오케스트레이션 프레임워크: CrewAI vs. AutoGen

원문은 BlockSimplified에 게시되었습니다 — 읽는 데 24분 소요

이 포스트는 AI Fluency 커리큘럼의 Module 5: Orchestrating Intelligence(지능 오케스트레이션)의 일부입니다. 우리는 왜 멀티 에이전트 시스템 (multi-agent systems)이 중요한지, 그리고 언제 이를 활용해야 하는지를 다루었습니다. 이제 실질적인 질문이 남았습니다: 실제로 어떤 프레임워크를 사용해야 할까요?

솔직한 사실을 말씀드리자면, 저는 순차적인 문서 처리 파이프라인을 AutoGen의 대화 모델 (conversation model)에 억지로 맞추려다 2주를 허비했습니다. 작동은 했지만, 코드는 어색했고 디버깅 (debugging)은 고통스러웠습니다. 명시적인 역할 (roles)과 작업 (tasks)을 사용하여 CrewAI로 다시 구축했을 때, 모든 것이 딱 맞아떨어졌습니다. 동일한 문제를 4분의 1의 시간 만에 해결한 것입니다.

그 반대의 경우도 마찬가지입니다. 대화 흐름을 미리 알 수 없는 동적이고 탐색적인 에이전트 상호작용 (agent interactions)이 필요했을 때, CrewAI의 경직된 작업 구조는 제약처럼 느껴졌습니다. AutoGen의 피어 투 피어 메시징 (peer-to-peer messaging)이 적합한 선택이었습니다.

이 포스트는 여러분이 저와 같은 실수를 피하도록 도와줄 것입니다. 우리는 이 두 가지 선도적인 **오케스트레이션 프레임워크 (orchestration frameworks)**를 정면으로 비교하고 명확한 결정 매트릭스 (decision matrix)를 제공할 것입니다.

왜 이 두 프레임워크인가?

멀티 에이전트 분야는 매우 혼잡합니다: LangGraph, OpenAI Agents SDK, Microsoft Agent Framework, 그리고 매 분기 새로운 진입자들이 등장하고 있습니다. 그렇다면 그중 하나가 유지 관리 모드 (maintenance mode)에 있음에도 불구하고, 왜 이 두 가지에 대해 포스트 전체를 할애하는 것일까요?

그 이유는 프레임워크의 급격한 변화 속에서도 에이전트가 협업하는 방식에는 두 가지 지배적인 모델이 존재하며, CrewAI와 AutoGen이 그 모델들을 가장 순수하게 구현하고 있기 때문입니다:

1. 오케스트레이션된 팀워크 (Orchestrated teamwork, CrewAI): 조정(coordination)이 사전에 설계됩니다. 역할(roles), 작업(tasks), 그리고 이들을 구동하는 프로세스(순차적 파이프라인 또는 계층적으로 위임하는 매니저 에이전트)를 정의합니다. 이는 이전 포스트에서 다룬 중앙 집중식 패턴입니다.
2. 대화 기반 협업 (Conversation-driven collaboration, AutoGen): 조정이 메시지 전달(message passing)을 통해 발생합니다. 계획을 소유하는 주체는 없으며, 에이전트들이 대화하고 반응하면서 워크플로우가 전개됩니다. 이는 스펙트럼의 분산형(decentralized) 측면에 가깝습니다.

이 두 가지 멘탈 모델(mental models)을 이해하면, 대화 기반 모델을 계승하는 Microsoft Agent Framework를 포함하여 다른 모든 프레임워크를 쉽게 분류할 수 있습니다. 또한 그래프 기반 오케스트레이션(graph-based orchestration)이라는 세 번째 패러다임이 존재하며, 포스트 마지막 부분에서 이를 포함한 다른 주목할 만한 프레임워크들을 이 지도 위에 배치해 보겠습니다.

핵심 철학의 차이

각 프레임워크가 **멀티 에이전트 오케스트레이션 (multi-agent orchestration)**을 어떻게 생각하는지에서 시작하지 않으면 비교가 빠르게 혼란스러워질 수 있습니다:

CrewAI: 프로젝트 팀 모델 (The Project Team Model)

CrewAI는 에이전트를 **역할(roles), 목표(goals), 작업(tasks)**을 가진 팀원으로 모델링합니다. 누가 무엇을 할지(연구원, 작가, 편집자), 무엇을 성취해야 하는지, 그리고 작업이 그들 사이에서 어떻게 흐르는지를 정의합니다. 이는 Jira에서 프로젝트를 설정하는 것과 같습니다: 명확한 할당, 정의된 워크플로우, 구조화된 인수인계.

AutoGen: 채팅 프로토콜 모델 (The Chat Protocol Model)

AutoGen은 에이전트를 비동기 메시징 (asynchronous messaging)을 통한 대화의 참여자로 모델링합니다. 에이전트들은 서로 메시지를 보내고, 이벤트에 반응하며, 통신 패턴을 통해 조정합니다. 이는 봇(bots)이 있는 Slack 워크스페이스를 설계하는 것과 같습니다: 메시지가 흐르고, 에이전트가 반응하며, 대화가 발생합니다.

측면 (Aspect)	CrewAI	AutoGen
멘탈 모델 (Mental Model)	역할과 작업을 가진 프로젝트 팀	메시지를 주고받는 채팅 참여자
...

어느 하나가 보편적으로 더 나은 것은 아닙니다. 올바른 선택은 문제의 구조에 달려 있습니다.

아키텍처 비교 (Architecture Comparison)

다음은 각 프레임워크가 내부적으로 멀티 에이전트 시스템 (multi-agent system)을 실제로 어떻게 구조화하는지 보여줍니다.

CrewAI 아키텍처 (CrewAI Architecture)

┌─────────────────────────────────────────────────────┐
│                      CREW                           │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐  │
...

CrewAI에서는:

• **에이전트 (Agents)**는 행동을 형성하는 역할 (roles), 목표 (goals), 그리고 배경 이야기 (backstories)를 가집니다.
• **태스크 (Tasks)**는 예상되는 출력값과 함께 구체적인 작업 항목을 정의합니다.
• **프로세스 (Process)**는 태스크가 흐르는 방식 (순차적 (sequential), 계층적 (hierarchical), 또는 사용자 정의 (custom))을 제어합니다.
• **크루 (Crew)**는 이 모든 것을 하나로 묶어 워크플로 (workflow)를 실행합니다.

AutoGen 아키텍처 (AutoGen Architecture)

┌─────────────────────────────────────────────────────┐
│                    RUNTIME                          │
│  ┌─────────────┐       ┌─────────────┐              │
...

AutoGen에서는:

• **에이전트 (Agents)**는 통신을 처리하고 응답하는 메시지 핸들러 (message handlers)입니다.
• **메시지 (Messages)**는 핵심적인 조정 메커니즘입니다 (비동기적 (async)이며 병렬 처리가 가능할 수 있음).
• 패턴 (Patterns) (예: Mixture-of-Agents)은 대화에 구조를 제공합니다.
• **런타임 (Runtime)**은 메시지 라우팅 (message routing)과 에이전트 생명주기 (agent lifecycle)를 관리합니다.

기능별 비교 (Feature-by-Feature Comparison)

에이전트 정의 (Agent Definition)

CrewAI:

from crewai import Agent

researcher = Agent(
...

AutoGen:

from autogen_agentchat.agents import AssistantAgent

researcher = AssistantAgent(
...

주요 차이점:

• CrewAI는 역할 (role), 목표 (goal), 배경 이야기 (backstory)를 명시적으로 분리합니다 (명확성을 위해 좋음).
• AutoGen은 단일 시스템 메시지 (system message)를 사용합니다 (더 유연하지만 구조화는 덜 되어 있음).
• 두 프레임워크 모두 사용자 정의 도구 (custom tools) 및 LLM 설정을 지원합니다.

태스크/워크플로 정의 (Task/Workflow Definition)

CrewAI:

from crewai import Task, Crew, Process

research_task = Task(
...

AutoGen:

AutoGen:

from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import TextMentionTermination

...

주요 차이점 (Key Differences):

• CrewAI: 의존성이 있는 명시적인 작업 정의 (명확하고 예측 가능함)
• AutoGen: 종료 조건 (termination conditions)을 기반으로 한 대화 주도 방식 (유연하고 창발적임)
• CrewAI는 작업 시퀀싱 (task sequencing)을 자동으로 처리하며, AutoGen은 명시적인 패턴이 필요함

에이전트 위임 (Agent Delegation)

CrewAI:

# 역할(roles)에 따라 위임이 자동으로 수행됨
# 매니저 에이전트(manager agent)가 팀원들에게 위임할 수 있음

...

AutoGen:

# 명시적인 메시지 라우팅 (message routing)을 통한 위임
from autogen_agentchat.teams import SelectorGroupChat

...

주요 차이점 (Key Differences):

• CrewAI: 계층적 프로세스 (hierarchical process)를 갖춘 내장형 위임 기능 (설정이 쉬움)
• AutoGen: 선택 함수 (selector functions)를 통한 명시적 라우팅 (더 많은 제어 가능, 더 많은 코드 필요)

메모리 및 컨텍스트 공유 (Memory and Context Sharing)

CrewAI:

# 작업 컨텍스트 (Task context)가 자동으로 흐름
write_task = Task(
    description="연구를 바탕으로 요약 작성",
...

AutoGen:

# 메시지 기록 (message history)을 통한 메모리
# 기본적으로 각 에이전트는 전체 대화 내용을 확인 가능

...

주요 차이점 (Key Differences):

• CrewAI: 임베딩 (embedding) 지원을 포함한 내장형 메모리 시스템
• AutoGen: 메시지 기록이 기본값이며, 외부 메모리를 사용하려면 설정이 필요함
• 두 프레임워크 모두 장기 메모리 (long-term memory)를 위해 벡터 스토어 (vector stores)를 통합할 수 있음

코드 예시: 동일한 문제, 두 가지 프레임워크

두 프레임워크에서 구현된 동일한 문제입니다: 한 에이전트는 주제를 연구하고, 다른 에이전트는 요약을 작성합니다.

CrewAI 구현

from crewai import Agent, Task, Crew, Process, LLM

# LLM 설정 (CrewAI 1.x는 자체 LLM 클래스 또는 모델 문자열을 사용함)
...

AutoGen 구현

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
...

무엇이 다른가? (What is Different?)

측면 (Aspect)	CrewAI 버전	AutoGen 버전
코드 라인 수 (Lines of Code)	~45	~55
...	...	...
둘 다 작동합니다. CrewAI는 무엇이 일어나야 하는지에 대해 더 명시적(explicit)입니다. AutoGen은 그것이 어떻게 일어나는지에 대해 더 유연(flexible)합니다.

결정 매트릭스: 언제 무엇을 사용할 것인가 (Decision Matrix: When to Use Which)

두 프레임워크로 직접 구축해 본 경험을 바탕으로, 실질적인 결정 가이드를 제공합니다:

다음과 같은 경우 CrewAI를 선택하세요:

시나리오 (Scenario)	CrewAI가 적합한 이유
정의된 워크플로 단계 (Defined workflow stages)	순차적/계층적 프로세스 (Sequential/hierarchical processes)가 핵심 요소임
...	...
CrewAI의 최적 활용 사례 (Sweet Spot): 콘텐츠 생성 파이프라인, 보고서 자동화, 각 단계마다 명확한 담당자가 있는 다단계 분석.

다음과 같은 경우 AutoGen을 선택하세요:

시나리오 (Scenario)	AutoGen이 적합한 이유
동적이고 탐색적인 작업 (Dynamic, exploratory tasks)	대화가 필요한 방향으로 자유롭게 진행될 수 있음
...	...
AutoGen의 최적 활용 사례 (Sweet Spot): 디버깅 대화, 탐색적 연구 작업, 정확한 흐름을 사전에 알 수 없는 시스템, 실시간 협업 시나리오.

"상황에 따라 다름" 케이스 (The "It Depends" Cases)

시나리오 (Scenario)	고려 사항
복잡한 분기 로직 (Complex branching logic)	AutoGen (더 유연함), LangGraph (명시적 상태 머신 (state machine)), 또는 CrewAI Flows (Crew에 대한 이벤트 기반 제어)
...	...

다른 프레임워크들은 어떤가요? (What About Other Frameworks?)

앞서 저는 나머지 분야를 패러다임 지도 위에 배치하겠다고 약속했습니다. 이 포스트는 가장 순수한 사례를 통해 두 가지 조정(coordination) 모델을 가르쳐 주었습니다. 그 외의 모든 것을 분류하려면 한 가지 모델이 더 필요합니다:

1. 역할 기반 오케스트레이션 (Role-based orchestration) (CrewAI): 팀을 설계하고, 작업을 정의하며, 프로세스가 이를 주도하게 합니다.
2. 대화 기반 협업 (Conversation-driven collaboration) (AutoGen): 에이전트들이 메시지를 통해 조정하며, 흐름이 자연스럽게 발생(emerge)합니다.
3. 그래프 기반 오케스트레이션 (Graph-based orchestration) (LangGraph, Microsoft Agent Framework의 Workflow): 노드(nodes)와 엣지(edges)로 구성된 명시적인 그래프를 정의합니다. 제어 흐름은 역할이나 대화가 아닌 결정론적(deterministic) 코드이며, 상태(state)는 체크포인트(checkpoint)를 찍고, 재개하고, 다시 재생(replay)할 수 있는 일급 객체(first-class object)입니다. 팀 메타포도, 채팅 메타포도 아닌, 상태 머신(state machine)입니다.

주요 프레임워크들이 위치한 지점은 다음과 같습니다:

• LangGraph (그래프 오케스트레이션 (graph orchestration)): 세 번째 패러다임의 전형적인 예시입니다. CrewAI보다 더 장황하며(verbose), AutoGen보다 더 구조화되어 있습니다. 모든 상태 전이(state transition)에 대해 정밀한 제어가 필요할 때 적합한 도구입니다. 1.0 버전 (2025년 10월 GA) 기준으로, 이는 Uber, LinkedIn, Klarna와 같은 기업에서 이미 프로덕션 에이전트(production agents)를 구동하고 있는 안정적이고 내구성이 있는 실행(durable-execution) 프레임워크입니다. 채택률이 빠르게 상승하여 더 이상 틈새 대안(niche alternative)이 아닙니다.

• Microsoft Agent Framework (대화 + 그래프 (conversation + graph)): AutoGen과 Semantic Kernel을 잇는 Microsoft의 엔터프라이즈 중심 후속작으로, 2026년 4월 1.0 버전으로 GA되었습니다. AutoGen의 대화 중심 패턴(그룹 채팅, 이벤트 기반 런타임)을 계승하면서도, 타입이 지정된 그래프 기반 워크플로(Workflow), 네이티브 MCP 및 에이전트 간(agent-to-agent, A2A) 지원, 그리고 .NET 및 Python SDK를 추가했습니다. 이 프레임워크는 두 가지 패러다임 사이에 걸쳐 있으며, 이것이 바로 이 포스트가 장단점을 가르치는 이유입니다.