Single Agent

Single Agent = 하나의 LLM(Large Language Model)이 도구 집합과 메모리를 가지고 사용자의 요청을 처음부터 끝까지 처리하는 가장 단순한 에이전트 토폴로지.
대부분의 production 에이전트는 사실 여기서 시작한다 — 멀티 에이전트는 단일 에이전트로 한계가 명확할 때 도입한다.

구조

Mermaid스크롤로 확대 · 드래그로 이동

코드 예 (LangGraph 기반 ReAct 단일 에이전트)

Python

장점

단순함 — 디버깅·관찰이 쉽다. 트레이스가 한 줄로 흐른다.
비용 효율 — LLM 호출이 한 명에 집중되어 토큰 낭비가 적다.
빠른 응답 — 에이전트 간 메시지 패싱 오버헤드 없음.

한계

도구 수가 늘어나면 LLM이 어느 도구를 골라야 할지 헷갈린다 (대략 도구 20개 이상부터 정확도 ↓).
한 에이전트의 컨텍스트 윈도우가 부족해지면 Multi Agent로 책임 분리가 필요.
도메인이 너무 넓으면 system prompt가 지나치게 길어진다.

언제 멀티 에이전트로 전환?

명확히 다른 역할(리서치 vs 글쓰기 vs 검증)이 필요할 때.
도구가 20+ 개를 넘기고 분리할 수 있을 때.
각 단계의 LLM 모델 선택(저렴 vs 강력)을 다르게 하고 싶을 때.

구조

Mermaid스크롤로 확대 · 드래그로 이동

코드 예 (LangGraph 기반 ReAct 단일 에이전트)

Python
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

agent = create_react_agent(
    model=ChatOpenAI(model="gpt-4o-mini"),
    tools=[search_tool, calculator_tool],
)
agent.invoke({"messages": [("user", "오늘 환율로 100달러는 몇 원?")]})

장점

단순함 — 디버깅·관찰이 쉽다. 트레이스가 한 줄로 흐른다.
비용 효율 — LLM 호출이 한 명에 집중되어 토큰 낭비가 적다.
빠른 응답 — 에이전트 간 메시지 패싱 오버헤드 없음.

한계

도구 수가 늘어나면 LLM이 어느 도구를 골라야 할지 헷갈린다 (대략 도구 20개 이상부터 정확도 ↓).
한 에이전트의 컨텍스트 윈도우가 부족해지면 Multi Agent로 책임 분리가 필요.
도메인이 너무 넓으면 system prompt가 지나치게 길어진다.

언제 멀티 에이전트로 전환?

명확히 다른 역할(리서치 vs 글쓰기 vs 검증)이 필요할 때.
도구가 20+ 개를 넘기고 분리할 수 있을 때.
각 단계의 LLM 모델 선택(저렴 vs 강력)을 다르게 하고 싶을 때.

구조

코드 예 (LangGraph 기반 ReAct 단일 에이전트)

장점

한계

언제 멀티 에이전트로 전환?

관련

Synapse Map Insight

Single Agent

구조

코드 예 (LangGraph 기반 ReAct 단일 에이전트)

장점

한계

언제 멀티 에이전트로 전환?

관련

Synapse Map Insight