에이전틱 워크플로우 패턴 5가지: 프롬프트 체이닝부터 오케스트레이터까지

에이전틱 워크플로우(Agentic Workflow)는 LLM이 단 한 번의 응답으로 끝나지 않고, 여러 단계를 거치며 스스로 판단해 작업을 완수하도록 설계하는 시스템 패턴이에요. 콘텐츠 생성이나 리서치처럼 복잡한 작업을 LLM 한 번 호출로 해결하려 하면 카테고리 쏠림, 저가치 noise, 중복 패턴 같은 구조적 한계가 바로 드러나요. 이 글에서는 실무에서 검증된 5가지 워크플로우 패턴과, 이를 하나의 파이프라인으로 조합하는 방법을 정리해볼게요.

왜 단일 호출로는 부족할까

LLM의 출력 품질이 계속 좋아지면서, "한 번 호출"로는 해결하기 어려운 복잡한 작업에 대한 수요도 함께 커지고 있어요. 하지만 LLM을 한 번만 호출해서 대량의 결과물을 한꺼번에 요청하면 몇 가지 구조적 한계가 드러나요.

가장 흔한 문제는 카테고리 쏠림이에요. LLM은 안전하고 무난한 카테고리로 답을 편향시키는 경향이 있어요. 다음은 저가치 noise예요. 산업이나 브랜드 맥락 없이 일반적인 결과를 만들어내는 거예요. 마지막은 중복 패턴이에요. 같은 의도를 표현만 살짝 바꿔서 반복 생성하는 문제예요.

이런 문제는 프롬프트를 더 정교하게 쓴다고 완전히 해결되지 않아요. 작업을 여러 단계로 쪼개고, 각 단계마다 역할과 검증 기준을 분리하는 시스템 설계가 필요해요. 이게 에이전틱 워크플로우가 존재하는 이유예요.

워크플로우와 에이전트의 구분

Anthropic은 이 영역을 다룬 글에서 두 개념을 구분해요 ^[1]. 워크플로우(workflows)는 사전에 정의된 코드 경로로 LLM과 도구를 오케스트레이션하는 방식이고, 에이전트(agents)는 LLM이 스스로 다음 행동을 판단하며 프로세스를 동적으로 지시하는 방식이에요.

전통적 자동화는 사람이 모든 분기를 사전에 정의해요. 반면 에이전틱 접근은 LLM이 일부 판단을 담당하는 하이브리드 설계에 가까워요. 실무에서는 이 둘을 완전히 나누기보다, 예측 가능한 구간은 워크플로우로 고정하고 판단이 필요한 구간에만 에이전트적 자율성을 부여하는 방식으로 조합하는 경우가 많아요.

핵심 패턴 5가지

Anthropic이 정리한 5가지 패턴은 아래와 같아요 ^[1].

각 패턴은 독립적으로도 쓸 수 있지만, 실전 파이프라인에서는 여러 패턴을 조합해야 복잡한 콘텐츠 자동화를 감당할 수 있어요.

4패턴 조합 설계: 실전 파이프라인

실무에서는 이 중 4가지를 하나의 파이프라인에 조합하는 방식이 효과적이에요. Orchestrator-Workers만 제외하는 경우가 많은데, 처리 순서가 이미 고정된 파이프라인에서는 동적 작업 분배가 오히려 불필요한 복잡도이기 때문이에요.

대략적인 흐름은 이래요.

1. 전처리(Prompt Chaining · Gate): 중복 제거와 저가치 입력 필터링을 먼저 통과시켜요.
2. 분류(Routing): 패턴 매칭을 우선 적용하고, 애매한 케이스만 LLM으로 판단해요.
3. 쿼터 시스템(Prompt Chaining · Gate): 카테고리 균형을 맞추고 저가치 결과를 다시 걸러내요.
4. LLM 보충(Parallelization + Evaluator-Optimizer): 배치 병렬로 생성하고, 자가 검증 루프로 품질을 올려요.
5. 후처리(Prompt Chaining): 상업적 가치 기준으로 최종 정렬해요.

이렇게 단계마다 역할을 분리하면, 문제가 생겼을 때 "어느 단계에서 품질이 무너졌는지"를 바로 특정할 수 있어요. 단일 거대 프롬프트로 처리하면 이 진단 자체가 불가능해요.

Gate: 각 단계 사이의 통과/차단 조건

Prompt Chaining에서 가장 중요한 건 각 단계 사이에 두는 통과/차단 조건(Gate)이에요. 다음 단계로 넘길 만큼 품질이 확보됐는지, 아니면 중간에 걸러내야 하는지를 명시적으로 판단하는 지점이에요.

Gate가 없으면 파이프라인 뒤쪽 단계가 앞 단계의 저품질 결과를 그대로 물려받아요. 반대로 Gate를 촘촘하게 두면 처리 비용은 늘지만, 최종 산출물의 품질 편차가 크게 줄어들어요. 실전에서는 비용과 품질 사이의 균형점을 찾는 게 파이프라인 설계의 핵심 작업이에요.

GEO 콘텐츠 파이프라인에 적용하기

이 패턴들은 GEO 콘텐츠 운영에도 그대로 적용돼요. 예를 들어 AI가 인용하기 좋은 구조로 콘텐츠를 만드는 작업은, 정의·통계·출처를 포함한 콘텐츠가 인용 확률을 높인다는 연구 결과를 반영해 Gate 조건을 설계할 수 있어요 ^[2]. "출처가 포함됐는가", "직답형 정의가 상단에 있는가" 같은 조건을 전처리·후처리 단계에 넣으면, 사람이 매번 검토하지 않아도 일정 수준의 GEO 구조를 유지할 수 있어요.

TRAIL Search(search.traillabs.ai)는 이렇게 만들어진 콘텐츠가 실제로 AI 검색에서 얼마나 인용되는지를 진단하는 역할을 해요. 파이프라인이 만든 구조가 실제 인용으로 이어지는지 확인하는 마지막 검증 지점으로 쓸 수 있어요.

패턴을 고를 때 체크할 것

• 작업이 순차적으로 명확히 쪼개지는가 → Prompt Chaining
• 입력 유형이 다양하고 처리 방식이 달라져야 하는가 → Routing
• 같은 작업을 여러 관점에서 동시에 처리해야 하는가 → Parallelization
• 품질 기준을 자동으로 평가할 수 있는가 → Evaluator-Optimizer
• 작업 범위 자체가 사전에 예측되지 않는가 → Orchestrator-Workers

에이전틱 워크플로우는 "LLM을 더 많이 쓰는 것"이 아니라 "LLM을 어디에, 어떤 역할로 배치할지 설계하는 것"이에요. 패턴을 이해하고 나면, 막연히 프롬프트를 늘리는 대신 파이프라인 구조 자체를 개선할 수 있어요.

이 글과 이어지는 내용은 P-E-V 워크플로우: 계획-실행-검증으로 LLM 분류 오류 줄이기, GEO 데이터 AI 에이전트 설계 원칙: 구조화 도구 호출, 되돌릴 수 없는 작업 막기, RAG 할루시네이션 방어 전략: 유형을 나누고 검증 자동화의 한계 알기에서 볼 수 있어요.