Skip to main content

​
Deep Agents

Deep Agents는 LangGraph 플랫폼에서 제공하는 자율적으로 장시간 실행되는 에이전트 프레임워크입니다. 복잡한 작업을 독립적으로 수행하고, 필요에 따라 하위 에이전트를 생성하며, 격리된 환경에서 코드를 실행할 수 있습니다.

​
핵심 개념

개념설명
Deep Agent자율적으로 작업을 수행하는 장기 실행 에이전트
Skills에이전트가 사용할 수 있는 도구와 능력 세트
Subagents복잡한 작업을 위해 생성하는 하위 에이전트
Sandbox코드 실행을 위한 격리된 환경
Backend에이전트 실행을 관리하는 인프라

​
일반 Agent vs Deep Agent

항목일반 AgentDeep Agent
실행 시간초~분분~시간
실행 환경로컬 프로세스격리된 Sandbox
하위 작업도구 호출Subagent 생성
상태 관리체크포인터내장 Persistence
코드 실행제한적격리 환경에서 자유롭게
적합한 작업질문 답변, 검색코드 생성, 데이터 분석, 보고서 작성

​
Quickstart

from langgraph.prebuilt import create_react_agent
from langchain.chat_models import init_chat_model

llm = init_chat_model("gpt-4o", temperature=0)

# Deep Agent 스타일의 ReAct 에이전트 생성
agent = create_react_agent(
    model=llm,
    tools=tools,
    prompt="당신은 연구 보조 AI입니다. 주어진 도구를 활용하여 작업을 완수하세요.",
)

# 실행
result = agent.invoke({
    "messages": [HumanMessage(content="RAG 아키텍처 비교 보고서를 작성해줘")]
})

​
Skills (능력)

Skills는 에이전트에게 부여하는 도구와 능력의 집합입니다. 
from langchain_core.tools import tool

@tool
def read_file(path: str) -> str:
    """파일을 읽어 내용을 반환합니다."""
    with open(path, "r") as f:
        return f.read()

@tool
def write_file(path: str, content: str) -> str:
    """파일에 내용을 작성합니다."""
    with open(path, "w") as f:
        f.write(content)
    return f"파일 저장 완료: {path}"

@tool
def run_python(code: str) -> str:
    """Python 코드를 실행합니다."""
    # 프로덕션에서는 Sandbox에서 실행
    import subprocess
    result = subprocess.run(
        ["python", "-c", code],
        capture_output=True, text=True, timeout=30,
    )
    return result.stdout or result.stderr

# Skills 구성
skills = [read_file, write_file, run_python, web_search]

​
Skill 카테고리

카테고리예시설명
정보 수집웹 검색, 문서 검색, API 호출외부 정보 획득
파일 조작읽기, 쓰기, 편집파일 시스템 작업
코드 실행Python, Shell계산, 데이터 처리
커뮤니케이션이메일, 슬랙외부 알림

​
Subagents (하위 에이전트)

복잡한 작업을 하위 에이전트에게 위임합니다. 
from langgraph.prebuilt import create_react_agent

# 전문 하위 에이전트 생성
researcher = create_react_agent(
    model=llm,
    tools=[web_search, read_file],
    prompt="데이터 수집 전문가. 요청된 정보를 수집하세요.",
)

analyst = create_react_agent(
    model=llm,
    tools=[run_python],
    prompt="데이터 분석 전문가. 수집된 데이터를 분석하세요.",
)

# 메인 에이전트에서 하위 에이전트를 도구로 활용
@tool
def delegate_research(query: str) -> str:
    """연구 에이전트에게 정보 수집을 위임합니다."""
    result = researcher.invoke({
        "messages": [HumanMessage(content=query)]
    })
    return result["messages"][-1].content

​
Backends & Sandboxes

Deep Agent의 코드 실행은 격리된 Sandbox에서 수행됩니다.
Backend격리 수준속도적합한 환경
Docker높음보통프로덕션
E2B매우 높음빠름클라우드
Modal높음빠름GPU 작업
로컬없음매우 빠름개발
코드 실행 도구(run_python 등)는 프로덕션에서 반드시 격리된 Sandbox에서 실행하세요. 로컬 실행은 보안 위험이 있습니다.

​
사용 시나리오

시나리오Deep Agent 활용일반 Agent와 차이
코드 생성 + 실행Sandbox에서 안전한 코드 실행코드만 생성 (실행 불가)
데이터 분석 보고서수집 → 분석 → 시각화 → 보고서 자동화단순 질문 답변
멀티스텝 리서치Subagent로 병렬 조사 + 종합순차적 도구 호출
장기 실행 작업시간/일 단위 작업 지원시간 초과 위험
시작 추천: 먼저 create_react_agent로 기본 에이전트를 구축하세요. 작업이 복잡해지면 Subagent를 추가하고, 코드 실행이 필요하면 Sandbox를 연결합니다.

​
참고 자료

자료링크
LangGraph 공식 문서langchain-ai.github.io/langgraph
Deep Agents 가이드LangGraph Deep Agents
Agent 아키텍처Building Effective Agents