(본 기사의 저자는 알파벳AI이며, 티미디어가 승인을 받아 게재했습니다)
글 | 알파벳AI
K3.1 Pro 출시 이후, 여러 사용자들이 할당량이 너무 빠르게 소진된다는 피드백을 제출하자, 월지암면은 긴급 공지를 통해 “문제는 우리 측에 있으며, 당사에서도 더 일찍 이를 수정했어야 했다”고 밝혔습니다. 보상 할당량을 제공하는 동시에, 월지암면은 또한 “불필요한 하위 에이전트 호출과 출력 길이를 줄이겠다”고 밝혔습니다.
모델이 출시되기 이틀 전, 앤트로픽은 ‘에이전트 구축: 서브에이전트를 메인 에이전트 루프에 통합할 시점’이라는 제목의 글을 발표했는데, 그 내용은 바로 서브에이전트와 관련된 것이었다.
Anthropic의 결론에 따르면, 여러 기업이 배포한 Claude를 비교한 결과, 기술을 갖춘 에이전트 한 명이 오히려 “여러 하위 에이전트가 분업하는 방식”보다 품질이 우수하며, 단일 작업의 비용과 지연 시간도 대개 더 낮은 것으로 나타났다. 무엇보다도, 이 에이전트가 소비하는 토큰 수는 다수의 하위 에이전트를 합친 것보다 훨씬 적었다.
‘자식 에이전트’라는 개념은 사실 모델의 능력이 부족하던 시기에, 업체들이 모델로 하여금 더 많은 작업을 수행할 수 있도록 하기 위해 마련한 일종의 ‘패치’에 불과합니다.
작업 완료율 측면에서 볼 때, 여러 개의 하위 에이전트는 당시의 단일 에이전트보다 훨씬 우수했습니다. 그 대가로 토큰 소모량이 더 크게 증가했고, 모델의 비용도 더 높아졌습니다.
Anthropic은 모델이 더욱 강력해지고 컨텍스트가 길어지면, 이 ‘패치’는 더 이상 성능을 향상시키지 못하고 오히려 ‘불필요한 부담’으로 작용하게 된다고 밝혔다.
Anthropic의 이 기사에서는 무엇을 말하고 있나요?
Anthropic은 대부분의 작업에서는 그토록 많은 하위 에이전트가 필요하지 않으며, 단일 에이전트, 단일 모델, 단일 대화 기록, 그리고 하나의 순환만으로 충분하다고 보고 있습니다.
모델은 하나의 루프 안에서 반복적으로 작동하며, 각 라운드마다 동시에 일련의 도구 호출을 발행하고 그 결과를 바로 이 모델로 되돌려 받아 다음 단계를 어떻게 진행할지 결정합니다.
예를 들어, 주방에서 한 가지 요리를 만들려면 먼저 재료 준비부터 시작해 채소를 씻고, 썰고, 냄비에 넣은 다음, 마지막으로 접시에 담아 서빙해야 합니다.
예전의 분업 방식으로는 채소를 씻는 사람, 채소를 자르는 사람, 요리를 맡은 사람, 접시에 음식을 담는 사람이 각각 한 명씩 있었고, 각자 손에는 하나의 업무 목록이 있었습니다. 문제는 각자의 업무 목록이 바로 앞 사람에게서 받은 것이었다는 점입니다. 예를 들어, 채소를 자르는 사람은 채소를 씻는 사람에게서 그 작업을 넘겨받았던 것입니다.
음식이 상에 올라왔는데 짜다는 걸 발견하면, 어느 단계에서 문제가 생겼는지 정확히 파악하기 어렵습니다. 요리를 담당한 사람이 소금을 과하게 넣었을 수도 있고, 재료를 제대로 씻지 않았을 수도 있습니다.
단일 에이전트의 장점은 매 라운드 시작 시 누군가에게 “내가 원하는 맛이 무엇인지”를 다시 설명할 필요가 없다는 점입니다. 요리는 직접 준비했고, 간의 정도도 스스로 확인했습니다.
기사에서는 서브 에이전트가 좋지 않은 이유가 세 가지라고 주장한다.
첫 번째는 토큰 복리입니다.
작업에 하위 에이전트가 하나씩 추가될 때마다 분기 계층이 한 단계 늘어나므로 비용도 다소 증가합니다. 멀티에이전트 시스템의 토큰 소모량은 일반 대화의 약 15배에 달합니다.
핵심은 이 15배가 ‘생각’에 쓰이는 것이 아니라 ‘기억’에 쓰인다는 점입니다.
각 하위 에이전트는 자신의 신분, 규칙, 도구 목록 및 관련 컨텍스트를 다시 설정한 뒤, 작업을 완료한 후 이를 압축하여 요약본으로 다시 전달해야 합니다. 이로 인해 메인 에이전트는 동일한 자료를 여러 번 읽어야만 합니다.
두 번째는 정보 감쇠입니다.
정보는 서로 다른 하위 에이전트 간에 전달될 때마다 한 단계씩 충실도가 떨어집니다. 결국 마지막 하위 에이전트에게 도달했을 때에는, 그들이 받은 정보가 처음의 요구와는 이미 완전히 달라져 있을 수 있습니다.
Cognition은 2025년에 발표한 글 「다중 에이전트를 구축하지 마세요(Don‘t Build Multi-Agents)」에서 다음과 같은 시나리오를 제시했습니다. 두 개의 하위 에이전트에게 각각 플래피 버드의 리메이크 작업을 맡겨, 하나는 배경을 담당하고 다른 하나는 새를 담당하도록 했습니다. 그 결과, 한쪽이 만든 배경은 마치 슈퍼마리오처럼 보였고, 다른 쪽이 만든 새는 게임 소스와 전혀 닮지 않았습니다.
세 번째는 인격의 파편입니다.
시스템 내에서는 여러 개의 하위 에이전트 간에 상호 소통이 이루어지지만, 이들 하위 에이전트는 프롬프트가 서로 달라 출력 스타일이 완전히 다르게 나타납니다. 그럼에도 불구하고 사용자가 접하는 것은 단 하나의 인터페이스입니다.
Anthropic은 글에서 한 기업의 사례를 들며, 해당 기업의 클라이언트에는 십여 개의 전용 하위 에이전트가 있다고 설명했습니다. 그러나 이 기업은 이러한 하위 에이전트들이 “일관된 브랜드 메시지를 유지하기 어렵다”고 평가했으며, 사용자는 항상 가장 느린 하위 에이전트가 작업을 완료한 후에야 응답을 받을 수 있었다고 합니다.
하지만 이는 양면성을 지니며, 앤트로픽은 자식 에이전트를 아예 금지하는 것이 아니라 필요에 따라 스킬로 로드해야 한다고 보고 있습니다.
각 하위 에이전트는 채소를 써는 칼질 기술이나 요리를 맡은 화력 조절 등 다양한 지식을 항상 휴대합니다. 필요할 때마다 이러한 스킬을 꺼내 사용하고, 다음 단계로 넘어가면 다시 그 스킬들을 제자리에 되돌려 놓습니다.
이 방법의 효과는 측정 가능합니다.
Anthropic은 글에서, 부가 도구와 결합하여 이러한 하위 에이전트를 스킬로 전환하는 방법을 활용하면 시스템 프롬프트의 80% 이상을 줄일 수 있다고 언급했습니다.
이로 인해 원래는 판단에 방해가 될 만큼 지나치게 복잡했던 프롬프트가 순식간에 깔끔하고 간결해져, 그 결과 작업 자체에 할당할 수 있는 맥락 공간이 크게 확보되었습니다.
우리는 정말로 서브 에이전트가 필요할까요
자식 에이전트는 탄생 초기부터 본래 공학적 타협의 산물이었다.
아직도 OpenAI에 몸담고 있던 카파시는 한때 트윗을 올렸는데, 그 내용은 대략 다음과 같았다. GPT는 자신에게 문맥 제한이 있다는 사실을 인지하지 못하며, 이를 통해 작업을 수행할 때 쉽게 문맥을 가득 채워 버려 결과적으로 작업이 실패하게 된다는 것이다.
따라서 모델이 단계적으로 작업을 완료할 수 있도록, 일정한 방식을 통해 작업을 분할해야 합니다.
2023년 3월 말, AutoGPT와 BabyAGI는 두 가지 실험 프로젝트를 진행했습니다. 이들 프로젝트의 핵심은 모두 하나의 에이전트가 큰 목표를 여러 개의 할 일 목록으로 분해하고, 스스로에게 업무를 배정하며 직접 실행하는 방식입니다.
이번 프로젝트들은 한 가지 사실을 입증했습니다. 모델이 스스로 다음 단계를 결정하도록 하면 루프가 정상적으로 실행된다는 점입니다. 그러나 동시에 또 다른 문제도 드러났습니다. 만약 이 루프에 신뢰할 수 있는 검증 단계가 없다면, 오류가 루프 내에서 스스로 증폭될 수 있다는 것입니다.
한 에이전트가 “이 회사의 재무제표를 확인하려고 합니다”라고 말하면, 설령 확인한 내용이 잘못된 것이라 하더라도 그 잘못된 정보를 바탕으로 계속 추론을 이어가게 되며, 결국에는 매우 진지해 보이는 허황된 이야기를 하나 제공하게 됩니다. 이후로는 무한히 순환하며 오류가 누적되어 갑니다.
2023년 하반기부터 2024년까지 업계가 제시한 해결책은 분업을 실제 기업처럼 구현하는 것이었다.
예를 들어 MetaGPT는 모델을 제품 관리자, 아키텍트, 엔지니어, 테스터 등 네 가지 직무로 분류합니다.
당신이 “점수판이 있는 푸드트럭 게임을 만들어 보세요”라고 한 마디만 던지면, 그것은 직무별로 단계별로 진행됩니다. 먼저 ‘프로덕트 매니저’가 요구사항 문서를 작성하고, 그다음 ‘아키텍트’가 해당 문서를 시스템 설계와 인터페이스로 전환하며, 이어서 ‘엔지니어’가 인터페이스에 맞춰 코드를 작성한 뒤, 마지막으로 ‘테스터’가 버그를 찾아냅니다. 이렇게 해서 완전한 프로그램이 생성됩니다.
당시 사람들의 생각은 상당히 단순했는데, 하나의 모델이 편향되기 쉬우니 여러 개의 모델이 서로 보완하도록 하자는 것이었고, 이는 바로 자식 에이전트 시스템의 초기 형태였다.
쉽게 말해, 서브 에이전트는 본질적으로 “더 넓고 더 안정적이며 메모리 용량이 큰 컴퓨터를 아키텍처로 시뮬레이션하는 것”입니다.
컨텍스트 창이 제한되어 있을 뿐만 아니라, Anthropic은 논문에서 모델의 신뢰성 또한 제한적이며 체인이 길어질수록 더 쉽게 붕괴된다고 밝혔습니다. 또한, 모델은 단일 스레드로만 작동하여 동시에 여러 가지를 고려할 수 없습니다.
Anthropic은 2024년에 서브 에이전트를 도입한 배경으로, 다음 세 가지 문제를 해결하기 위한 것이라고 밝혔다. 첫째, 컨텍스트 격리로 주 컨텍스트가 방대한 중간 결과물들에 의해 오염되어 간접적으로 컨텍스트 창을 확장하는 것을 방지한다. 둘째, 서로 다른 작업에는 각각의 도구를 할당하여, 체인의 특정 지점에서 장애가 발생하더라도 전체 작업에 직접적인 영향을 미치는 것을 막는다. 셋째, 병렬 처리를 통해 여러 개의 독립적인 추론 경로를 동시에 진행할 수 있도록 한다.
Anthropic은 서브 에이전트를 모델의 일종의 ‘패치’로 간주한다고 보고 있습니다. 다만 이러한 패치들도 모두 토큰 단위로 비용을 지불해야 합니다.
지난 2년간, 비용을 지불한 주체는 대부분 API 기반으로 비용을 산정하는 개발자와 기업들이었으며, 비용은 명확히 표시되어 계산이 가능했습니다. 토큰에 10전을 추가로 지불하면, 청구서에도 그만큼이 더해져 명확히 확인할 수 있습니다.
C-엔드 구독제의 인기가 높아짐에 따라, 앤트로픽은 이제는 변화를 도입할 때라고 밝혔다.
월간 할당량은 흑박스입니다. 사용자는 “이번 달에 남은 할당량이 얼마인지”는 알지만, “이번 대화 세션에서 각 하위 에이전트가 정확히 얼마나 할당량을 소모했는지”는 알 수 없습니다.
구독 사용자는 ‘내가 몇 가지 작업을 수행했는지’를 기준으로 할당량을 판단하지만, 시스템은 ‘모델을 몇 번 조정했는지, 분기점을 몇 개 열었는지, 파일을 몇 번 읽었는지’를 기준으로 계산합니다.
따라서 앤트로픽은 모델 성능과 연산 능력이 점차 향상됨에 따라 이러한 ‘패치’는 극도로 복잡한 과제에서만 효과를 발휘하며, 대부분의 과제에서는 서브 에이전트가 오히려 더 많은 토큰을 소모할 뿐이라고 밝혔습니다.
이에 따라 앤트로픽은 다음과 같은 결론을 내렸다: 서브 에이전트가 가져오는 이점이 이미 그 자체의 비용을 상쇄하지 못한다는 것이다.
Anthropic은 이에 대해 single-agent-loop-kit라는 도구를 오픈소스로 공개하기까지 했으며, 이는 모델이 더 이상 하위 에이전트를 호출하지 않고 오직 단일 에이전트 형태로만 작업을 수행하도록 설계된 것입니다.
K3.1 Pro의 이 청구서
달의 어두운 면은 바로 자식 에이전트를 너무 많이 써서 큰 피해를 본 것이다.
10월 24일, 달의 어둠 면의 K3.1 Pro가 출시되어 뛰어난 성능을 보여주었습니다. Terminal-Bench 4.0에서 이 제품은 65.7%를 기록해 GPT-6 Astra의 58.2%를 넘어섰으며, Claude Opus 5.5의 66.4%와 비교하면 단 0.7% 차이에 불과합니다.
하지만 커뮤니티의 여러 사용자들이 모델 할당량이 너무 빠르게 소진되어, 간단한 작업 한두 개만으로도 5시간 분량의 할당량이 모두 소모된다고 보고했습니다.
10월 26일 새벽, 달의 어두운 면 공식 측은 불필요한 하위 에이전트 호출과 출력 길이를 줄이겠다고 밝혔다.
인터넷 기업에서 일해 본 사람이라면 이 상황이 매우 익숙하게 느껴질 것입니다.
요구사항이 들어오면 제품, 디자인, 프론트엔드, 백엔드, 테스트, 운영 담당 각각 한 명씩 참여하고, 모두 문서에 한 줄씩 의견을 남겨야 합니다. 그렇지 않으면 참여한 것으로 보이지 않기 때문입니다. 결국에는, 원래 한 사람이 반나절이면 끝낼 수 있는 일도, 요구사항부터 일정 수립, 테스트를 거쳐 서비스 출시에 이르기까지 무려 반년이나 걸리게 됩니다.
회사에서는 이를 조직 역량이라고 부르지만, 모델에서는 이를 토큰 소모라고 부릅니다.
모델 사용자로서 그는 모델의 사고 강도만 선택할 수 있을 뿐, 하위 에이전트를 몇 개나 활성화할지 선택할 수 없습니다. 그는 단지 과제를 완수하기 위해 비용을 지불하고 싶을 뿐이며, 이렇게 많은 하위 에이전트들이 “맞춤 조정하고, 회의를 하고, PPT를 만드는 것”에 대해 비용을 지불하고 싶지는 않습니다.
게다가 사용자는 멈추라고 외칠 기회조차 없었습니다. 여기에는 ‘실패 비용 사전 부담’이라는 개념이 있습니다.
정상적인 거래는 “일이 끝난 후에야 비로소 비용이 지출된다”는 것이다. 반면, 서브 에이전트는 일단 활성화되면 할당된 할당량을 소진하게 되며, 그 역할이 거의 무시될 수 있을 정도라 하더라도 마찬가지이다.
공정하게 말하자면, 이는 K3.1 Pro만의 문제는 아닙니다.
Claude의 사용자들 역시 불만을 토로했는데, 20달러 구독 요금제에서는 단 하나의 프롬프트로 5시간 할당량이 모두 소진된다고 한다. Opus 5.5는 기존 코드베이스를 처리하는 데 약 30분 만에 제한이 발동된다. 이 모든 문제는 Claude가 너무 많은 하위 에이전트를 실행했기 때문이다.
Anthropic은 이것이 ‘장기형 에이전트’라는 카테고리의 ‘구조적 모순’이라고 보고 있다.
당신이 그것에게 하나의 작업을 부여하면, 그것은 자료를 조사하고, 문서를 읽고, 작성하며, 수정한 뒤 다시 스스로 검증합니다. 수십 단계에 걸쳐 작동해야 하며, 각 단계마다 컨텍스트를 다시 한 번 읽어야 하므로, 30분 동안 실행되는 일도 흔히 있습니다.
모델이 강할수록 더 오래 검색하고, 도구를 더 많이 호출하며, 자체 점검의 횟수도 더 많아집니다.
Anthropic이 제시한 해결 방안은 제품 측에서 사용자가 “어떤 하위 에이전트 호출이 불필요한지”를 판단하도록 하고, 이를 통해 하위 에이전트의 수를 줄이며, 하나의 에이전트로 문제를 해결할 수 있다면 반드시 하위 에이전트를 생성하지 않는 것입니다.
이 외에도 사용자가 걸음 수의 상한을 설정할 수 있도록 하고, 단일 작업을 시작하기 전에 예산 범위를 안내해야 합니다.
Anthropic가 곧 상장할 예정인 가운데, 서브 에이전트를 줄여 토큰 소모를 낮추는 것도 결국은 그들의 개인 고객들을 만족시키기 위한 조치입니다.
더욱 흥미로운 콘텐츠를 만나려면 타이미디어 위챗 공식 계정(ID: taimeiti)을 팔로우하거나, 타이미디어 앱을 다운로드해 주세요.