Supervisor 패턴
연결된 노트와 함께 읽기
- Supervisor 패턴 = 1명의 매니저(Supervisor) 에이전트 가 사용자 요청을 받고, 어떤 워커 에이전트에게 작업을 위임할지 결정하고, 결과를 종합해 사용자에게 돌려주는 멀티 에이전트 구조.
- 가장 안정적이고 디버깅이 쉬워 production에서 가장 흔히 채택된다.
구조
Mermaid스크롤로 확대 · 드래그로 이동
- Supervisor는 워커들의 능력(
description)을 system prompt로 알고 있고, 매 턴 다음에 누구를 부를지 결정.
LangGraph 구현 (의사)
장점
- 흐름이 명확 — 모든 결정이 supervisor를 통과해 추적이 쉽다.
- 권한 격리 — 워커는 자기 역할 범위 안에서만 행동.
- 종료 제어 — supervisor가
FINISH를 결정하므로 무한 루프가 잘 안 난다.
단점
- Supervisor의 판단 품질이 곧 시스템 품질 (병목).
- 워커가 많아지면 라우팅 정확도 ↓ → 계층 구조로 쪼개야 함.
권장 운영 팁
- Supervisor에 structured output 으로 다음 워커를 강제. 자연어 자유 형식은 깨지기 쉽다.
- 워커마다
description을 한 줄로 명확히 — supervisor가 보는 메뉴판.
- 최대 turns 한도 설정.
관련
from langgraph.graph import StateGraph, START, END
from langchain_core.messages import HumanMessage
class State(TypedDict):
messages: Annotated[list, add_messages]
next: str
def supervisor_node(state):
decision = llm.with_structured_output(Route).invoke([
SystemMessage("다음 워커 중 하나를 골라라: researcher / coder / reviewer / FINISH"),
*state["messages"],
])
return {"next": decision.next}
def researcher_node(state): ...
def coder_node(state): ...
def reviewer_node(state): ...
graph = StateGraph(State)
graph.add_node("supervisor", supervisor_node)
graph.add_node("researcher", researcher_node)
graph.add_node("coder", coder_node)
graph.add_node("reviewer", reviewer_node)
graph.add_edge(START, "supervisor")
graph.add_conditional_edges("supervisor", lambda s: s["next"], {
"researcher": "researcher",
"coder": "coder",
"reviewer": "reviewer",
"FINISH": END,
})
# 모든 워커는 끝나면 다시 supervisor에게 보고
for w in ["researcher", "coder", "reviewer"]:
graph.add_edge(w, "supervisor")
