# \#multi-agent-orchestration **URL:** https://discuss.pytorch.kr/tag/multi-agent-orchestration/4260.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[GN⁺\] 코드 에이전트 오케스트라 - 멀티 에이전트 코딩을 제대로 작동시키는 법](https://discuss.pytorch.kr/t/gn/9654)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 10, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/gn/9654 "2026-04-10T09:30:01Z")
코드 에이전트 오케스트라 글 소개 단일 AI 어시스턴트와 동기적 루프로 협업하던 방식에서, 여러 에이전트가 각자의 컨텍스트 윈도우와 파일 범위를 가지고 비동기적으로 동작하는 오케스트레이터 모델로의 전환이 2026년 현재 진행 중 서브에이전트(Subagents), 에이전트 팀(Agent Teams), 계층적 위임 등 3가지 핵심 패턴이 멀티 에이전트 코딩의 기본 구조를 이루며, 각각 병렬성, 전문화, 격리, 복합 학습이라는 효과를 제공 공유 태스크 리스트와 피어 투 피어 메시징이 에이전트 팀의 핵심 조율 메커니즘으로, 의존성 자동 해제와 병목 방지를 가능하게 함 2026년 기준 도구 생태계는 인프로세스 서브에이전트(Tier 1), 로컬 오케스트레이터(Tier 2), 클라우드 비동기 에이전트(Tier 3)의 세 계층으로 구분되며, 대부분의 개발자는 세 계층 모두를 용도에 맞게 혼합 사용 병목은 코드 생성이 아닌 검증(Verification) 으로 이동했으며, 플랜 승인, 훅(Hooks), AGENTS.md를 통한 품질 게이트와 인간 리뷰가 멀티 에이전트 체계의 신뢰성을 결정하는 핵심 요소 현재의 전환: 지휘자에서 오케스트레이터로 6개월 전까지 대부분의 개발자는 단일 AI 어시스턴트와 동기적으로 작업했으며, 단일 컨텍스트 윈도우가 작업의 상한선이었음 현재 가장 생산적인 개발자들은 각자의 컨텍스트 윈도우와 파일 범위, 책임 영역을 가진 여러 에이전트를 비동기적으로 조율하는 방식으로 전환됨 컨덕터(Conductor) 모델: 단일 에이전트를 실시간 동기 방식으로 안내; Claude Code CLI, Cursor 에디터 내 에이전트 모드가 대표 도구 오케스트레이터(Orchestrator) 모델: 각자의 컨텍스트 윈도우를 가진 여러 에이전트를 비동기 조율; Agent Teams, Conductor, Codex, Copilot Coding Agent가 대표 도구 오케스트레이터로서는 명확한 스펙 작성, 작업 분해, 결과물 검증이라는 새로운 역량이 필요함 AI 지원… --- ## [Vibe Kanban: AI 코딩 에이전트 오케스트레이션 및 협업을 위한 오픈소스 플랫폼](https://discuss.pytorch.kr/t/vibe-kanban-ai/8546)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [12월 30, 2025, 3:30오전 UTC](https://discuss.pytorch.kr/t/vibe-kanban-ai/8546 "2025-12-30T03:30:33Z")
Vibe Kanban 소개 Vibe Kanban은 개발자가 여러 AI 코딩 에이전트(AI Coding Agents)를 동시에 지휘하고 관리할 수 있게 해주는 오픈소스 AI 오케스트레이션(Orchestration) 플랫폼입니다. BloopAI 팀이 개발한 이 도구는 단순한 작업 관리 보드를 넘어, 로컬 환경에서 실행되는 AI 에이전트들의 작업 공간을 물리적으로 격리하고 병렬 처리를 가능하게 하는 '지휘 본부' 역할을 합니다. 최근 Vibe Coding 열풍이 불며 Claude Code, Gemini CLI, GitHub Copilot Workspace 등 자율적으로 코드를 작성하고 수정하는 에이전트들을 많이 사용하고 있습니다. 그러나 터미널에서 단일 에이전트를 실행하는 기존 방식은 '한 번에 하나의 작업'만 가능하며, 에이전트가 코드를 작성하는 동안 개발자는 대기해야 하는 비효율이 발생합니다. 또한, 에이전트가 생성한 코드가 기존 코드베이스를 훼손하지 않는지 검토하는 과정도 번거롭습니다. Vibe Kanban은 Git Worktree 기술을 활용하여 이러한 문제를 해결합니다. 개발자는 이 도구를 통해 여러 에이전트에게 동시에 작업을 할당하고(Parallel Execution), 각 에이전트가 안전하게 격리된 환경에서 코드를 작성하게 한 뒤, 변경 사항을 직관적인 UI로 검토(Review)하고 병합(Merge)할 수 있습니다. 이는 안드레 카파시(Andrej Karpathy)가 언급한 'Vibe Coding' (직접 코드를 짜기보다 AI의 결과물을 관리하고 리뷰하는 데 집중하는 방식)을 실현하는 가장 진보된 형태의 도구입니다. 기존 터미널 작업 vs Vibe Kanban 비교 특징 기존 터미널(CLI) 작업 방식 Vibe Kanban 오케스트레이션 작업 처리 직렬(Serial): 한 번에 하나의 작업만 수행 가능 병렬(Parallel): 다수의 에이전트가 동시에 여러 작업 수행 작업 환경 단일 워크스페이스: 메인 브랜치가 'Dir… --- ## [Claude Flow: 여러 개발 AI 에이전트들의 협력을 제어하고 자동화하는 AI 오케스트레이션 플랫폼(AI Orchestration Platform)](https://discuss.pytorch.kr/t/claude-flow-ai-ai-ai-orchestration-platform/7916)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 7, 2025, 3:30오전 UTC](https://discuss.pytorch.kr/t/claude-flow-ai-ai-ai-orchestration-platform/7916 "2025-10-07T03:30:09Z")
Claude-Flow 소개 Claude-Flow는 인공지능 기반 개발 환경을 완전히 새롭게 정의하는 오픈소스 AI 오케스트레이션 플랫폼(AI Orchestration Platform) 입니다. 이 프로젝트는 여러 AI 에이전트를 협력적으로 제어하고 자동화된 개발 워크플로우를 구성할 수 있도록 설계된 시스템으로, 단일 AI 모델이 아니라 ‘스웜(Swarm)’과 ‘하이브 마인드(Hive-Mind)’ 개념을 기반으로 한 다중 에이전트 시스템(Multi-Agent System) 을 제공합니다. Claude-Flow는 Anthropic의 Claude 모델 및 관련 SDK를 통합하여 작동하며, 내부적으로 87개의 MCP(Multi-Cooperative Processing) 도구와 SQLite 기반 메모리 시스템을 통해 복잡한 개발 환경에서도 지속적 학습과 자동화가 가능하도록 합니다. 특히 개발자 입장에서 인상적인 부분은 단순히 명령형 AI 챗봇을 넘어서서 프로젝트 수준의 AI 협업 체계를 구현한다는 점입니다. Claude Flow 플랫폼은 2.0 버전부터 Flow Nexus라는 클라우드 환경과 연동되어 있으며, 이를 통해 사용자는 AI 스웜을 클라우드에서 직접 배포하거나 분산 학습 모델을 구성할 수 있습니다. 개발자는 자신의 프로젝트 디렉토리 내에서 npx claude-flow@alpha 명령어만으로 AI 팀을 구성하고, “REST API를 만들어줘” 같은 자연어 요청만으로 실질적인 코드 구조를 생성할 수 있습니다. 이러한 접근 방식은 단일 AI 코드 보조도구(Copilot류)보다 한 단계 진보된 개념으로, AI 팀을 직접 관리하고 조율하는 개발 경험을 제공합니다. Claude-Flow는 OpenAI의 ChatGPT Code Interpreter , GitHub의 Copilot Workspace , LangChain의 AgentExecutor , HuggingFace의 Transformers Agent API 등과 유사한 기능을 제공합니다. 하지만 Claud… --- ## [Microsoft Agent Framework: Microsoft가 새롭게 공개한 Multi-Agent Framework (feat. Python, C#/.NET)](https://discuss.pytorch.kr/t/microsoft-agent-framework-microsoft-multi-agent-framework-feat-python-c-net/7884)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 2, 2025, 3:00오전 UTC](https://discuss.pytorch.kr/t/microsoft-agent-framework-microsoft-multi-agent-framework-feat-python-c-net/7884 "2025-10-02T03:00:24Z")
Microsoft Agent Framework 소개 Microsoft Agent Framework는 AI 에이전트와 멀티 에이전트 워크플로우를 구축, 조율, 배포할 수 있도록 설계된 새로운 프레임워크입니다. Python과 .NET을 모두 지원하며, 단순한 챗봇부터 복잡한 그래프 기반 멀티 에이전트 오케스트레이션까지 다양한 시나리오를 다룰 수 있도록 설계되어 있습니다. 특히 이 프레임워크는 AI 기반 애플리케이션을 개발하려는 팀이 언어나 플랫폼 제약 없이 빠르게 에이전트를 설계하고 실행할 수 있도록 돕습니다. 최근 AI 에이전트 프레임워크 시장은 빠르게 성장하고 있으며, 다양한 솔루션이 경쟁하고 있습니다. 하지만 기존 프레임워크는 특정 언어에 한정되거나, 대규모 오케스트레이션을 다루기에는 기능이 제한적이었습니다. Microsoft Agent Framework는 이러한 한계를 극복하기 위해 Python과 C#/.NET을 아우르는 통합 API, 그래프 기반 워크플로우, 실시간 모니터링 및 디버깅 환경까지 지원하여 개발자 경험을 크게 개선하고 있습니다. 따라서 AI 기반 챗봇, 대화형 도우미, 지능형 자동화 시스템을 구현하려는 개발자라면 이 프레임워크를 주목할 필요가 있습니다. 특히 멀티 에이전트 구조를 활용한 복잡한 AI 애플리케이션 개발에 있어 Microsoft Agent Framework는 중요한 역할을 하게 될 것입니다. Semantic Kernel 및 AutoGen과 비교 Microsoft는 이전에 Semantic Kernel은 플러그인 기반으로 AI 모델과 기존 코드, 워크플로우를 연결하는 데 초점을 맞췄으며, AI 오케스트레이션 기능을 제공하여 많은 개발자가 이를 활용해 AI 워크플로우를 구축했습니다. 그러나 Semantic Kernel은 C#과 Python 중심이었지만 확장성과 멀티 에이전트 지원 측면에서 한계가 있었습니다. 또한, Microsoft의 또다른 오픈소스 프로젝트 중 하나인 AutoGen은 여러 AI … --- ## [\[2025/07/07 ~ 13\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2025-07-07-13-ai-ml/7248)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 1\ **마지막 업데이트:** [7월 16, 2025, 8:21오전 UTC](https://discuss.pytorch.kr/t/2025-07-07-13-ai-ml/7248 "2025-07-16T08:21:24Z")
\[2025/07/07 ~ 13\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 이번 주 선정된 논문들을 살펴보면, 먼저 LLM을 중심으로 한 다중 에이전트 시스템(MAS)과 에이전트 간 통신 프로토콜에 관한 연구가 두드러집니다. 이는 AI 에이전트들이 단일 모델로서 독립적으로 작동하는 것을 넘어, 서로 협력하고 복잡한 문제를 공동으로 해결하는 방향으로 진화하고 있음을 보여줍니다. 특히 협업 구조, 역할 분담, 통신 보안 등 다양한 측면에서 체계적인 분석과 프레임워크 제안이 이루어지고 있어, 향후 다중 에이전트 기반 인공지능의 발전 가능성을 시사합니다. :two: 또한, 물리적 세계와 웹 기반 디지털 정보를 통합하여 에이전트가 보다 현실적이고 복합적인 작업을 수행할 수 있도록 하는 임베디드 웹 에이전트 연구가 주목받고 있습니다. 이를 위해 3D 시뮬레이션 환경과 웹 인터페이스를 결합한 벤치마크가 개발되고, 실제 인간 수준과 비교한 성능 평가가 진행되어 AI의 물리-디지털 융합 능력 향상에 대한 필요성이 강조되고 있습니다. :three: 마지막으로, AI 에이전트가 자연어 입력을 처리하는 과정에서 발생할 수 있는 보안 취약점, 특히 프롬프트 인젝션 공격에 대응하기 위한 설계 패턴과 방어책 연구가 활발합니다. 이는 AI 에이전트가 점점 더 다양한 도구와 민감한 정보를 다루게 되면서 보안 위협이 현실적인 문제로 대두되고 있음을 반영합니다. 따라서 안전하고 신뢰할 수 있는 AI 시스템 구축을 위한 기초 연구와 실제 적용 사례가 함께 제시되고 있어, 보안 분야의 중요성이 더욱 커지고 있음을 알 수 있습니다. 현실-디지털 융합 에이전트를 위한 구현형 웹 에이전트 / Embodied Web Agents: Bridging Physical-Digital Realms for Integrated Agent Intelligence 논문 소개 현재 AI 에이전트는… --- ## [Agent Squad: AWS가 오픈소스로 공개한, Multi-Agents 간 복잡한 대화 관리를 위한 경량 프레임워크](https://discuss.pytorch.kr/t/agent-squad-aws-multi-agents/7234)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 8, 2025, 9:30오전 UTC](https://discuss.pytorch.kr/t/agent-squad-aws-multi-agents/7234 "2025-07-08T09:30:25Z")
Agent Squad 소개 인공지능 기술이 고도화됨에 따라 하나의 거대한 모델에 의존하기보다는, 목적에 맞게 특화된 여러 AI 에이전트를 조합해 사용하는 방식이 점차 주류가 되어가고 있습니다. 특히 고객 지원, 의료 상담, 여행 추천, 전자상거래 상담처럼 복잡하고 다양한 대화가 요구되는 분야에서는, 단일 AI 모델로는 사용자 요구를 효과적으로 처리하기 어려운 경우가 많습니다. 이 문제를 해결하기 위해 AWS는 다양한 AI 에이전트를 하나의 팀처럼 조율할 수 있는 오픈소스 프레임워크 Agent Squad를 공개하였습니다. Agent Squad는 Python과 TypeScript 양쪽에서 사용할 수 있으며, 다양한 에이전트를 유연하게 연결하고, 각 에이전트의 역할에 따라 사용자의 요청을 분배하는 기능을 제공합니다. 특히 Amazon Bedrock, Amazon Lex, Lambda 같은 AWS 서비스와 깊이 통합되어 있어, 기업 환경에서 실질적으로 사용 가능한 멀티 에이전트 아키텍처를 빠르게 구축할 수 있는 것이 큰 강점입니다. Agent Squad의 아키텍처 및 구성 요소 Agent Squad의 가장 큰 특징은 멀티 에이전트 구조를 기반으로 한다는 점입니다. 사용자의 입력이 시스템에 들어오면, 먼저 해당 입력이 어떤 의도(intent)를 갖는지 분류하는 과정을 거칩니다. 이를 통해 어떤 에이전트가 해당 요청에 가장 적합한지를 결정하게 됩니다. 분류기(Classifier)는 과거 대화 이력과 에이전트의 특성을 고려하여 에이전트를 자동으로 선택합니다. 선택된 에이전트는 요청을 처리하며, 그 결과는 다시 오케스트레이터에 의해 사용자에게 전달되고, 동시에 대화 이력으로 저장됩니다. 이 모든 과정을 통해 사용자는 마치 하나의 통합된 AI 시스템과 대화하는 것처럼 느낄 수 있습니다. 이러한 구조는 다음과 같은 구성 요소로 이루어져 있습니다: AgentSquad 오케스트레이터: 모든 흐름을 제어하고, 각 에이전트의 실행을 조율하는 중앙 컴포넌트입니다. C… --- ## [SmolAgents, HuggingFace🤗가 공개한 LLM 중심의 Agent 기능 구현 라이브러리](https://discuss.pytorch.kr/t/smolagents-huggingface-llm-agent/5787)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [1월 5, 2025, 1:35오후 UTC](https://discuss.pytorch.kr/t/smolagents-huggingface-llm-agent/5787 "2025-01-05T13:35:50Z")
SmolAgents 소개 Hugging Face는 AI 언어 모델(LLM)을 기반으로 워크플로우를 간소화하고 에이전트를 구축할 수 있는 경량 라이브러리인 Smolagents를 공개했습니다. 이 라이브러리는 LLM이 외부 도구와 상호작용하며 작업을 처리하는 능력을 제공합니다. Smolagents는 단순성과 효율성에 중점을 두고 설계되어 Python 코드 기반의 액션을 작성하는 에이전트를 쉽게 만들 수 있습니다: from smolagents import CodeAgent, DuckDuckGoSearchTool, HfApiModel agent = CodeAgent(tools=\[DuckDuckGoSearchTool()\], model=HfApiModel()) agent.run("표범이 전속력으로 퐁데자르(Pont des Arts) 거리를 달리는데 몇 초나 걸릴까요?") Agent란 무엇인가요? :thinking: AI Agent는 LLM의 출력으로 워크플로우를 제어하는 프로그램입니다. AI Agents are programs where LLM outputs control the workflow . 이러한 AI Agent의 정의에서 '에이전트'는 (0 또는 1과 같은) 불연속적인 정의가 아니라, 워크플로우에서 LLM에 더 많거나 적은 권한을 부여함에 따라 연속적인 스펙트럼으로 진화할 수 있습니다. 아래 표와 같이 시스템에 따라 에이전시가 어떻게 달라지는지를 확인할 수 있습니다: 에이전시 수준(Agency Level) 설명 호출 방식 예시 패턴(Example Pattern) ☆☆☆ LLM 출력은 프로그램 흐름에 영향을 미치지 않음 단순 프로세서(Simple Processor) process\_llm\_output(llm\_response) ★☆☆ LLM 출력으로 기본 제어 흐름을 결정 라우터(Router) if llm\_decision(): path\_a() else: path\_b() ★★☆ LLM 출력으로 함수 실행을 결정 도구 호출(To…