AutoGen: 대화 기반 멀티 에이전트 프레임워크

Microsoft · 2023-08-16 · Multi-Agent Framework · MIT

개요

AutoGen은 여러 LLM 에이전트가 대화(conversation)를 통해 협력하여 복잡한 작업을 완수하는 멀티 에이전트 프레임워크다. Microsoft Research의 Wu et al.이 2023년 8월 논문 “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation”과 함께 공개한 이 오픈소스 프레임워크는, 단일 LLM의 한계를 다중 에이전트 협업으로 극복하는 패러다임을 대중화한 선구적 프로젝트다.

AutoGen의 핵심 철학은 **“대화가 곧 연산(conversation as computation)“**이다. 전통적 소프트웨어에서 함수 호출이 연산의 기본 단위라면, AutoGen에서는 에이전트 간의 메시지 교환 자체가 작업을 수행하는 프로세스가 된다. 각 에이전트는 LLM 호출, 코드 실행, 인간 입력 중 하나 이상을 조합하여 응답을 생성한다. 특히 코드 작성 $\to$ 실행(샌드박스) $\to$ 오류 반영 $\to$ 재시도의 자동 루프는 데이터 분석, 수학 문제 풀이, 소프트웨어 개발 등 광범위한 태스크에 적용된다.

멀티 에이전트 시스템의 핵심 도전 과제 중 하나는 에이전트 간 협업의 효율성이다. $N$ 개의 에이전트가 자유롭게 대화하면 통신 복잡도는 $O (N^{2})$ 이 되며, 대화가 발산하거나 루프에 빠질 위험이 있다. AutoGen은 양자 대화(two-agent)와 GroupChat 패턴을 통해 이 복잡도를 관리하면서도, 유연한 에이전트 간 협업을 가능하게 한다.

아키텍처 상세

AutoGen의 핵심 추상화는 ConversableAgent 클래스로, 모든 에이전트가 이를 상속하여 send()/receive() 인터페이스로 통신한다.

에이전트 유형

에이전트 타입	역할	핵심 기능
`AssistantAgent`	LLM 기반 추론	코드 생성, 분석, 대화
`UserProxyAgent`	인간/코드 대리인	코드 실행, 인간 입력 중계
`GroupChatManager`	그룹 대화 중재	발언 순서 결정, 메시지 라우팅
`CompressibleAgent`	컨텍스트 관리	대화 이력 압축

대화 패턴

AutoGen은 양자 대화(two-agent)와 그룹 대화(GroupChat) 두 가지 패턴을 지원한다.

from autogen import AssistantAgent, UserProxyAgent
 
# 에이전트 정의
assistant = AssistantAgent(
    name="코딩_어시스턴트",
    llm_config={"model": "gpt-4"},
    system_message="Python 코드를 작성하는 전문가입니다."
)
 
user_proxy = UserProxyAgent(
    name="사용자",
    human_input_mode="NEVER",
    code_execution_config={"work_dir": "coding", "use_docker": True}
)
 
# 대화 시작 - 에이전트가 코드를 생성하고 실행
user_proxy.initiate_chat(
    assistant,
    message="피보나치 수열의 처음 20개 항을 계산하고 시각화해주세요."
)

그룹 대화에서는 GroupChatManager가 에이전트 목록과 발언 규칙을 관리한다.

from autogen import GroupChat, GroupChatManager
 
group_chat = GroupChat(
    agents=[planner, coder, reviewer],
    messages=[],
    max_round=12,
    speaker_selection_method="auto"  # LLM이 다음 발언자 결정
)
manager = GroupChatManager(groupchat=group_chat, llm_config=llm_config)

코드 실행 루프

AutoGen의 가장 강력한 기능 중 하나는 자동 코드 실행 루프다. AssistantAgent가 코드를 생성하면 UserProxyAgent가 Docker 샌드박스에서 자동으로 실행하고, 오류 발생 시 에러 메시지를 다시 AssistantAgent에 전달하여 수정-재실행 루프를 자동화한다.

$Generate Code execute Result/Error feedback Fix Code execute \dots$

이 루프는 max_consecutive_auto_reply 파라미터로 최대 반복 횟수를 제한할 수 있으며, 일반적으로 3~5회의 반복으로 대부분의 코딩 작업을 성공적으로 완료한다.

Human-in-the-Loop

human_input_mode를 통해 세 단계의 인간 개입 수준을 설정할 수 있다.

ALWAYS: 매 턴마다 인간 확인 필요
TERMINATE: 종료 조건 충족 시에만 인간 확인
NEVER: 완전 자동 실행

핵심 혁신

대화 기반 컴퓨테이션: 에이전트 간 대화를 연산의 기본 단위로 정의함으로써, 복잡한 워크플로를 자연스러운 대화 흐름으로 구현할 수 있게 했다. 이는 전통적인 파이프라인/DAG 기반 워크플로 엔진과 근본적으로 다른 접근이다.
자동 코드 실행 루프: Generate $\to$ Execute $\to$ Debug의 사이클이 자동화되어, 데이터 분석이나 시각화 같은 코드 집약적 작업에서 강력한 효과를 발휘한다.
유연한 인간 개입(Human-in-the-Loop): 작업의 중요도에 따라 인간 개입 수준을 3단계로 조절할 수 있어, 자동화와 안전성 사이의 균형을 유연하게 관리한다.
이기종 LLM 지원: config_list를 통해 GPT-4, Claude, Gemini, Ollama 로컬 모델 등 다양한 LLM 백엔드를 에이전트별로 독립적으로 설정할 수 있어, 비용과 성능을 유연하게 최적화한다.

벤치마크/성능

태스크 유형	단일 에이전트	AutoGen (멀티)	향상
GSM8K (수학)	56.9%	~76%+	+19%p
데이터 분석	완성도 낮음	높은 완성도	유의미
코드 생성+실행	에러 시 중단	자동 디버깅	자동 복구
멀티파일 프로젝트	불가	역할 분담	가능

AutoGen의 멀티 에이전트 대화 접근법은 수학 문제 풀이(MATH 벤치마크)에서 코드 실행 피드백 루프를 통해 정답률이 약 20%p 향상되었고, 복잡한 데이터 분석 태스크에서는 에이전트 간 역할 분담을 통해 더 정확하고 완성도 높은 결과를 도출했다.

구현

자동화된 데이터 분석 파이프라인: 분석가 에이전트가 SQL 쿼리를 작성하고, 코드 실행 에이전트가 이를 실행하며, 시각화 에이전트가 차트를 생성하는 3-에이전트 파이프라인을 구성할 수 있다.

소프트웨어 개발 팀 시뮬레이션: 설계자, 개발자, 리뷰어 에이전트로 구성된 그룹 채팅에서, 요구사항 분석부터 코드 리뷰까지의 개발 프로세스를 자동화할 수 있다.

리서치 어시스턴트: 검색 에이전트가 최신 논문을 수집하고, 분석 에이전트가 핵심 내용을 추출하며, 작성 에이전트가 보고서를 생성하는 연구 보조 워크플로를 구축할 수 있다.

참고 자료

Wu et al., “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation”, arXiv:2308.08155, 2023
AutoGen GitHub Repository
AutoGen Documentation

도형준 지식 볼트

탐색기

AutoGen: AI 에이전트 프레임워크