지난 1년 동안 LLM(대규모 언어 모델)을 사용하여 무언가를 구축하는 데 시간을 보냈다면, 아마도 "Lang-피로(Lang-fatigue)"를 느껴보았을 것입니다. LangChain, LangGraph, LangSmith, deepagents, dcode, Langflow, LangFuse — 이러한 명명 규칙은 브랜딩에는 훌륭하지만, 온보딩(onboarding)에는 최악입니다. 이 가이드는 여러분이 정확히 어떤 도구를 선택해야 하는지, 그리고 왜 그런지를 알 수 있도록 전체 생태계를 풀어냅니다.

체인(Chains)에서 전체 엔지니어링 라이프사이클(Engineering Lifecycle)로

2022년에 "LangChain을 사용한다"는 것은 한 가지를 의미했습니다: Python에서 프롬프트 템플릿(prompt templates)과 LLM 호출을 함께 체이닝(chaining)하는 것 말입니다. 앱이 단발성 Q&A 봇이었을 때는 그것으로 충분했습니다.

에이전트(Agents)가 방정식을 바꾸어 놓았습니다. LLM이 루프(loop)를 돌고, 도구(tools)를 호출하며, 자신의 출력에 따라 분기(branch)하고, 몇 분 또는 몇 시간 동안 실행될 수 있게 되면서, "체인을 구축하는 것"은 더 이상 어려운 부분이 아니게 되었습니다. 진짜 어려운 부분은 다음과 같습니다:

• 빌드(Build) — 다단계(multi-step), 상태 유지(stateful), 때로는 순환적(cyclic)인 로직을 오케스트레이션(orchestrate)하는 것
• 테스트(Test) — 변경 사항이 에이전트를 더 좋게 만들었는지 아니면 더 나쁘게 만들었는지 아는 것
• 배포(Deploy) — 단순히 상태가 없는(stateless) HTTP 핸들러가 아니라, 프로덕션 환경에서 오래 지속되고 재개 가능한(resumable) 프로세스를 실행하는 것
• 모니터링(Monitor) — 자율 에이전트(autonomous agent)가 실제로 무엇을 했는지 사후에 확인하고, 잘못되었을 때 수정하는 것

오늘날의 "Lang" 생태계는 이러한 라이프사이클을 반영합니다. 이는 깔끔하게 두 가지 범주로 나뉩니다:

• 오픈 소스 빌딩 블록(Open-source building blocks) — langchain-core, langchain, langgraph, deepagents — 여러분이 임포트(import)하고 소유하는 코드입니다. 무료이며, 셀프 호스팅(self-hostable)이 가능하고, 프레임워크 레벨(framework-level)입니다.
• 상용 플랫폼 툴링(Commercial platform tooling) — LangSmith 및 그 하위 제품들(Observability, Evaluation, Engine, Deployment, Sandboxes, Fleet) — 에이전트를 대규모로 실행하기 위한 운영 계층(operational layer)으로, 무료 티어와 팀을 위한 유료 플랜이 있습니다.

플랫폼 종속성(lock-in) 없이 오픈 소스 계층을 사용할 수 있습니다. 대부분의 진지한 팀들은 "왜 이 에이전트가 프로덕션에서 실패했는가?"라는 질문에 답해야 할 시점이 되면 결국 LangSmith와 함께 사용하게 됩니다.

핵심 오픈 소스 빌딩 블록

langchain-core — 기반(foundation)

거의 모든 다른 패키지들이 그 위에 쌓여 있는 의존성(dependency)입니다. 이는 Runnable, 채팅 메시지 유형, 채팅 모델(chat models), 벡터 스토어(vector stores), 리트리버(retrievers)를 위한 기본 인터페이스와 같은 공유된 어휘(vocabulary)를 정의합니다. 이를 직접 설치하는 경우는 드물며—전이 의존성(transitive dependency)으로 포함되어 들어옵니다—하지만 이를 이해하면 왜 모든 LangChain 호환 통합(integration)들이 서로 교체 가능한 것처럼 느껴지는지 설명할 수 있습니다.

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.runnables import Runnable

...

사용 용도: 다른 모든 것들의 밑바탕에 있는 추상화(abstractions)를 이해하거나, 커스텀 통합(custom integration)을 작성할 때 기본 클래스(base classes)가 필요한 경우.

langchain — 모든 기능이 포함된(batteries-included) 에이전트

고수준 프레임워크(high-level framework)입니다. 대부분의 개발자가 여기서 시작합니다. 미리 구축된 에이전트 생성 패턴(예: create_agent), 에이전트 루프에 연결하기 위한 미들웨어 시스템(재시도(retries), 가드레일(guardrails), 로깅(logging)), 그리고 1,000개 이상의 모델 제공자, 벡터 스토어, 도구(tools)를 즉시 연결할 수 있는 기능을 제공합니다.

from langchain.agents import create_agent

agent = create_agent(
...

이상적인 사용 사례: 합리적인 기본값(defaults)과 함께 작동하는 에이전트를 빠르게 구축하고 싶으며, 제어 흐름(control flow)을 직접 설계할 필요가 없는 경우.

langgraph — 저수준(low-level), 상태 유지형 오케스트레이션(stateful orchestration)

langchain이 시작 속도를 최적화한다면, langgraph는 **결정론(determinism)과 제어(control)**를 최적화합니다. 이는 에이전트를 직선 형태의 체인(chain)이 아닌 노드(nodes)와 엣지(edges)의 그래프(graph)로 모델링합니다. 이는 로직이 루프를 돌거나, 조건부로 분기하거나, 인간의 개입을 위해 일시 중지해야 할 때 매우 중요합니다.

주요 기능:

• 순환 그래프 (Cyclic graphs) — 한 번 실행되고 끝나는 대신 루프를 도는(계획 → 실행 → 성찰 → 반복) 에이전트
• 내구성 있는 실행 (Durable execution) — 그래프가 실행 중간에 충돌하거나 재시작되어도 상태(state)를 잃지 않음
• 체크포인팅 (Checkpointing) — 모든 단계가 영구 저장되어 실행을 되감기(rewind), 다시 재생(replay) 또는 분기(fork)할 수 있음
• 인간 참여형 (Human-in-the-loop) — 노드가 일시 중지하고 계속 진행하기 전에 승인을 기다릴 수 있음

from langgraph.graph import StateGraph, END

graph = StateGraph(AgentState)
...

이상적인 사용 사례 (Ideal use case): 루프(loop)에 대한 명시적인 제어가 필요한 프로덕션 에이전트 — 고객 대면 워크플로우 (customer-facing workflows), 멀티 에이전트 시스템 (multi-agent systems), 작업 중간에 재시작되어도 상태가 유지되어야 하는 모든 경우.

deepagents & dcode — 장기 실행형, 개방형 에이전트 (long-running, open-ended agents)

deepagents는 단일 요청/응답 (request/response) 호출보다는 지속적인 직원처럼 작동하는 에이전트를 위해 langgraph 위에 구축된 하네스 (harness)입니다. 단일 도구 호출 (tool call)이 아니라, 수 시간 동안 지속되는 연구 작업이나 자율 코딩 세션을 생각하면 됩니다.

from deepagents import create_deep_agent

agent = create_deep_agent(
...

이는 에이전트에게 계획을 세우고, 파일을 읽고/쓰며, 병렬 작업을 위해 서브 에이전트 (sub-agents)를 생성하고, 장기적인 작업 동안 자체 컨텍스트 윈도우 (context window)를 관리할 수 있는 능력을 부여합니다.

이 SDK 위에 구축된 것이 바로 dcode (deepagents-code)입니다. 이는 Claude Code나 Cursor의 CLI와 정신적으로 유사한, 미리 구축된 터미널 기반 코딩 에이전트입니다. 모델 불가지론적 (model-agnostic)이며, 도구 호출 (tool calling)을 지원하는 모든 제공업체와 함께 작동합니다. 또한 지속적인 메모리 (persistent memory), 커스텀 스킬 (slash commands), 격리된 실행을 위한 원격 샌드박스 (remote sandboxes), 그리고 CI 파이프라인을 위한 헤드리스 모드 (headless mode)를 추가합니다.

# dcode 설치 및 실행
curl -LsSf https://langch.in/dcode | bash
dcode

이상적인 사용 사례 (Ideal use case): 단계를 사전에 완전히 스크립트로 작성할 수 없는 개방형 에이전트 작업 — 심층 연구 (deep research), 장기 실행 코딩 세션, 자율 디버깅 (autonomous debugging).

엔터프라이즈 플랫폼: LangSmith & 하위 제품들

오픈 소스 프레임워크가 "에이전트를 어떻게 만드는가"에 대한 답을 준다면, LangSmith는 "에이전트가 실제로 잘 작동하는지 어떻게 알 수 있는가, 그리고 어떻게 안정적으로 실행할 수 있는가"에 대한 답을 줍니다. 이는 프레임워크 불가지론적 (framework-agnostic)입니다. OpenTelemetry와 Python, TypeScript, Go, Java용 SDK를 통해 LangGraph, 가공되지 않은 OpenAI SDK 호출, 또는 그 외 무엇이든 추적 (trace)할 수 있습니다.

관측 가능성 (Observability)

모든 에이전트 실행을 구조화된 단계별 타임라인으로 분해하는 분산 추적 (Distributed tracing) — 어떤 도구가 어떤 순서로 호출되었는지, 어떤 입력값과 출력값이 사용되었는지, 그리고 모델이 왜 각 결정을 내렸는지를 보여줍니다. 분기 로직 (branching logic)과 긴 컨텍스트 (long context)로 인해 로그를 읽는 것만으로는 실패를 재현하기 어려워질 때 필수적입니다.

평가 및 엔진 (Evaluation & Engine)

• 평가 (Evaluation) — 실제 운영 환경의 추적 (trace) 데이터를 재사용 가능한 테스트 케이스로 변환합니다. LLM-as-a-judge 평가, 인간 주석 (human annotation), 그리고 온라인 (라이브 트래픽) 및 오프라인 (배치) 점수 산출 방식을 통해 에이전트를 평가합니다.
• LangSmith Engine — 한 단계 더 나아간 최신 기능으로, 운영 환경의 실패 사례를 우선순위에 따라 자동으로 클러스터링 (clustering)합니다. 사용자가 수동으로 추적 데이터를 뒤지게 두는 대신, 이를 코드 내 근본 원인 (root cause)으로 추적하고 검토를 위한 수정안을 제안합니다.

배포 및 인프라 (Deployment & Infrastructure)

LangSmith 에이전트 서버는 일반적인 무상태 (stateless) 웹 요청과는 다른 워크로드, 즉 오랫동안 실행되고, 내구성이 있는 체크포인팅 (checkpointing)이 필요하며, 인간 참여 (human-in-the-loop) 중단이 필요한 에이전트를 위해 구축되었습니다. 다음과 같은 기능을 기본적으로 지원합니다:

• 인간 참여 (Human-in-the-loop) 및 백그라운드 에이전트
• 메시지, UI 이벤트 및 커스텀 데이터의 타입 안정성 (Type-safe) 스트리밍
• 에이전트 군집 (agent swarms) 규모로 확장할 수 있도록 구축된 분산 런타임 (distributed runtime)
• 네이티브 MCP (Model Context Protocol) 및 A2A (agent-to-agent) 프로토콜 지원

플릿 및 샌드박스 (Fleet & Sandboxes)

• Fleet — 기업 내부용 에이전트를 구축하기 위한 노코드/로우코드 (no-code/low-code) 레이어입니다. 일반적인 언어로 작업을 설명하면, Fleet은 이를 기존 도구 전반에서 실행되는 반복적인 에이전트로 변환하며, 엔터프라이즈 보안 및 관리 제어 기능이 내장되어 있습니다.
• Sandboxes — 에이전트가 생성한 코드를 실행하기 위한 격리된 안전 환경입니다. 이를 통해 셸 명령어나 스크립트를 실행하는 자율 에이전트가 실제 인프라에 접근하는 것을 방지할 수 있습니다.

역사적 맥락 및 생태계 명확화

LangServe는 어떻게 되었나요?

LangServe는 LangChain Runnable을 REST API(FastAPI 기반, /invoke, /batch, /stream 엔드포인트 포함)로 배포하던 기존 방식이었습니다. 현재 버그 수정을 위해 여전히 유지 관리되고 있지만, LangChain은 이제 새로운 프로젝트에 대해 LangGraph Platform / LangSmith Deployment를 명시적으로 권장합니다. LangServe는 단순하고 상태가 없는 (stateless) runnables를 위해 설계된 반면, 현대적인 에이전트(agents)는 LangServe가 구축될 당시 고려되지 않았던 지속성(persistence), 메모리(memory), 체크포인팅(checkpointing), 그리고 인간 참여형(human-in-the-loop) 지원을 필요로 하기 때문입니다.

Langflow는 LangChain의 일부인가요?

아니요 — 이 부분에서 많은 사람들이 혼란을 겪습니다. Langflow는 내부적으로 LangChain 스타일의 프리미티브(primitives)를 사용하는 시각적 드래그 앤 드롭(drag-and-drop) 워크플로우 빌더이지만, 별개의 오픈 소스 프로젝트입니다 (DataStax에 인수되었으며, 현재는 DataStax의 인수에 따라 IBM 산하에 있습니다). 코드를 작성하지 않고도 RAG 파이프라인과 에이전트 흐름을 프로토타이핑하는 데 진정으로 인기가 높으며, 자체적인 MCP 서버 지원과 API 레이어를 제공합니다. 하지만 LangChain 팀에 의해 개발되거나 유지 관리되지 않으며, 로드맵 또한 독립적으로 움직입니다.

마주치게 될 다른 "Lang" 도구들

• LangFuse — 독립적인 오픈 소스 LLM 관측성 (observability) 플랫폼으로, LangSmith 트레이싱 (tracing)의 셀프 호스팅 가능한 대안으로 자주 사용됩니다.
• LangTest — 배포 전 LLM의 견고성 (robustness), 편향성 (bias), 공정성 (fairness)을 테스트하는 데 중점을 둔 오픈 소스 라이브러리입니다.

이 중 그 어느 것도 LangChain 제품이 아닙니다. 이들은 LangChain을 중심으로 성장한 더 넓은 생태계의 일부입니다.

요약 아키텍처 표

다음 단계

가장 빠르게 방향을 잡는 방법은 실제로 무엇을 구축하느냐에 따라 진입점을 선택하는 것입니다:

• 빠른 프로토타이핑 (Prototyping fast) → langchain으로 시작하세요
• 에이전트 루프 (agent loop)에 대한 실질적인 제어가 필요함 → 바로 langgraph로 가세요
• 자율적이고 장기 실행되는 에이전트 (autonomous, long-running agent) 구축 → deepagents를 확인해 보세요
• "내 컴퓨터에서는 잘 작동하는데" 단계를 넘어설 준비가 됨 → LangSmith를 설정하세요

직접 해보며 체계적으로 배우고 싶다면, LangChain Academy에서 전체 스택을 다루는 무료 코스를 제공하며, 이 생태계는 매우 빠르게 변화하므로 공식 문서 (official documentation)가 가장 확실한 정보원입니다.

이 내용이