Deep Agents (Agents 2.0) 정의 및 세대 변화

2026년 AI 에이전트 기술은 단순한 ‘챗봇’ 수준을 넘어, 스스로 계획을 수립하고 복잡한 워크플로우를 자율적으로 수행하는 Deep Agents (Agents 2.0) 시대로 진입했습니다.

1. 세대 변화: Shallow vs Deep

구분Shallow Agents (1.0)Deep Agents (2.0)
계획 수립암시적 계획 (사고의 연쇄, CoT)명시적 계획 (도구 기반 계획 유지)
동작 방식반응형 루프 (Reactive)사전 예방적 아키텍처 (Proactive)
메모리 관리컨텍스트 창 의존영구적 외부 메모리 (VFS, DB) 활용
복잡성 제어단일 프롬프트 만능주의계층적 위임 및 컨텍스트 격리
수행 시간몇 초 ~ 몇 분몇 시간 ~ 며칠 단위의 장기 과제

2. 핵심 아키텍처 및 구현 (4대 기둥)

LangChain의 개념 가이드와 NVIDIA의 구현 사례를 통해 정립된 Deep Agents의 런타임 요구사항입니다.

  1. 계획 및 작업 분해 (Planning & Task Decomposition):
    • 복잡한 목표를 작은 단위의 작업으로 나누고 진행 상황을 추적하며 필요에 따라 계획을 동적으로 수정함.
  2. 파일 시스템 기반 컨텍스트 관리 (Context Management):
    • 가상 파일 시스템(VFS)을 활용하여 중간 결과물을 파일로 저장함으로써 컨텍스트 오버플로우를 방지하고 대규모 데이터를 다룸.
  3. 하위 에이전트 생성 및 위임 (Subagent Spawning):
    • 특정 전문 작업이 필요한 경우 하위 에이전트를 생성하여 위임하며, 각 에이전트는 격리된 컨텍스트에서 작동하여 정보 혼선(Context Pollution)을 차단함.
  4. 지속성 및 내구성 (Durable Execution):
    • 실행 상태를 체크포인트로 저장하여 시스템 장애 시에도 작업을 재개할 수 있도록 보장함.

3. 주요 기술 사례

NVIDIA ProRL-Agent-Server (2026)

  • Rollout-as-a-Service: RL 에이전트 훈련과 롤아웃 인프라를 분리하여 확장성 확보.
  • OpenHands 기반: 높은 동시성과 플러그 가능한 핸들러 인터페이스 제공.
  • 성능 향상: SWE-Bench-Verified 기준 Pass@1 성능을 14.8%에서 21.2%로 대폭 향상시킴.

4. 관련 개념