AutoGen — Microsoft가 만든 '대화로 협력하는 AI 팀'
한줄 요약
AutoGen 에이전트들은 대화로 협력한다. 슬랙에서 팀원들이 메시지를 주고받으며 일하는 것처럼.
본문
Microsoft가 AutoGen을 만든 이유
2023년 9월, Microsoft Research가 AutoGen을 발표했다.
당시 LangChain이 시장을 주도하고 있었고, LangGraph는 아직 나오기 전이었다. Microsoft 팀의 문제의식은 달랐다: “에이전트들이 미리 정해진 그래프나 역할에 갇히지 않고, 사람처럼 자유롭게 대화하면서 문제를 풀 수 있다면 어떨까?”
사람들이 팀으로 일할 때를 생각해보면, 슬랙 채널에서 “이 부분은 내가 보기에 이상한데, 네가 확인해줄 수 있어?”처럼 자유롭게 소통한다. 어떤 순서로 누가 말할지 미리 정해두지 않는다.
AutoGen은 AI 에이전트들 사이에서 이것을 구현하려 했다.
AutoGen의 핵심: 대화 기반 협력
LangGraph와 비교하면 차이가 명확하다.
LangGraph 방식:
[데이터 수집] → [분석] → {이상 징후?} → [에스컬레이션 / 정상 처리]흐름이 미리 정의된 그래프로 고정된다.
AutoGen 방식:
내과 에이전트: "이 환자 복약 목록 보니 K+가 높을 수 있는 조합이 있어요."
약사 에이전트: "리시노프릴 + 스피로노락톤 조합이죠? 최근 K+ 수치 어떤가요?"
Lab 에이전트: "K+ = 5.3 mEq/L로 최근 측정됐습니다."
약사 에이전트: "정상 범위지만 추세 봐야 해요. 지난 달 비교가 필요합니다."
Lab 에이전트: "지난 달 5.0 → 이번 달 5.3. 상승 추세입니다."
약사 에이전트: "스피로노락톤 용량 감량 또는 전해질 모니터링 강화를 권고합니다."대화 흐름이 사전에 정의되지 않는다. 각 에이전트가 이전 메시지를 보고 자신이 기여할 수 있는 내용을 말한다.
AutoGen 구성 요소
AssistantAgent — LLM 기반 에이전트
역할과 전문성을 가지고 대화에 참여한다. 코드 작성, 분석, 권고 등을 담당한다.
UserProxyAgent — 사람 대리 에이전트
실제 사람의 역할을 한다. 코드 실행, 사람의 입력 요청, 대화 시작/종료 등을 담당한다. 자동 응답 모드로 설정하면 사람 없이도 작동한다.
GroupChat — 멀티 에이전트 대화방
여러 에이전트가 하나의 대화에 참여한다. GroupChatManager가 누가 다음에 발언할지 조율한다.
AutoGen이 빛나는 케이스: 데이터 분석 협업
의료 데이터 분석처럼 코드 실행이 필요한 탐색적 작업에서 AutoGen이 강점을 보인다.
의사: "지난 6개월 당뇨 환자 HbA1c 추이를 분석해줘"
코딩 에이전트: "환자 데이터를 조회하고 그래프를 그리겠습니다."
[Python 코드 작성 후 실행]
"HbA1c 평균이 8.2 → 7.6으로 개선됐습니다.
그래프를 보면 3개월째부터 목표치(7.0) 도달이 시작됐습니다."
통계 에이전트: "모집단을 살펴보면 개선 폭이 큰 그룹(>1.0 감소)과
비개선 그룹(<0.3 감소)이 명확히 나뉩니다.
두 그룹의 차이를 분석해볼 만합니다."
코딩 에이전트: "두 그룹을 나눠서 처방 유형, 복약 순응도 비교를 실행하겠습니다."
[추가 분석 코드 실행]
해석 에이전트: "처방 유형보다 복약 순응도가 더 강한 예측 변수입니다.
복약 교육 강화가 개선에 도움이 될 것 같습니다."이 과정에서 어떤 분석을 할지 미리 정하지 않았다. 각 단계 결과를 보고 다음 분석이 자연스럽게 결정됐다.
LangGraph vs CrewAI vs AutoGen 비교
| 항목 | LangGraph | CrewAI | AutoGen |
|---|---|---|---|
| 핵심 개념 | 그래프 흐름 | 역할 팀 | 대화 협력 |
| 흐름 예측 가능성 | 높음 | 중간 | 낮음 |
| 코드 실행 | 가능 | 제한적 | 강점 |
| 디버깅 편의성 | 높음 | 중간 | 낮음 |
| 적합한 케이스 | 정형화된 워크플로우 | 역할 기반 팀 | 탐색적 분석, 연구 |
의료 AI에서 AutoGen의 적용 범위
적합한 케이스
- 의료 데이터 탐색 분석 (어떤 분석이 필요한지 미리 모름)
- 임상 연구 보조 (연구자와 AI가 대화하며 분석 방향 결정)
- 의학 교육 (케이스 디스커션, 모의 컨퍼런스)
부적합한 케이스
- 정형화된 환자 처리 워크플로우 (예측 불가능성이 위험)
- 실시간 임상 의사결정 지원 (응답 일관성 중요)
- 규제 요구사항이 있는 시스템 (대화 흐름이 감사 추적에 어렵)
의료 환경에서 AutoGen은 “뒤에서 분석을 돕는 도구”로 쓰기 적합하다. 직접 환자 케어에 관여하는 시스템에는 예측 가능한 LangGraph가 더 안전하다.
더 알고 싶다면
🔗 관련 글
- LangGraph 입문 — 그래프로 흐름을 고정하는 방식과 비교
- CrewAI 입문 — 역할로 팀을 구성하는 방식과 비교
- 에이전트 간 통신 — 대화 기반 통신의 원리와 설계
- 오케스트레이션 vs 에이전트 — LangGraph, CrewAI, AutoGen 중 무엇을 선택할까