Swarm 패턴

Swarm 패턴

연결된 노트와 함께 읽기

Swarm 패턴 = 중앙 매니저 없이, 에이전트들이 서로에게 handoff(인계) 하면서 작업을 이어가는 멀티 에이전트 구조.
2024년 OpenAI가 Swarm 라이브러리로 발표하면서 용어가 굳어졌고, Strands Agents·LangGraph·AutoGen 등도 같은 패턴을 지원.

핵심 아이디어 — Handoff

각 에이전트는 평범한 도구처럼 "다른 에이전트로 넘기기" 함수를 갖는다.
LLM이 이 도구를 호출하면 제어권이 그 에이전트로 넘어간다.
대화 컨텍스트는 공유 — 마치 콜센터에서 담당자가 바뀌듯 자연스럽다.

OpenAI Swarm 예제

Python

Strands 예제

Python

Supervisor와의 차이

	Supervisor 패턴	Swarm
라우팅 결정	Supervisor가 중앙에서	각 에이전트가 자율
흐름	매니저 → 워커 → 매니저	P2P, 그래프
디버깅	쉬움	어려움
자율성	낮음	높음

장점

분산 자율 — 도메인 전문가 에이전트들이 알아서 협업.
컨텍스트 자연 인계 — 콜센터·상담 시나리오에 잘 맞음.

단점

흐름이 비결정적이라 디버깅·평가가 어렵다.
종료 조건을 명확히 안 잡으면 핑퐁 무한루프.
어떤 에이전트가 어떤 능력을 가졌는지 LLM이 잘 알아야 — description 품질이 곧 동작 품질.

핵심 아이디어 — Handoff

각 에이전트는 평범한 도구처럼 "다른 에이전트로 넘기기" 함수를 갖는다.
LLM이 이 도구를 호출하면 제어권이 그 에이전트로 넘어간다.
대화 컨텍스트는 공유 — 마치 콜센터에서 담당자가 바뀌듯 자연스럽다.

OpenAI Swarm 예제

Python
from swarm import Swarm, Agent
client = Swarm()

def transfer_to_refund():
    return refund_agent  # 다른 에이전트 반환 = handoff

triage = Agent(
    name="triage",
    instructions="문의 유형을 보고 적절한 에이전트로 넘겨라.",
    functions=[transfer_to_refund],
)
refund_agent = Agent(name="refund", instructions="환불을 처리한다.")

resp = client.run(agent=triage, messages=[{"role": "user", "content": "환불해줘"}])
print(resp.agent.name, resp.messages[-1]["content"])

Strands 예제

Python
from strands import Agent, Swarm

researcher = Agent(name="researcher", ...)
writer = Agent(name="writer", ...)
swarm = Swarm(agents=[researcher, writer])
swarm("리서치하고 글 써줘")

Supervisor와의 차이

	Supervisor 패턴	Swarm
라우팅 결정	Supervisor가 중앙에서	각 에이전트가 자율
흐름	매니저 → 워커 → 매니저	P2P, 그래프
디버깅	쉬움	어려움
자율성	낮음	높음

장점

분산 자율 — 도메인 전문가 에이전트들이 알아서 협업.
컨텍스트 자연 인계 — 콜센터·상담 시나리오에 잘 맞음.

단점

흐름이 비결정적이라 디버깅·평가가 어렵다.
종료 조건을 명확히 안 잡으면 핑퐁 무한루프.
어떤 에이전트가 어떤 능력을 가졌는지 LLM이 잘 알아야 — description 품질이 곧 동작 품질.

핵심 아이디어 — Handoff

OpenAI Swarm 예제

Strands 예제

Supervisor와의 차이

장점

단점

관련

Synapse Map Insight

Swarm 패턴

핵심 아이디어 — Handoff

OpenAI Swarm 예제

Strands 예제

Supervisor와의 차이

장점

단점

관련

Synapse Map Insight