Planning Agent와 Execution Agent의 개념 정의
AI 에이전트 아키텍처가 고도화되면서 하나의 거대언어모델(LLM)이 모든 임무를 전담하던 방식에서 벗어나, 역할과 책임을 명확히 분리하는 멀티 에이전트(Multi-Agent) 시스템이 주류로 자리 잡고 있습니다. 그 중에서도 핵심적인 구조가 바로 기획을 담당하는 Planning Agent(기획 에이전트)와 실행을 전담하는 Execution Agent(실행 에이전트)의 분리입니다.
- Planning Agent (기획 에이전트): 사용자가 부여한 최종 목표를 분석하여 이를 달성하기 위한 전체적인 로드맵을 설계합니다. 거시적인 관점에서 문제를 더 작은 단위의 하위 태스크(Sub-task)로 쪼개고, 각 태스크의 실행 순서와 의존성을 정의하며, 실행 결과가 만족스럽지 못할 경우 계획을 수정하는 전략가 역할을 수행합니다.
- Execution Agent (실행 에이전트): Planning Agent가 세분화하여 할당한 구체적인 개별 태스크를 실제로 수행하는 실무자 역할을 합니다. 웹 검색, 데이터베이스 조회, 코드 실행, 파일 생성 등 사전에 정의된 특정 도구(Tool Calling)를 활용하여 오직 자신에게 주어진 단일 임무를 완수하고 그 결과 데이터를 반환하는 데 집중합니다.
두 에이전트를 독립적으로 분리하는 핵심 이유
복잡한 비즈니스 자동화 워크플로우에서 기획과 실행을 분리하는 아키텍처를 채택하면 시스템의 안정성과 효율성이 극적으로 향상됩니다.
1. 컨텍스트 오염 방지와 인지 부하 감소
하나의 에이전트가 계획 수립, 도구 선택, 결과 분석, 다음 단계 판단을 동시에 수행하면 프롬프트 내부의 컨텍스트(Context)가 급격히 비대해집니다. 이로 인해 모델이 길을 잃거나 중요 지침을 놓치는 인지 과부하 현상이 발생합니다. 역할을 분리하면 Planning Agent는 ‘목표와 순서 관리’에만 집중하고, Execution Agent는 ‘현재 주어진 도구 사용법과 데이터’에만 집중하므로 인지 부하가 최소화되어 각 단계의 성공률이 높아집니다.
2. 비용 최적화 및 모델 다변화 전략 (Model Heterogeneity)
모든 에이전트 연산에 가장 무겁고 비싼 최첨단 LLM(예: GPT-4o, Claude 3.5 Sonnet)을 사용할 필요가 없습니다. 거시적 추론과 전략 수립이 필요한 Planning Agent에는 고성능 모델을 배치하고, 단순한 API 호출이나 정형화된 데이터 가공을 수행하는 Execution Agent에는 속도가 빠르고 저렴한 소형 모델(sLLM)을 매칭함으로써 전체적인 AI 자동화 인프라 운영 비용을 획기적으로 절감할 수 있습니다.
3. 자가 치유(Self-Healing) 및 모듈화된 에러 핸들링
실행 단계에서 외부 API 오류나 데이터 누락 등 예기치 못한 실패가 발생했을 때, 역할이 분리되어 있으면 에러 처리가 명확해집니다. Execution Agent가 실패 메시지를 반환하면, 관조적 위치에 있는 Planning Agent가 이를 보고 계획을 전면 수정하거나 다른 Execution Agent에게 대체 임무를 부여하는 등 유연한 동적 피드백 루프를 구사할 수 있습니다.
역할 분리에 따른 의사결정 워크플로우
두 에이전트가 비즈니스 자동화 환경에서 어떻게 유기적으로 상호작용하며 협력하는지 구체적인 단계를 통해 파악할 수 있습니다.
- 사용자 요청 접수: “경쟁사 A, B, C의 최신 제품 가격을 조사하고 엑셀 보고서로 요약해줘.”
- Planning Agent의 로드맵 설계: 요청을 분석하여 다음과 같은 정밀한 계획 단계를 수립합니다.
- [단계 1] 경쟁사 A, B, C 웹사이트 및 뉴스 검색
- [단계 2] 수집된 가격 데이터 추출 및 검증
- [단계 3] 데이터를 기반으로 엑셀 파일 생성
- Execution Agent의 개별 태스크 수행: Planning Agent의 통제 아래 구체적인 실무가 실행됩니다.
- Execution Agent가 [단계 1]을 명령받아 웹 크롤링 도구를 구동하고 날것의 텍스트 데이터를 수집해 기획자에게 보고합니다.
- Planning Agent가 결과를 확인한 뒤, 이어서 [단계 2]와 [단계 3]을 전담 에이전트에게 순차적으로 하청을 주어 처리합니다.
- 최종 결과 검토 및 출력: Planning Agent가 모든 실행 결과물이 완벽히 도출되었는지 검증한 뒤 사용자에게 최종 완성본을 전달합니다.
단일 에이전트 구조와의 성능 비교 및 장단점
시스템 아키텍처 설계 시 단일 구조와 분리 구조의 트레이드오프를 면밀히 계산해야 합니다.
| 비교 항목 | 단일 에이전트 구조 (Single Agent) | 분리형 멀티 에이전트 구조 (Planning & Execution) |
| 태스크 복잡도 | 단순 질의응답 및 단발성 도구 호출에 적합 | 다단계 추론, 대규모 비즈니스 파이프라인에 필수적 |
| 정확도 및 안정성 | 단계가 길어질수록 할루시네이션 급증 | 모듈화된 검증으로 최종 목적지 도달 확률 극대화 |
| 개발 및 디버깅 | 프롬프트 하나만 수정하므로 초기 구축은 쉬움 | 어떤 단계의 어떤 에이전트가 실패했는지 추적 및 디버깅 용이 |
| 지연 시간 (Latency) | 내부 루프가 적어 단기 속도는 빠름 | 에이전트 간 통신 및 중계 오버헤드로 상대적으로 느림 |
| 확장성 (Scalability) | 새로운 기능(도구) 추가 시 프롬프트 수정 한계 | 새로운 전문 실무자(Execution Agent)를 무한히 확장 가능 |
성공적인 분리 아키텍처 구축을 위한 실무 지침
Planning과 Execution의 시너지를 극도화하기 위해 엔지니어링 단계에서 준수해야 할 핵심 설계 규칙입니다.
- 명확한 계약(Contract) 정의: Planning Agent가 Execution Agent에게 임무를 전달할 때와 Execution Agent가 결과를 보고할 때는 엄격하게 규격화된 데이터 포맷(예: JSON Schema)을 사용해야 합니다. 통신 포맷이 모호하면 에이전트 간의 오해가 발생하여 전체 파이프라인이 마비될 수 있습니다.
- 상태 관리 체계(State Management) 구축: 전체 프로젝트가 어디까지 진행되었고 어떤 데이터가 축적되었는지 기록하는 중앙 집중식 상태 저장소(State)를 두어야 합니다. 두 에이전트가 이 공통 공간을 참조하게 함으로써 컨텍스트 손실 없이 안정적으로 장기 태스크(Long-running task)를 완수할 수 있습니다.
- 인간 참여(Human-in-the-Loop) 지점 확보: Planning Agent가 설계를 마친 직후나, Execution Agent가 최종 파일을 생성하기 직전 등 민감한 비즈니스 구역에서는 인간 관리자의 승인을 거치도록 설계하는 것이 보안과 품질 관리 측면에서 안전합니다.