대규모 언어 모델 (LLMs)은 로우코드 (low-code) 및 노코드 (no-code) 자동화 플랫폼에서 빠르게 채택되고 있으며, 이곳에서 비전문가 사용자는 자연어 이해 (natural language understanding)를 외부 서비스 및 API와 결합하는 워크플로우를 설계합니다. LLM 에이전트는 LLM을 핵심 "두뇌"로 사용하여 추론하고, 계획하며, 복잡한 다단계 작업을 자율적으로 실행하는 LLM 시스템입니다. 본 논문에서 우리는 로우코드 자동화 플랫폼 내 LLM 에이전트 워크플로우에 대한 최초의 대규모 실증적 연구를 제시합니다. 우리는 공개적으로 사용 가능한 6,000개 이상의 n8n 워크플로우를 분석하고 설계의 네 가지 측면인 작업 분배 (task distribution), 구조 및 도구 사용 패턴 (structural and tool use patterns), 신뢰성 메커니즘 (reliability mechanisms), 그리고 자율성 수준 (autonomy levels)을 조사합니다. 우리의 분석은 LLM 워크플로우가 단순히 프롬프트 응답 파이프라인 (prompt response pipelines)이 아님을 보여줍니다. 대신, LLM은 제어 로직 (control logic), 외부 도구 (external tools), 통신 서비스 (communication services), 저장 시스템 (storage systems), 그리고 인간 검토 지점 (human review points)을 포함하는 더 넓은 자동화 구조 내에 흔히 내장되어 있습니다. 우리는 더 나아가 많은 워크플로우가 LLM 실행 후 경량화된 후처리 (post-processing) 또는 라우팅 로직 (routing logic)을 포함하고 있지만, 구조화된 폴백 경로 (structured fallback paths), 복구 루프 (repair loops), 실패 특화 알림 (failure-specific alerts), 그리고 인간 승인 게이트 (human approval gates)와 같은 명시적인 신뢰성 메커니즘은 여전히 상대적으로 드물다는 것을 발견했습니다. 이러한 결과는 실제 자동화 생태계에서 LLM 에이전트의 배포는 증가하고 있는 반면, 신뢰성, 안전성 및 거버넌스 (governance)를 위한 엔지니어링 지원은 제한적이라는 격차를 드러냅니다. 전반적으로, 우리의 연구는 실제 LLM 에이전트 워크플로우를 이해하고 개선하고자 하는 연구자, 플랫폼 개발자 및 실무자들을 위해 10가지 실증적 발견과 5가지 연구 시사점을 제공합니다.