LangGraph

이 문서는 자라는 중인 질문입니다. 아직 증거를 모으고 있으며, 내용이 바뀔 수 있습니다.

LangGraph는 에이전트를 “한 번 답하는 챗봇”이 아니라, 상태를 들고 오래 움직이는 실행 그래프로 다루려는 도구야. 중요한 지점은 모델이 더 똑똑해졌다는 이야기가 아니야. 에이전트가 여러 번 도구를 부르고, 중간에 멈췄다가 다시 시작하고, 사람이 상태를 고칠 수 있어야 할 때 실행 구조가 따로 필요해진다는 점이야.

그래서 LangGraph는 agent loop와 agentic workflow 사이에 놓여 있어. 한쪽에는 모델·도구·프롬프트가 있고, 다른 쪽에는 권한·기록·배포·관측이 있어. LangGraph는 그 사이에서 “다음 단계가 무엇이고, 현재 상태가 무엇이며, 어디서 멈추고 이어갈 수 있는가”를 코드 구조로 고정하려는 쪽에 가까워.

한 줄로 말하면

LangGraph는 장시간 실행되는 상태 있는 AI 에이전트를 그래프와 런타임으로 다루는 LangChain 계열의 낮은 수준 오케스트레이션 프레임워크야.

무엇인가

LangChain 문서는 LangGraph를 긴 작업을 안정적으로 처리하는 에이전트를 설계하기 위한 낮은 수준의 오케스트레이션 프레임워크이자 런타임으로 설명해. 문서가 반복해서 강조하는 단어는 durable execution, streaming, human-in-the-loop, persistence야.¹

여기서 그래프는 장식이 아니야. 에이전트 실행을 여러 node와 edge로 나누고, 상태를 다음 단계로 넘기는 방식이야. 간단한 도구 호출 루프라면 더 높은 수준의 agents 추상화로 충분할 수 있어. 하지만 흐름을 직접 통제하거나, 실패 뒤 이어 실행하거나, 사람의 검토 지점을 중간에 넣어야 하면 LangGraph 같은 낮은 수준 런타임이 의미를 가져.

GitHub 저장소 설명도 같은 방향이야. LangGraph는 long-running, stateful agents를 만들고 관리하고 배포하기 위한 낮은 수준 오케스트레이션 프레임워크라고 소개돼. 동시에 LangChain과 함께 쓸 수 있지만 LangChain 없이도 쓸 수 있다고 설명해.²

왜 계속 등장하는가

에이전트가 실제 업무로 들어가면 어려운 부분은 답변 생성보다 실행 상태야. 어디까지 했는지, 어떤 도구를 불렀는지, 실패 뒤 어디서 다시 시작할지, 사람이 중간 상태를 보고 개입할 수 있는지가 중요해져.

이 지점에서 LangGraph는 plan-and-execute 같은 설계 패턴과 붙어 읽혀. 계획을 세우는 것만으로는 부족하고, 실행 중 상태와 분기 조건을 계속 들고 있어야 하기 때문이야. multi-agent collaboration에서도 마찬가지야. 역할을 나눈 에이전트들이 서로 결과를 넘길 때, 전달되는 상태와 검토 지점을 누가 관리하는지가 핵심 문제야.

클라우드 사업자들도 이 이름을 외부 프레임워크의 대표 사례로 언급하고 있어. AWS는 단순한 도구 호출형 agent harness로 충분하지 않고 전처리, LangGraph state machine, 임의 Python 실행처럼 맞춤 오케스트레이션이 필요하면 더 직접적인 runtime을 쓰는 쪽으로 설명해.³ Microsoft도 Foundry가 자사 stack 밖에서 만든 agent를 받아들일 수 있다고 설명하면서 LangGraph를 예시로 든다.⁴

최근에는 NVIDIA와 LangChain의 Nemotron 3 Ultra Deep Agents 사례도 같이 봐야 해. 이 사례에서 LangChain은 모델을 다시 학습시키지 않고 시스템 프롬프트, 도구 설명, 미들웨어를 조정했다고 설명해. LangGraph 자체의 성능 증명은 아니지만, LangChain 생태계가 에이전트를 모델 바깥의 실행 구조까지 포함해 다룬다는 신호야.⁵

이 대상을 볼 때의 핵심 축

첫 번째 축은 상태를 어디까지 명시하느냐야. 상태가 단순한 대화 기록인지, 작업 단계·중간 산출물·검토 결과·재시도 정보까지 포함하는지에 따라 LangGraph의 필요성이 달라져.

두 번째 축은 중단과 재개야. 긴 작업은 한 번에 끝나지 않을 수 있어. 실패, 사람 승인, 외부 시스템 대기, 비용 한도 때문에 멈췄다가 이어가야 한다면 persistence와 checkpoint가 중요해져.

세 번째 축은 사람 개입의 위치야. human-in-the-loop가 단순히 마지막 승인인지, 중간 상태를 보고 수정하는 절차인지에 따라 그래프 설계가 달라져.

네 번째 축은 관측과 평가야. LangGraph 자체만 보면 실행 구조지만, 실제 운영에서는 LangSmith 같은 tracing·evaluation 도구와 함께 읽히는 경우가 많아. 에이전트가 왜 그 경로로 갔는지 보지 못하면 그래프를 둔 의미가 약해져.

flowchart TD
    A["목표와 입력"] --> B["상태"]
    B --> C["그래프 노드"]
    C --> D["도구 호출 또는 모델 판단"]
    D --> E["상태 갱신"]
    E --> F{"계속할 조건인가?"}
    F -->|"예"| C
    F -->|"사람 확인"| G["검토와 수정"]
    G --> E
    F -->|"완료"| H["결과"]

최근 관찰된 신호

LangGraph는 독립된 라이브러리 이름을 넘어, 기업용 agent runtime을 말할 때 비교 기준으로 자주 등장하고 있어. AWS와 Microsoft가 모두 자기 플랫폼 설명에서 LangGraph를 외부 agent orchestration 사례로 언급한다는 점은 이 이름이 개발자 생태계 안의 공통 참조점이 됐다는 신호야.³⁴

NVIDIA와 LangChain의 Deep Agents 사례는 조금 다른 신호야. 여기서 전면에 나온 것은 LangGraph가 아니라 LangChain Deep Agents 하네스, Nemotron 3 Ultra, OpenShell 보안 실행 환경, NemoClaw 청사진이야. 그래도 이 사례가 LangGraph 페이지에 의미 있는 이유는 같아. 에이전트 품질을 모델 가중치 하나가 아니라 상태, 도구 설명, 평가, 실행 환경을 묶은 구조로 본다는 점이 LangGraph를 읽는 핵심 축과 맞닿아 있기 때문이야.⁵

다만 실제 채택 강도는 아직 더 확인해야 해. LangChain 문서와 GitHub 저장소는 여러 기업 이름을 언급하지만, 각 기업이 어떤 업무에 어떤 범위로 쓰는지는 별도 1차 사례가 필요해. 이 페이지는 지금 그 차이를 구분해 두는 정도가 맞아.

헷갈리지 말아야 할 점

LangGraph는 “에이전트가 알아서 잘한다”는 뜻이 아니야. 오히려 반대에 가까워. 에이전트 실행을 그래프, 상태, 중단 조건, 관측 지점으로 명시하려는 도구야.

또 LangChain 전체와 같은 말도 아니야. LangChain은 모델·도구·agent loop를 쉽게 엮는 더 넓은 프레임워크고, LangGraph는 그중에서도 orchestration runtime 쪽에 초점이 있어. LangChain Deep Agents 하네스는 에이전트 실행 환경과 평가 쪽 이름에 더 가깝고, LangSmith는 관측·평가·배포 플랫폼에 가까워. 이름이 비슷해서 섞이기 쉽지만, 읽을 때는 역할을 나눠 봐야 해.

마지막으로, 그래프로 만든다고 항상 더 낫지는 않아. 절차가 짧고 실패 비용이 낮은 작업은 단순한 agent loop가 충분할 수 있어. LangGraph를 봐야 하는 순간은 작업이 길어지고, 상태가 중요해지고, 중간 개입과 재개가 실제 요구사항이 될 때야.

이어서 읽기

에이전트 실행 반복의 기본 단위가 궁금하면 agent loop를 먼저 보면 돼. LangGraph가 왜 상태와 재시작을 강조하는지 이해하기 쉬워져.

업무 전체의 권한·기록·검증 구조가 궁금하면 agentic workflow가 더 큰 지도를 줘. 모델 바깥의 실행 하네스가 에이전트 성능을 어떻게 바꾸는지는 NVIDIA Nemotron과 LangChain 사례가 이어서 보여줘. 여러 역할의 에이전트가 함께 움직이는 구조는 multi-agent collaboration에서 이어서 볼 수 있어. 다음 판단에 어떤 상태와 기록을 남길지의 문제는 컨텍스트 엔지니어링과도 이어져.

남은 질문들

• LangGraph의 Graph API와 Functional API는 실제 프로젝트 구조에서 어떤 차이를 만들까?
• checkpoint와 persistence는 장애 복구, 비용 한도, 사람 승인 대기에서 각각 어떻게 쓰일까?
• LangGraph Platform은 오픈소스 LangGraph와 어디까지 역할이 다르고, LangSmith와는 어떻게 연결될까?
• OpenAI Agents SDK, Claude Agent SDK, Microsoft Agent Framework와 비교하면 LangGraph의 장점과 비용은 어디서 갈릴까?

각주

1. LangChain, 「LangGraph overview」(2026-07-13 확인) 공식 문서 ↩︎

2. LangChain, 「langchain-ai/langgraph」(2026-07-13 확인) GitHub 저장소 ↩︎

3. AWS, 「Build a serverless image editing agent with Amazon Bedrock AgentCore Harness」(2026-07-08 캡처) 공식 블로그 ↩︎ ↩︎²

4. Microsoft, 「AI alone won’t change your business. The system running it will.」(2026-07-08 캡처) 공식 블로그 ↩︎ ↩︎²

5. NVIDIA/Adel El Hallak, 「NVIDIA Nemotron Achieves Benchmark-Leading Performance With LangChain Deep Agents Harness」(2026-07-08) NVIDIA Blog ↩︎ ↩︎²