멀티 에이전트 시스템이 단일 에이전트보다 나은 성과를 내는 지점은 “너는 PM이야”, “너는 개발자야” 같은 역할극에 있는 것이 아니다. 데이터의 성격에 따라 컨텍스트를 물리적으로 분리하거나, 병렬로 대량의 자료를 처리하거나, 편향을 방지하기 위해 독립적인 검증(Cross-check) 프로세스를 강제하는 ‘기능적 요구사항’이 핵심이다.
근거
동일한 대규모 언어 모델(LLM)에 이름표만 다르게 붙여 여러 명의 에이전트를 만드는 것은 비용과 지연 시간만 늘릴 뿐이다. 모델은 본질적으로 동일한 지능을 공유하므로, 인위적인 페르소나 분리는 메모리 분산과 토큰 낭비로 이어진다. 진정한 멀티 에이전트의 효용은 다음의 경우에만 발생한다.
- 컨텍스트 크기 제한으로 인해 자료를 나눠서 읽어야 할 때
- 독립적인 시각에서 반론이나 비판이 필요할 때 (Self-Refine)
- 실행 도구(Tool)나 접근 권한을 보안상 분리해야 할 때
“논문들을 봐도 multi-agent가 효과를 내는 지점은 ‘페르소나’가 아니었습니다. 효과가 나는 건 보통 컨텍스트를 나눠야 할 때, 병렬로 읽어야 할 때, 독립적인 검토나 반론이 필요할 때였습니다.”
연결된 생각
- 20260612-agents-as-transient-work-units — 결과적으로 에이전트를 도구로 바라보는 관점과 일치함
- 20260612-main-worker-agent-architecture — 기능적 분리를 관리하기 위한 최적의 구조