AI 에이전트 만들기: 개념부터 도구 선택과 운영까지

안녕하세요. 사랑받는 IT 프로덕트의 첫걸음, 똑똑한개발자입니다.

오늘의 인사이트 요약

1. AI 에이전트란 LLM이 목표와 제약 안에서 다음 단계와 도구 사용을 선택하는 시스템입니다.

2. AI 에이전트 만들기는 노코드 도구, 클로드 코드 서브에이전트, Claude Agent SDK 세 갈래 중 목적에 맞는 하나를 고르는 데서 시작합니다.

3. 멀티 에이전트 구축은 성능과 비용을 실제 작업에서 평가해야 하므로, 나눠서 동시에 할 수 있는 일인지부터 따져봐야 합니다.

AI 에이전트란 무엇인가, 챗봇과 무엇이 다른가

AI 에이전트는 도구를 실행한 결과를 보고 다음 행동을 선택하는 반복 구조를 가질 수 있습니다. 위 그림은 단순 질의응답과 에이전트 실행을 비교한 것입니다. 챗봇은 대화 인터페이스를 뜻하므로, 챗봇 안에서 에이전트가 동작하는 구성도 가능합니다.

이 차이는 Anthropic이 2024년 12월에 낸 글 "Building effective agents"에 정리돼 있습니다. 정해진 코드 경로를 따라 LLM과 도구를 엮은 것을 워크플로라 하고, 진행 순서와 도구 사용을 LLM이 직접 정하면 에이전트라 부릅니다. 그 바탕에 깔린 것은 검색·도구·메모리를 붙인 LLM입니다.

같은 글은 가장 단순한 해법부터 찾으라고 권합니다. 순서가 정해진 일이라면 워크플로로 충분하니 분기와 다음 행동을 상황에 따라 선택해야 하는지 살펴보라는 의미입니다. Building effective agents

이번에는 화면에서 흐름을 만드는 도구, 로컬 서브에이전트, 제품에 연결하는 SDK를 예로 들어 구현 방식을 살펴봅니다. 아래 세 방식이 가능한 선택지의 전부는 아닙니다.

AI 에이전트 구축 방법, 세 갈래 중 하나를 고릅니다

n8n은 화면에서 업무 흐름을 연결하는 선택지입니다.

n8n 커뮤니티 에디션은 라이선스가 허용하는 내부 업무·개인 용도 등에서 직접 설치해 사용할 수 있습니다. 고객에게 호스팅해 판매하는 방식 등은 별도 조건을 확인합니다. n8n 라이선스 화면에서 노드를 이어 메일 분류나 보고서 정리 같은 흐름을 짜는 방식입니다. 연결한 AI 모델의 API 사용료와 서버비는 따로 나가니, 무료라는 말은 도구 라이선스에만 해당한다고 보면 됩니다.

Claude Code 서브에이전트는 역할별 지시를 나눠 둡니다.

로컬 자료 읽기나 코드 검토처럼 Claude Code 안에서 처리할 일이라면 서브에이전트를 구성할 수 있습니다. 도식의 Pro 월 20달러는 월간 결제 기준 예시로, 연간 결제·세금·사용량 조건에 따라 달라집니다. 실제 사용 가능 범위는 공식 요금제에서 확인할 수 있습니다.

Claude Agent SDK는 제품 안에 실행 흐름을 넣는 도구입니다.

고객이 쓰는 제품에 에이전트 실행을 넣는 방법 중 하나가 Claude Agent SDK입니다. 파이썬은 pip install claude-agent-sdk, 타입스크립트는 npm install @anthropic-ai/claude-agent-sdk로 설치하고 인증은 Claude Console에서 받은 API 키로 합니다. 제품용 인증·과금 조건은 Agent SDK 공식 안내를 따릅니다. 개인 구독 로그인과 제품용 API 인증을 같은 것으로 취급하지 않습니다.

클로드로 AI 에이전트 만들기, 파일 하나로 시작합니다

프로젝트의 .claude/agents/ 폴더에 마크다운 파일을 하나 두면 클로드 코드가 그 파일을 서브에이전트로 인식합니다. 모든 프로젝트에서 함께 쓸 에이전트라면 ~/.claude/agents/ 폴더에 넣습니다. 클로드로 AI 에이전트 만들기는 이 파일 하나를 만드는 데서 시작합니다.

name: weekly-reporter
description: 주간 지표를 읽고 요약 보고서를 쓴다
tools: Read, Grep
model: sonnet
제공된 주간 지표 파일을 읽고 변화와 확인할 항목을 요약합니다.
사용한 파일명과 기간을 적습니다. 없는 수치는 추정하지 않습니다.
파일을 수정하거나 외부로 메시지를 보내지 않습니다.

반드시 채울 항목은 name과 description 두 개입니다. description은 이 에이전트에게 언제 일을 넘길지 정하는 기준이 되므로 짧고 구체적으로 적어야 합니다. tools를 비워 두면 쓸 수 있는 도구를 그대로 물려받습니다. 읽기만 할 에이전트라면 읽기 도구만 적어 권한을 좁혀 둡니다.

설정 아래 본문에는 실제 수행할 작업과 출력 형식을 적습니다. SDK로 옮길 때는 파일 설정의 로딩 방식, 도구 접근 권한과 인증을 다시 확인합니다. 로컬 파일이 제품에서 자동으로 동일하게 적용되는 것은 아닙니다. 서브에이전트 문서

멀티 에이전트 구축은 언제 필요할까

Anthropic은 2025년 6월 자사 리서치 기능을 만든 과정을 공개했습니다. Claude Opus 4가 계획을 세우면 Claude Sonnet 4 서브에이전트들이 검색을 나눠 맡는 구조였는데, 당시 내부 리서치 평가에서 Opus 4 단일 에이전트보다 90.2% 높은 성과를 보고했습니다. 특정 모델·과제에서 얻은 2025년 실험 결과이며 모든 업무의 성능 향상을 보장하는 수치는 아닙니다.

대신 토큰을 훨씬 많이 씁니다.

같은 글에서 관찰한 토큰 사용량은 일반 채팅 대비 에이전트 약 4배, 멀티 에이전트 약 15배였습니다. 도식의 숫자도 이 사례를 인용한 것으로 보편적인 배율은 아닙니다. Anthropic 리서치 시스템 사례 첫 기준으로 볼 것은 작업의 가치가 이 비용을 감당할 만한지입니다.

서로 맥락을 공유해야 하는 일에는 맞지 않습니다.

모든 에이전트가 같은 맥락을 봐야 하는 일이나 단계끼리 의존이 많은 일에는 멀티 에이전트가 잘 맞지 않는다고 Anthropic은 적었습니다. 코딩 작업 대부분이 리서치보다 병렬로 나눌 부분이 적다는 지적도 함께 나옵니다.

성공 기준과 중단 조건을 함께 정하면 에이전트의 동작을 평가하기 쉽습니다. 최대 실행 횟수·시간·비용, 사람에게 확인받을 작업, 실패 로그를 정하고 작은 업무로 시험합니다. 결제나 외부 발송처럼 영향이 큰 동작은 별도 승인 단계로 구성할 수 있습니다.

반복되는 업무에 맞는 AI를 고민합니다

AI가 할 수 있는 일이 많아질수록 우리 팀에서 실제로 쓸 장면을 고르는 일이 중요해집니다. 똑똑한개발자는 업무 흐름과 AI 기능을 연결해 서비스로 구현하는 일을 함께합니다.

매번 자료를 찾아 정리하는 일이나 여러 도구를 오가며 처리하는 일이 있다면 편하게 들려주세요. 사람이 확인할 지점까지 포함해 업무에 맞는 에이전트를 함께 구체화할 수 있습니다.

감사합니다. :)