「AI 에이전트를 만들 수 있는 사람」은 늘어났습니다.

하지만,

AI 에이전트를 "설계"할 수 있는 사람은 아직 많지 않습니다. 2026년, AI 에이전트 개발에서 가장 주목받고 있는 키워드가

Graph Engineering입니다.

본 기사에서는 Graph Engineering이란 무엇인지, 도표를 곁들여 알기 쉽게 해설합니다.

지난번에는

• Prompt Engineering
• Loop Engineering
• Agent Engineering

이에 대해 해설했습니다.

AI 에이전트를 만드는 것은 이전보다 쉬워졌습니다.

하지만, 실제 개발에서는 다른 문제가 발생하고 있습니다.

그것은

에이전트(Agent)끼리 어떻게 조합할 것인가

라는 문제입니다.

이 문제를 해결하는 사고방식이

Graph Engineering

입니다.

많은 AI 에이전트는

이러한 구조로 되어 있습니다.

입력
↓
Planner
...

매우 이해하기 쉬운 구조입니다.

하지만

이 구조에는 큰 문제가 있습니다.

예를 들어

Researcher가

• Web 검색
• PDF 분석
• GitHub 검색

을 수행한다고 가정해 봅시다.

많은 구현에서는

Web 검색
↓
PDF 분석
...

와 같이

순차적으로 실행합니다.

하지만

이것들은

서로 의존하고 있지 않습니다.

즉,

동시에 실행할 수 있습니다.

Graph Engineering에서는

업무를

일직선이

아니라

그래프 (Graph)

로 생각합니다.

예를 들어

Web 검색
／
Planner
...

가 됩니다.

이것만으로도

실행 시간은 크게 단축됩니다.

Graph에는

단 두 가지만 있습니다.

• Node
• Edge

입니다.

Node란

업무

입니다.

예를 들어

Planner
Researcher
Reviewer
...

모두

Node입니다.

Node는

「입력」

「처리」

「출력」

만을 가집니다.

즉,

하나의 책무만을 담당합니다.

Edge는

데이터의 흐름입니다.

예를 들어

Planner
↓
Researcher

가 아닙니다.

중요한 것은

Planner의 결과
↓
Researcher가 이용

라는

데이터 의존성입니다.

Graph에서는

순서가 아니라

데이터의 흐름

만을 생각합니다.

「그리고 (Then)」

라는 말에 속지 마십시오.

예를 들어

파일을 요약해 주세요.
그리고
날씨를 조사해 주세요.

이 두 가지는

관계가 없습니다.

즉,

요약
날씨

은

동시 실행할 수 있습니다.

Graph Engineering의 최대 특징입니다.

예를 들어, 100개 회사를 조사한다고 가정해 봅시다.

기존에는

회사 ①
↓
회사 ②
...

였습니다.

Graph에서는

회사 ①
회사 ②
회사 ③
...

가 됩니다.

Claude Code에서도

Dynamic Workflow는

이 사고방식을 채택하고 있습니다.

업무를

분할합니다.

예를 들어

회사 분석
↓
재무 분석
...

와 같이

복수의 에이전트(Agent)에게

업무를 배분합니다.

마지막으로

통합합니다.

재무
시장
경쟁사
...

이를

Fan-in

이라고 부릅니다.

Graph에서 가장 자주 사용되는 형태입니다.

Planner
│
┌────┼────┐
...

즉,

분할
↓
병렬
...

입니다.

Deep Research

코드 리뷰

시장 조사

거의 모든 것이

이 구조가 됩니다.

Graph는

도중에 분기할 수 있습니다.

예를 들어

중요 안건

이라면

상세 리뷰

로.

경미 안건

이라면

간이 리뷰

로.

AI가 판단하여

코드가 분기됩니다.

Graph Engineering에서는

복수의 AI로

확인합니다.

예를 들어

SQL 인젝션이 있습니다

라는 결과가 나오면

별도의 에이전트(Agent)가

정말?

라고 확인합니다.

나아가

제3의 에이전트(Agent)도 확인합니다.

이것만으로도

오탐(False Positive)은 크게 줄어듭니다.

Pipeline은

기다리지 않는 구조입니다.

예를 들어, 100건의 데이터라면

A
↓
B
...

이 아니라

A①→B①→C①
A②→B②→C②
A③→B③→C③

와 같이

계속 흘려보냅니다.

Graph에서는

Barrier (전원 대기)

보다

Pipeline

을 우선합니다.

Barrier는

전원이 끝날 때까지 기다립니다.

예를 들어

100건의 검색
↓
전부 끝날 때까지 대기
...

입니다.

Barrier는

필요한 곳에만 사용합니다.

병렬 실행 (Parallel execution)이 가능합니다.

Verifier (검증기)를 둘 수 있습니다.

경량 모델과

고성능 모델을

구분해서 사용할 수 있습니다.

Agent를

100개

1000개로

늘릴 수 있습니다.

Claude Code에서는

workflow

라고 쓰는 것만으로

Graph를

자동 생성할 수 있습니다.

예를 들어

workflow
src/routes 하위를 전부 감사해 주세요.

라고 쓰면

Claude는

• 태스크 분해 (Task decomposition)
• Parallel (병렬 처리)
• Verifier (검증기)
• Synthesizer (합성기)

까지 자동으로 설계합니다.

즉

Graph 그 자체를

Claude가 설계하는 시대가

되었습니다.

질문
↓
조사 항목으로 분해
...

기업 분석
↓
재무
...

테마
↓
대본
...

Prompt Engineering에서는

"무엇을 물을 것인가"

가 중요했습니다.

Agent Engineering에서는

"누구에게 시킬 것인가"

가 중요해졌습니다.

Graph Engineering에서는

"어떻게 연결할 것인가"

가 가장 중요해집니다.

Graph Engineering이란

AI 에이전트를

일직선이 아니라

그래프 (Graph)

로 설계하는 사고방식입니다.

중요한 것은

• Node (노드)
• Edge (엣지)
• Parallel (병렬 처리)
• Fan-out (팬아웃)
• Fan-in (팬인)
• Router (라우터)
• Verifier (검증기)
• Pipeline (파이프라인)

입니다.

AI 에이전트 개발에서는

프롬프트를 쓰는 능력보다

AI 시스템 전체를 설계하는 능력

이 앞으로 점점 더 중요해질 것입니다.

다음 회차는

Graph Engineering 실전편

으로서

• Failure Isolation (장애 격리)
• Loop until Dry (조건 충족 시까지 루프)
• Judge Pattern (판단 패턴)
• Model Tiering (모델 계층화)
• Topology (토폴로지)
• Claude Code Dynamic Workflows (Claude Code 동적 워크플로우)

까지 자세히 해설합니다.

• 제1회: Prompt Engineering에서 Agent Engineering으로
  제2회: Graph Engineering 입문 (이 기사)
• 제3회: Graph Engineering 실전
• 제4회: Claude Code Dynamic Workflows
• 제5회: OpenAI Agents SDK · LangGraph · Google ADK 비교