Agno? LangGraph?

AI Agent 를 공부하면서 들어본 용어들이다.

 

Agno는 Agent 를 빠르게 만들고 운영하기 좋은 프레임워크에 가깝고,

LangGraph는 Agent의 실행 흐름을 상태 그래프로 정밀하게 제어하기 좋은 프레임워크에 가깝다.

 

Agno 공식 문서 + GitHub 설명은, Agno는 agent platform을 만들기 위한 SDK이고, agent를 production service로 실행하고 tracing, scheduling, RBAC, audit logs 같은 운영 기능까지 강조한다. 

LangGraph 공식문서에서는 long-running, stateful workflow 또는 agent를 위한 low-level infrastructure라고 설명한다. 즉, prompt나 agent 구조를 대신 정해주는 고수준 프레임워크라기보다, 복잡한 agent workflow를 직접 설계할 수 있게 해주는 orchestration framework에 가깝다.

 

Agno는 어떤 느낌인가? 

Agno는 "Agent를 하나의 제품 단위로 빠르게 만들고 운영한다"는 느낌이다.

 

예를 들면 AI 비서나, 문서 검색 기반 RAG 에이전트, 여러 역할을 나눠서 동작하는 multi-agent team을 만들려고 한다.

Agno에서는 Agent에 모델, 도구, knowledge, memory 등을 붙이고, 필요하면 여러 Agent를 team으로 묶는 방식으로 접근할 수 있다.

 

개발자 관점에서 신경 써야 하는 부분을 생각해보면 

• 이 Agent는 어떤 모델을 쓸 것인가?
• 어떤 tool을 사용할 수 있게 할 것인가?
• 어떤 knowledge base를 붙일 것인가?
• memory나 session을 어떻게 관리할 것인가?
• 이 Agent를 API나 운영 환경에서 어떻게 실행할 것인가?

즉, Agno는 “Agent를 구성하고 운영하는 경험”을 비교적 상위 레벨에서 제공한다.

 

특히 AgentOS를 통해 agent와 대화하고, trace를 보고, knowledge를 관리하고, session과 performance를 모니터링하는 control plane을 제공한다는 점이 특징이다.

 

그래서 Agno는 빠르게 agent 기반 서비스를 만들어보고 싶거나, 내부 업무 자동화용 agent를 제품처럼 운영하고 싶은 경우에 잘 맞는다.

 

LangGraph는 어떤 느낌인가?

LangGraph는 이름 그대로 Graph가 핵심이다.

 

LangGraph에서는 agent나 workflow를 node와 edge로 구성한다. 각각의 node는 특정 작업을 수행하고, edge는 다음 단계로 어떻게 넘어갈지 정의한다. 여기에 state를 함께 다루면서, 현재 workflow가 어떤 정보를 가지고 있고 다음에 어떤 경로로 가야 하는지 명시적으로 제어할 수 있다.

 

예를 들어 이런 흐름을 만든다고 해보자.

1. 사용자의 요청을 분석한다.
2. 검색이 필요한지 판단한다.
3. 검색이 필요하면 research node로 간다.
4. 검색 결과가 부족하면 다시 검색한다.
5. 충분하면 답변 초안을 작성한다.
6. 품질 검토 node를 거친다.
7. 기준을 통과하지 못하면 다시 작성한다.
8. 마지막으로 사람이 승인하면 발송한다.

이런 구조는 단순한 “Agent 하나에게 알아서 해줘” 방식보다 훨씬 복잡하다. 중간에 반복이 있고, 조건 분기가 있고, 실패했을 때 되돌아가는 흐름도 있다. LangGraph는 이런 복잡한 흐름을 상태 그래프로 명확하게 표현할 수 있게 해준다.

 

공식 문서에서도 LangGraph는 durable execution, human-in-the-loop, memory, debugging 같은 기능을 핵심 장점으로 설명한다.

 

즉, LangGraph는 “AI Agent가 어떤 순서와 조건으로 움직여야 하는지 내가 직접 설계하고 싶을 때” 강력하다.

 

코드 작성 방식의 차이

Agno와 LangGraph의 차이는 코드 작성 방식에서도 드러난다.

Agno는 대체로 Agent를 선언하고 실행하는 방식에 가깝다.

agent = Agent(
    model=OpenAIChat(...),
    tools=[...],
    knowledge=...,
    memory=...
)

agent.print_response("이 내용을 분석해줘")

 

반면 LangGraph는 workflow 자체를 graph로 정의하는 방식에 가깝다.

graph = StateGraph(State)

graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_conditional_edges("research", route_next)
graph.add_edge("write", END)

app = graph.compile(checkpointer=...)

 

Agno는 “이 Agent에게 무엇을 줄 것인가?”에 집중한다.
LangGraph는 “이 workflow가 어떤 상태에서 어떤 단계로 이동할 것인가?”에 집중한다.

이 차이가 실제 프로젝트에서 꽤 크게 느껴진다.

핵심 관점	Agent 중심	State graph 중심
추상화 수준	높은 편	낮은 편
개발 방식	Agent, Team, Tool, Knowledge를 조립	Node, Edge, State, Condition을 설계
장점	빠른 구현, 운영 기능, multi-agent 구성	복잡한 흐름 제어, 상태 관리, 재시작/복구
적합한 경우	RAG agent, 내부 비서, agent product	복잡한 업무 자동화, 승인 workflow, 장기 실행 agent
단점	매우 복잡한 흐름은 내부 추상화가 답답할 수 있음	처음 설계할 때 상대적으로 어렵고 코드량이 늘 수 있음

 

언제 Agno를 선택하면 좋을까?

Agno는 다음과 같은 경우에 잘 맞는다.

 

1. 빠르게 AI Agent를 만들어보고 싶을 때다. Agent에 모델과 도구를 붙이고, 필요하면 knowledge나 memory를 추가하는 방식이 직관적이다.

 

2. 단일 Agent가 아니라 여러 역할을 가진 Agent들을 team처럼 구성하고 싶을 때다. 예를 들어 Research Agent, Writer Agent, Reviewer Agent처럼 역할을 나눠서 구성할 수 있다.

 

3.  단순한 실험이 아니라 운영까지 고려하고 싶을 때다. Agno는 agent를 production service로 실행하고, session, trace, memory, 권한 등을 관리하는 방향을 강조한다.

 

Agno는 “Agent 제품을 빠르게 만들고 관리하고 싶다”는 상황에 잘 어울린다.

언제 LangGraph를 선택하면 좋을까?

LangGraph는 다음과 같은 경우에 잘 맞는다.

 

1. workflow가 복잡할 때다. 단순히 한 번 답변하고 끝나는 것이 아니라, 여러 단계를 거치고, 조건에 따라 경로가 바뀌고, 필요하면 이전 단계로 돌아가야 한다면 LangGraph가 유리하다.

 

2. 상태 관리가 중요할 때다. LangGraph는 long-running, stateful agent를 만들기 위한 프레임워크로 소개된다. 실행 중인 상태를 유지하고, 중간에 멈췄다가 다시 이어가거나, 사람의 승인을 받은 뒤 다음 단계로 넘어가는 구조에 적합하다.

 

3. agent의 움직임을 명확하게 통제하고 싶을 때다. LLM에게 “알아서 해줘”라고 맡기는 것보다, 어떤 조건에서 어떤 node로 이동해야 하는지 코드로 명시하고 싶다면 LangGraph가 더 자연스럽다.

 

LangGraph는 “복잡한 agent workflow를 정확하게 제어하고 싶다”는 상황에 잘 어울린다.

둘 중 하나만 골라야 할까?

꼭 그렇지는 않다.

Agno와 LangGraph는 완전히 같은 레이어의 도구라기보다 초점이 다르다. Agno는 agent platform과 운영 경험에 더 가깝고, LangGraph는 stateful workflow orchestration에 더 가깝다.

따라서 프로젝트에 따라서는 LangGraph로 복잡한 agent workflow를 만들고, 별도의 플랫폼 레이어에서 운영하거나 모니터링하는 식의 조합도 가능하다. 반대로 workflow가 복잡하지 않다면 굳이 LangGraph까지 도입하지 않고 Agno만으로도 충분할 수 있다.

개인적인 선택 기준

내가 둘 중 하나를 선택해야 한다면 이렇게 판단할 것 같다.

빠르게 AI Agent를 만들고, RAG나 tool calling을 붙이고, 운영 가능한 형태로 가져가고 싶다면 Agno를 먼저 본다.

반대로 agent가 여러 단계의 판단을 거쳐야 하고, 중간 상태를 저장해야 하며, 실패나 승인 흐름까지 명확히 제어해야 한다면 LangGraph를 먼저 본다.

즉, Agno는 “Agent를 제품처럼 만들기 위한 선택지”이고, LangGraph는 “Agent의 실행 흐름을 설계하기 위한 선택지”라고 볼 수 있다.

마무리

AI Agent 프레임워크를 고를 때 중요한 것은 유명한 도구를 고르는 것이 아니라, 내가 만들려는 시스템의 복잡도를 정확히 보는 것이다.

단순한 RAG 챗봇이나 내부 업무 도우미라면 Agno처럼 상위 레벨 abstraction을 제공하는 프레임워크가 생산성을 높여줄 수 있다. 반대로 복잡한 승인 절차, 반복 루프, 상태 저장, 중단 후 재개, 실패 복구가 필요한 시스템이라면 LangGraph처럼 state graph 기반으로 흐름을 직접 설계할 수 있는 도구가 더 적합하다.

결국 핵심은 이 질문이다.

“나는 Agent를 빠르게 제품화하고 싶은가, 아니면 Agent의 실행 흐름을 정밀하게 통제하고 싶은가?”

이 질문에 대한 답이 Agno와 LangGraph 중 어떤 도구를 먼저 볼지 결정해줄 것이다.