LangChain은 2026년 6월 12일, '에이전트 엔지니어링 현황 (State of Agent Engineering)' 보고서를 위해 1,340명의 엔지니어를 대상으로 설문 조사를 실시했습니다. 이들 중 57%는 AI 에이전트를 프로덕션 (production) 환경에서 운영하고 있으며, 직원 10,000명 이상의 기업에서는 그 비율이 67%에 달합니다. 에이전트는 지난 12개월 사이 어느 시점에서 주말용 데모 단계를 벗어났습니다.

도구(tooling) 또한 그 흐름을 따랐습니다. LangGraph는 1.0 버전을 출시했습니다. OpenAI는 Swarm을 은퇴시키고 실제 SDK를 출시했습니다. Google의 ADK는 4개 언어로 1.0 버전을 출시했습니다. TypeScript 우선 프레임워크는 2,200만 달러 규모의 투자 라운드를 마감했습니다. 이 모든 상황은 당연한 질문을 더 어렵게 만들고 있습니다. 즉, 실제로 어떤 프레임워크를 기반으로 구축해야 하는가 하는 문제입니다.

저는 DevToolLab에 11개 프레임워크 모두에 대한 훨씬 더 긴 분석 내용을 작성했습니다 - 전체 가이드는 여기에서 확인하세요. 이 글은 요약 버전입니다.

루프(Loop) 그 이상의 가치

에이전트는 하나의 루프 (loop)입니다. 모델이 도구 (tool)를 요청하면, 사용자가 이를 실행하고, 결과를 다시 전달하며, 완료될 때까지 반복합니다. 이는 대략 40줄의 코드로 구현 가능하며 별도의 의존성 (dependency)도 필요하지 않습니다.

프레임워크에 비용을 지불하는 이유는 루프 주변의 화려하지 않은 요소들 때문입니다. 모델의 인자 (arguments)가 함수에 도달하기 전에 검증하는 도구 스키마 (tool schemas), 2시간짜리 작업이 재시작 시에도 유지될 수 있도록 체크포인트 (checkpoint)를 만드는 상태 관리 (state), 하나의 에이전트가 5개가 될 때의 오케스트레이션 (orchestration), 교환의 양 끝단에 적용되는 가드레일 (guardrails), 그리고 새벽 2시에도 실제로 읽을 수 있는 트레이스 (traces) 등이 그것입니다. 마지막 요소는 실무에서 선택 사항이 아닙니다. 해당 설문 조사에서 프로덕션 에이전트를 운영하는 팀의 94%가 관측 가능성 (observability)을 구축해 두었습니다.

프로토콜이 종속성(Lock-in) 문제를 해결하다

2026년에 대해 이해해야 할 가장 유용한 점은 프레임워크 선택을 잘못했을 때의 비용이 낮아졌다는 것입니다.

두 가지 표준이 이를 가능하게 했습니다. MCP는 에이전트가 도구와 데이터에 접근하는 방식을 표준화합니다. A2A는 벤더(vendor) 간에 에이전트들이 서로 통신하는 방식을 표준화합니다. A2A는 2026년 4월 기준 Linux Foundation에 안정적인 v1.0 버전으로 안착했으며 150개 이상의 후원 조직을 확보했습니다. 또한 MCP는 현재 OpenAI의 SDK, Google ADK, Microsoft의 프레임워크, LangGraph, Strands 및 Mastra에 네이티브로 탑재되어 제공됩니다.

따라서 여러분 시스템의 비용이 많이 드는 부분인 도구 통합 (tool integrations)은 SDK 외부에 존재합니다. 어떤 프레임워크가 승리할지 예측하기보다는, 여러분 팀의 언어와 개발자 경험 (developer experience)에 맞춰 최적화하세요. 만약 MCP가 생소하다면, MCP 서버 모음 또는 Python MCP 서버 가이드부터 시작해 보세요.

Python 옵션들

LangGraph는 에이전트를 체크포인트가 지정된 상태 객체 (checkpointed state object) 위의 그래프로 취급합니다. 최대의 제어권을 제공하며, 분기되는 지점, 인간의 개입을 기다리는 지점, 재개되는 방식 등 모든 엣지 (edge)를 직접 명시해야 합니다. LangChain이 12.5억 달러의 기업 가치로 1억 2,500만 달러의 투자를 유치한 지 이틀 뒤인 2025년 10월 22일에 1.0 버전에 도달했습니다. 세 단계 정도의 간단한 작업에는 과할 수 있지만, 흐름이 조건부(conditional)가 되고 장기 실행(long-running)되는 경우에는 그 장황함(verbosity)만큼의 가치가 있습니다.

CrewAI는 반대 방향으로 접근합니다. 에이전트를 목표를 가진 역할 (roles)로 기술하고 이들이 하나의 팀 (crew)으로서 작동하게 합니다. 가독성 있는 멀티 에이전트 (multi-agent) 프로토타입을 만드는 가장 빠른 경로이며, 지속적인 루머와 달리 LangChain에 의존하지 않습니다. 이를 빠르게 만들어주는 추상화 (abstraction)는 논리가 진정으로 복잡하게 분기될 때 극복해야 할 대상이 되기도 합니다.

Pydantic AI는 이미 Python의 절반이 가져다 쓰고 있는 검증 라이브러리 (validation library)의 기능을 LLM 출력에 적용합니다. 모델을 선언하면, 요행을 바라는 파싱 (parsing)이 아니라 규격에 맞는 데이터를 받거나 예외 (exception)를 받게 됩니다. 1.0 버전 이후 20개 이상의 제공업체 (providers)에서 작동합니다. 멀티 에이전트 오케스트레이션 (multi-agent orchestration) 기능은 그래프 프레임워크들보다는 아직 초기 단계입니다.

Agno (구 Phidata, 2025년 1월 31일 명칭 변경)는 속도에 최적화되어 있으며, FastAPI 런타임인 AgentOS를 함께 제공하므로 배포가 별도의 프로젝트가 되지 않습니다. Hugging Face의 smolagents는 약 천 줄 정도의 코드량으로 하나의 아이디어에 집중합니다. 즉, JSON 도구 호출 (tool calls)을 내보내는 대신 모델이 Python 코드를 직접 작성하게 하는 것입니다. 많은 작업에서 더 표현력이 풍부하지만, 실제 샌드박스 (sandbox) 환경을 요구합니다. LlamaIndex는 작업의 대부분이 자체 데이터에 대한 검색 (retrieval)인 경우 여전히 최고의 선택입니다. 그 이유는 커넥터 라이브러리 (connector library) 때문입니다.

벤더 SDK (The Vendor SDKs)

현재 네 개의 대기업이 에이전트 SDK를 출시하고 있으며, 각 SDK는 자사의 클라우드와 가장 잘 통합됩니다.

OpenAI Agents SDK는 지원이 중단된 (deprecated) Swarm을 대체했습니다. Swarm으로 시작하지 마십시오. 기본 구성 요소 (primitives)는 Agents, Handoffs, Guardrails, Sessions, Tracing으로 작고 명확합니다. MCP 지원이 기본적으로 포함되어 있으며, Python과 TypeScript를 모두 지원합니다. LiteLLM을 통해 100개 이상의 모델에 접근할 수 있으므로 엄격하게 OpenAI 전용은 아니지만, 공식적인 1.0 버전 없이 프로덕션 준비 완료 (production-ready) 상태로 설명되므로 버전을 고정 (pin)하여 사용하십시오.

Google ADK는 2026년 4월경 Cloud Next를 기점으로 Python, Go, Java, TypeScript 전반에 걸쳐 GA (General Availability)에 도달했으며, 기본적으로 A2A (Agent-to-Agent) 네이티브입니다. AWS Strands는 멀티 에이전트 기본 구성 요소와 A2A를 갖춘 1.0 버전에 도달했으며, Amazon은 이를 Amazon Q Developer의 내부 시스템으로 운영하고 있습니다.

Microsoft Agent Framework는 Microsoft가 중복되는 세 가지 제품을 출시했기 때문에 정리가 필요합니다. 이것은 AutoGen의 멀티 에이전트 모델과 Semantic Kernel의 엔터프라이즈 인프라 (enterprise plumbing)를 결합한, AutoGen과 Semantic Kernel 모두를 잇는 통합 후속작입니다. 2025년 10월 1일부터 .NET, Python, Go에서 퍼블릭 프리뷰 (Public preview)로 제공됩니다. 중요한 점은 다음과 같습니다: AutoGen과 Semantic Kernel은 현재 모두 유지 관리 모드 (maintenance mode)에 있으며, 보안 및 버그 수정만 이루어집니다. 여러분이 찾게 될 대부분의 튜토리얼은 여전히 Semantic Kernel을 가리키고 있을 것입니다. 새로운 작업에는 이를 무시하십시오.

TypeScript의 본격적인 등장 (TypeScript Finally Counts)

Python이 여전히 더 많은 예제를 보유하고 있지만, 2026년은 TypeScript (TS)가 더 이상 타협안이 아니게 된 해입니다. 위에 언급된 모든 주요 프레임워크가 TypeScript 경로를 제공합니다.

Mastra는 독보적인 리더입니다. Gatsby를 만든 팀이 개발했으며, 에이전트 (agents), 워크플로우 (workflows), RAG 및 평가 (evals)를 하나의 툴킷에 담고 있습니다. 2026년 4월 9일 Spark Capital이 주도한 2,200만 달러 규모의 Series A를 통해 총 3,500만 달러를 유치했으며, 1월에 1.0 버전을 출시했습니다. Vercel AI SDK는 또 다른 핵심 축으로, 완전한 프레임워크라기보다는 JS 기반 LLM 애플리케이션을 위한 기본 툴킷에 가깝지만, 이제 에이전트 프리미티브 (agent primitives), 도구 승인 (tool approval) 및 MCP를 지원합니다. 만약 당신의 제품이 이미 Next.js를 사용 중이라면, 이것이 가장 빠른 경로입니다.

여전히 가끔 Python에만 존재하는 라이브러리를 마주칠 수도 있습니다. 그것이 실제 비용이지만, 1년 전보다는 그 비용이 줄어들었습니다.

선택하기, 탑다운 (Top Down) 방식

1. 팀의 언어. TypeScript를 사용한다면 Mastra 또는 Vercel AI SDK를 선택하세요. Python에 튜토리얼이 더 많다는 것에 대한 죄책감은 버리셔도 됩니다.
2. 클라우드 또는 모델에 대한 의존도. Azure를 사용한다면 Microsoft Agent Framework, GCP를 사용한다면 ADK, Bedrock을 사용한다면 Strands, OpenAI 모델을 사용한다면 Agents SDK를 선택하세요.
3. 주로 검색(Retrieval) 중심인가? LlamaIndex를 선택하세요.
4. 검증된 출력 (Validated outputs)이 무엇보다 중요한가? Pydantic AI를 선택하세요.
5. 승인 게이트(approval gates)가 포함된 길고 조건적인 흐름인가? LangGraph를 선택하되, 학습 곡선에 대한 예산을 고려하세요.
6. 오늘 바로 프로토타입을 만들고 싶은가? CrewAI를 선택하거나, 런타임 (runtime)이 포함되길 원한다면 Agno를 선택하세요.

어떤 경우든 도구(tools)를 위해서는 MCP를 기반으로 구축하고, 에이전트 간(A2A) 통신을 구축하세요. 그래そう해야 나중에 마음이 바뀌더라도 비용이 많이 드는 부분들을 이식 가능하게(portable) 유지할 수 있습니다.

검증된 출력 (Validated Output)이란 무엇인가

가장 흔한 프로덕션 요구사항은 모델로부터 신뢰할 수 있는 구조화된 데이터 (structured data)를 얻어내는 것입니다. Pydantic AI는 이를 파싱(parsing)의 문제가 아닌 타입 선언 (type declaration)의 문제로 만듭니다:

from pydantic import BaseModel
from pydantic_ai import Agent

...

output_type=Weather가 핵심 비결입니다. 타입이 지정된 객체를 받거나, 잡을 수 있는 검증 에러 (validation error)를 받게 되며, 절대로 절반만 파싱된 문자열을 받지 않습니다. 이제 모든 진지한 프레임워크가 이와 유사한 기능을 갖추고 있습니다.

개발 중 유용한 도구들

에이전트를 연결할 때 제가 항상 띄워두는 몇 가지 브라우저 도구들입니다:

• JSON to Pydantic - 예시 페이로드 (payload)를 에이전트의 출력 규약 (output contract)이 될 모델로 변환합니다.
• AI Token Counter - 루프가 조용히 예산을 소진하기 전에 컨텍스트 (context) 사용량을 확인합니다.
• MCP Server Config Generator - JSON을 직접 작성하지 않고도 유효한 MCP 설정을 생성합니다.

마무리

2026년에는 최고의 에이전트 프레임워크란 존재하지 않으며, MCP와 A2A 덕분에 존재할 필요도 없습니다. 프레임워크를 사용 중인 언어와 클라우드에 맞추고, 유지 관리 모드 (maintenance mode)에 있는 것들 (Swarm, AutoGen, Semantic Kernel)은 피하십시오. 그리고 절약한 시간을 도구, 가드레일 (guardrails), 트레이스 (traces) 등 프레임워크가 직접 제공하지 않는 부분에 투자하십시오.

여기에 언급된 버전, 펀딩 및 라이선스는 2026년 7월을 기준으로 하며 빠르게 변동됩니다. 확정하기 전에 각 리포지토리 (repo)를 확인하고, 의존성 (dependencies)을 고정(pin)하십시오.

참고 문헌

• Best AI Agent Frameworks in 2026: Python & TypeScript Compared - 11개의 모든 프레임워크와 비교표가 포함된 DevToolLab의 전체 가이드
• LangChain: State of Agent Engineering
• Linux Foundation: A2A protocol surpasses 150 organizations
• LangGraph · CrewAI · Pydantic AI · Mastra · OpenAI Agents SDK · Google ADK · AWS Strands · Microsoft Agent Framework