신뢰 경계와 오케스트레이션

수렴하는 연결 방식, 갈라지는 운영 구조

JetBrains의 2026 State of Agentic Frameworks 보고서는 상위 20개 프레임워크를 오케스트레이션 중심형, 역할 기반 멀티에이전트형, SDK·플랫폼 통합형으로 나눈다.

오케스트레이션 중심형에는 LangGraph, AutoGen, Antigravity(AG2)가 포함된다. CrewAI, Agency Swarm, TaskWeaver는 역할 기반 협업에 초점을 맞추며, Claude Code, OpenAI Agents SDK, VertexAI Agent Builder는 SDK나 플랫폼과의 결합이 중심이다.

MCP(Model Context Protocol)와 A2A(Agent-to-Agent) 프로토콜이 사실상 표준으로 자리 잡으면서 도구와 에이전트를 연결하는 오케스트레이션 레이어는 점차 비슷해지고 있다. 하지만 실제 운영 구조까지 같아진 것은 아니다. 에이전트 사이의 신뢰 경계를 구현하는 방법, 온프레미스와 클라우드를 결합하는 방식, 조직이 소유한 워크플로우를 얼마나 세밀하게 반영할 수 있는지는 프레임워크마다 차이가 크다.

엔터프라이즈 환경에서는 프로덕션 에이전트의 안정성과 재현 가능성, 조직 데이터의 거버넌스와 격리 요구, NIST 및 국내 정보관리기술사 AI 시스템 설계 지침에 대한 대응 가능성을 함께 봐야 한다.

자율 실행 범위를 신뢰 경계로 통제한다

신뢰 경계(trust boundary)는 에이전트가 외부 도구, API, 다른 에이전트와 상호작용할 때 허용되는 자율 실행 범위를 정한다. 어느 작업까지 에이전트가 직접 처리하고, 어느 지점에서 인간 승인(human gate)을 거칠지 명시하는 기준이다.

NIST AI 에이전트 표준 이니셔티브 초안은 신뢰 경계를 다음과 같이 구분한다.

L1 (Sandboxed): 읽기 전용 도구 접근, 외부 API 호출 불가
L2 (Supervised): 제한적 외부 API 허용, 모든 상태 변경에 로깅 필수
L3 (Autonomous): 전체 도구 접근, 감사 추적과 롤백 메커니즘 필수

L2나 L3 에이전트를 운용한다면 별도 프로세스 또는 컨테이너로 격리할 수 있는지 프레임워크 선택 단계에서 확인해야 한다.

중앙 통제와 분산 협업 사이에서 고르기

⤢✕

단일 오케스트레이터 방식에서는 중앙 LLM이 하위 에이전트에 작업을 배분한다. 상태의 흐름을 따라가기 쉽고 디버깅도 비교적 단순하지만, 단일 장애점(SPOF)이 생길 수 있다.

분산 오케스트레이션은 에이전트 사이의 P2P 메시지 패싱을 허용한다. 복잡한 병렬 워크플로우와 확장성에는 유리하지만, 여러 에이전트의 권한과 상호작용을 각각 통제해야 하므로 신뢰 경계 설계가 복잡해진다.

운영 조건으로 비교하는 주요 프레임워크

상태 전이가 복잡하다면 LangGraph

LangGraph는 2026년 기준 가장 광범위하게 채택된 오케스트레이션 레이어다. 상태 머신(state machine)으로 워크플로우를 구성하며, 사이클릭 그래프(cyclic graph)를 이용해 루프와 조건 분기를 표현한다. LangSmith를 연결하면 에이전트 실행 과정의 추적과 평가도 가능하다.

복잡한 상태 전이를 포함한 엔터프라이즈 워크플로우에 적합하고, 커스텀 노드를 이용해 NIST L2/L3 격리를 구현할 수 있다. 반면 학습 난도가 높아 소규모 팀에는 구조가 과도해질 수 있다.

역할이 분명한 협업에는 CrewAI

CrewAI는 역할(role), 목표(goal), 배경(backstory)을 선언해 에이전트를 정의한다. 빠른 프로토타이핑에 강하며, 2026년 버전에서는 구조화 워크플로우인 Flows와 비구조화 협업 방식인 Crews를 함께 사용할 수 있다.

리서치, 콘텐츠 생성, QA처럼 역할을 명확히 나눌 수 있는 중소 규모 에이전트 팀에 어울린다. 다만 대규모 분산 배포에서는 오케스트레이션을 세밀하게 조정하는 데 제약이 있다.

Microsoft 환경과 결합하는 AutoGen

Microsoft AutoGen(Multi-Agent Framework)은 ConversableAgent 추상화를 바탕으로 에이전트 사이의 대화형 협업을 구성한다. 2026년 AutoGen v0.4에서는 런타임 격리, 비동기 메시지 패싱, Azure AI Foundry 네이티브 통합이 강화됐다.

Azure와 M365를 중심으로 운영하는 엔터프라이즈에 적합하다. Azure Policy, Entra ID를 비롯한 보안 정책과 연결할 수 있으며, NIST 준수 구조도 Azure 거버넌스 프레임워크와 연계할 수 있다.

코딩 자동화와 MCP 통합을 맡는 Claude Code

Anthropic의 Claude Code는 2026년 아젠틱 코딩 도구 가운데 가장 광범위하게 사용되는 터미널 에이전트로 자리 잡았다. Anthropic Agent SDK는 서브에이전트 스포닝(subagent spawning)과 병렬 실행을 지원하며, MCP 프로토콜을 통해 도구 통합 방식을 표준화한다.

코드 생성, 리뷰, 리팩토링 자동화와 MCP 기반 도구 연결에 적합하다. human gate 기능이 내장되어 있어 NIST L2 요건을 기본 충족하며, 안전 우선 설계와 모델 컨텍스트 관리 최적화가 강점이다.

분산 런타임을 제공하는 Antigravity

Google Antigravity(AG2)는 2026 Google I/O에서 발표된 분산 에이전트 런타임이다. Gemini 모델 패밀리와 네이티브로 통합되며, 에이전트 레지스트리, 동적 에이전트 디스커버리, Vertex AI 기반 배포 기능을 제공한다.

Go 언어 기반 런타임으로 높은 처리 성능을 제공하고 멀티 클라우드 환경에 에이전트를 분산 배포할 수 있다. 고성능 분산 에이전트 파이프라인이나 GCP 네이티브 환경에 적합하지만, 생태계가 빠르게 바뀌고 있어 API 안정성에는 주의가 필요하다.

프레임워크	오케스트레이션	신뢰 경계	배포 형태	NIST 준수 용이성
LangGraph	단일·분산 혼합	커스텀 구현	온프레미스·클라우드	중
CrewAI	단일 중심	제한적	클라우드 중심	중하
AutoGen (MAF)	분산 대화형	Azure 정책 연동	Azure 중심	높음
Claude Code SDK	서브에이전트 병렬	내장 human gate	클라우드·로컬	높음
Antigravity (AG2)	분산 레지스트리	동적 디스커버리	GCP 중심	중

배포 환경과 소유 워크플로우에 맞춘 선택

온프레미스가 필수인 금융·공공 환경에서는 LangGraph와 자체 LLM인 오픈소스 모델의 조합을 우선 검토할 수 있다. AutoGen도 로컬 배포 지원이 강화됐다. 클라우드 네이티브 환경이라면 Azure AI Foundry, Vertex AI, Anthropic Cloud와의 통합 비용을 기준으로 AutoGen, Antigravity, Claude Code SDK를 비교해야 한다. 하이브리드 환경에서는 LangGraph 또는 CrewAI의 셀프호스팅 오케스트레이터에 클라우드 LLM 엔드포인트를 연결하는 구성이 일반적이다.

워크플로우의 형태도 선택을 좌우한다. RAG나 분류처럼 단순한 선형 파이프라인에는 CrewAI Flows 또는 OpenAI Agents SDK가 맞는다. 조건 분기와 루프가 복잡하면 LangGraph State Machine이 적합하고, 실행 중 에이전트를 동적으로 만들고 협업시켜야 한다면 AutoGen 또는 AG2를 검토할 수 있다.

팀의 역량과 유지보수 비용까지 포함하면 기준은 다시 달라진다. 빠른 POC에는 선언적 YAML 정의를 사용하는 CrewAI가 유리하다. 장기 프로덕션 운영에는 풀 옵저버빌리티를 제공하는 LangGraph와 LangSmith 조합이 맞고, 모델 전환 유연성이 필요하다면 모델 추상화 레이어가 강한 LangChain 또는 Claude Code SDK를 선택할 수 있다.

특정 구현체에 대한 종속을 줄이려면 MCP와 A2A 프로토콜을 따르는 추상화 레이어를 조직 내부에 두고, 오케스트레이션 프레임워크를 교체할 수 있는 구조로 설계하는 편이 낫다.

NIST 대응은 프레임워크 밖의 운영 체계까지 포함한다

NIST는 2026년 2월 AI 에이전트 표준 이니셔티브(NIST AI 100-2 초안)를 발표했다. 이 문서는 멀티에이전트 시스템의 신뢰성, 안전성, 투명성, 상호운용성에 관한 기술 요건을 다룬다.

**Traceability(추적 가능성)**는 모든 에이전트 행동을 감사 로그에 남기고 입력→의사결정→출력의 연결을 재현할 수 있어야 한다는 원칙이다. **Containment(격리)**는 에이전트가 정해진 신뢰 경계 안에서만 실행되고, 경계를 위반하면 자동으로 중단돼야 한다는 요구다.

**Accountability(책임)**는 에이전트 행동의 책임 주체를 명확히 하고 인간 감독자(human principal)를 항상 식별할 수 있도록 한다. **Interoperability(상호운용성)**는 서로 다른 프레임워크, 모델, 플랫폼을 연결할 표준 인터페이스 지원을 요구한다.

국내 정보관리기술사 AI 시스템 설계 지침과의 연계도 고려해야 한다. 2026년 기준 국내 AI 시스템 설계 지침은 NIST AI RMF 1.0과 정합성을 맞추는 방향으로 개정이 추진 중이며, 에이전트 자율성 레벨과 자율 실행 범위를 명시적으로 문서화하도록 요구한다.

준비 초기인 단기(0-6개월)에는 현재 에이전트 시스템의 신뢰 경계를 매핑하고 NIST L1-L3 레벨로 분류한다. 중기(6-12개월)에는 감사 로그 파이프라인과 인간 승인 게이트 자동화, 롤백 메커니즘을 구현한다. 장기(12개월+)에는 NIST AI 100-2 정식 버전 발표 이후 인증을 준비하고 상호운용성 테스트를 수행한다.

오케스트레이션 계층이 비슷해질수록 프레임워크의 이름보다 운영 경계가 더 중요한 선택 기준이 된다. 배포 환경, 조직이 소유한 워크플로우, 팀의 유지보수 역량을 비교하는 동시에 신뢰 경계와 NIST 준수 계획을 함께 설계해야 한다.