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
| 구분 | Shallow Agents (1.0) | Deep Agents (2.0) |
|---|---|---|
| 계획 수립 | 암시적 계획 (사고의 연쇄, CoT) | 명시적 계획 (도구 기반 계획 유지) |
| 동작 방식 | 반응형 루프 (Reactive) | 사전 예방적 아키텍처 (Proactive) |
| 메모리 관리 | 컨텍스트 창 의존 | 영구적 외부 메모리 (VFS, DB) 활용 |
| 복잡성 제어 | 단일 프롬프트 만능주의 | 계층적 위임 및 컨텍스트 격리 |
| 수행 시간 | 몇 초 ~ 몇 분 | 몇 시간 ~ 며칠 단위의 장기 과제 |
2. 핵심 아키텍처 및 구현 (4대 기둥)
LangChain의 개념 가이드와 NVIDIA의 구현 사례를 통해 정립된 Deep Agents의 런타임 요구사항입니다.
- 계획 및 작업 분해 (Planning & Task Decomposition):
- 복잡한 목표를 작은 단위의 작업으로 나누고 진행 상황을 추적하며 필요에 따라 계획을 동적으로 수정함.
- 파일 시스템 기반 컨텍스트 관리 (Context Management):
- 가상 파일 시스템(VFS)을 활용하여 중간 결과물을 파일로 저장함으로써 컨텍스트 오버플로우를 방지하고 대규모 데이터를 다룸.
- 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.
- 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
- Deep-Agents-Explicit-Planning: 명시적 계획 수립 기법
- Deep-Agents-Hierarchical-Delegation: 계층적 위임 구조
- Deep-Agents-Persistent-Memory: 영구 메모리 활용
- Deep-Agents-Context-Engineering: 극한의 컨텍스트 엔지니어링
- Deep-Agents-State-Integrity: 상태 무결성 관리
- Self-Evolving-Agents-Self-Correction: 자가 진화 및 수정 메커니즘