Agent as Tool

연결된 노트와 함께 읽기

Agent as Tool = 다른 에이전트를 도구처럼 호출 할 수 있게 노출하는 패턴. 호출자 입장에서는 그냥 도구가 늘어난 것처럼 보이고, 내부적으로는 별도의 에이전트가 자율 동작한다.
멀티 에이전트의 가장 단순하고 안정적인 시작점. Supervisor 패턴에서 워커를 함수처럼 다루는 방식이기도 하다.

구조

Mermaid스크롤로 확대 · 드래그로 이동

Strands 구현

Python

LangGraph 구현

Python

Sub-LLM as Tool과의 관계

Sub-LLM as Tool은 Agent as Tool보다 단순한 형태이다.

Agent as Tool은 도구 내부에 별도의 에이전트나 그래프가 들어갈 수 있지만, Sub-LLM as Tool은 도구 내부에 prompt | llm | parser 같은 단발 LLM 체인을 넣는다.

Mermaid스크롤로 확대 · 드래그로 이동

장점

분리·재사용 — research agent를 다른 supervisor에서도 그대로 가져다 쓸 수 있다.
컨텍스트 격리 — 워커 내부의 사고·도구 호출이 부모 컨텍스트로 누출 안 됨 → 토큰 절약.
언어·모델 이질성 흡수 — 워커가 다른 모델·다른 프로토콜이어도 호출자는 함수로만 본다.

단점

워커가 실패해도 호출자에겐 단순 에러로만 보임 → 디버깅이 어려움.
호출자가 워커의 진행 상황(streaming)을 보기 어려움. 필요하면 streaming 도구로 설계.
깊이가 깊어지면 비용·지연 곱셈.

권장 설계

워커 도구의 description을 명확히 — supervisor가 언제 부를지 판단하는 매뉴얼.
워커 응답 형식을 고정 (Structured Output) — 호출자가 다음 단계 판단을 안정적으로.
워커마다 토큰 예산 한도를 분리해 폭주 방지.

구조

Mermaid스크롤로 확대 · 드래그로 이동

Strands 구현

Python
from strands import Agent
from strands.tools import tool

researcher = Agent(
    name="researcher",
    tools=[search_paper, read_pdf],
    system_prompt="너는 학술 리서치 전문가다.",
)

@tool
def research(question: str) -> str:
    """심층 학술 리서치가 필요할 때 호출한다."""
    return researcher(question)   # 다른 에이전트를 호출

top = Agent(tools=[search_web, calculator, research])
top("RAG 평가 방법을 학술 자료 기반으로 정리해줘")
# → top이 research 도구를 부르고, 그 안에서 researcher 에이전트가 자율 동작

LangGraph 구현

Python
def research_agent_node(state):
    return research_graph.invoke({"messages": state["messages"]})

# 또는 도구 형태로 노출
@tool
def call_research_agent(query: str) -> str:
    return research_graph.invoke({"messages": [HumanMessage(query)]})["messages"][-1].content

Sub-LLM as Tool과의 관계

Sub-LLM as Tool은 Agent as Tool보다 단순한 형태이다.

Agent as Tool은 도구 내부에 별도의 에이전트나 그래프가 들어갈 수 있지만, Sub-LLM as Tool은 도구 내부에 prompt | llm | parser 같은 단발 LLM 체인을 넣는다.

Mermaid스크롤로 확대 · 드래그로 이동

장점

분리·재사용 — research agent를 다른 supervisor에서도 그대로 가져다 쓸 수 있다.
컨텍스트 격리 — 워커 내부의 사고·도구 호출이 부모 컨텍스트로 누출 안 됨 → 토큰 절약.
언어·모델 이질성 흡수 — 워커가 다른 모델·다른 프로토콜이어도 호출자는 함수로만 본다.

단점

워커가 실패해도 호출자에겐 단순 에러로만 보임 → 디버깅이 어려움.
호출자가 워커의 진행 상황(streaming)을 보기 어려움. 필요하면 streaming 도구로 설계.
깊이가 깊어지면 비용·지연 곱셈.

권장 설계

워커 도구의 description을 명확히 — supervisor가 언제 부를지 판단하는 매뉴얼.
워커 응답 형식을 고정 (Structured Output) — 호출자가 다음 단계 판단을 안정적으로.
워커마다 토큰 예산 한도를 분리해 폭주 방지.

Agent as Tool

구조

Strands 구현

LangGraph 구현

Sub-LLM as Tool과의 관계

장점

단점

권장 설계

관련

Synapse Map Insight

Agent as Tool

구조

Strands 구현

LangGraph 구현

Sub-LLM as Tool과의 관계

장점

단점

권장 설계

관련

Synapse Map Insight