이번 튜토리얼에서 CAMEL 프레임워크(여러 AI 에이전트를 조율하는 오픈소스 도구)로 다중 에이전트 시스템을 구현했다. 계획 수립자, 연구자, 작성자, 비평가, 재작성자 등 5개 전담 에이전트가 협력해 복잡한 작업을 해결한다. 각 에이전트는 명확한 역할과 스키마로 제약된 출력을 가진다. 도구 사용, 자체 일관성 샘플링, Pydantic(데이터 검증 라이브러리) 기반 구조적 검증, 비평 주도 반복 개선을 통합했다.

실행 환경과 의존성 설치

Colab(클라우드 기반 노트북 환경)에서 실행 환경을 설정하고 모든 의존성을 설치한다. OpenAI API 키는 Colab 시크릿 또는 수동 입력으로 안전하게 구성한다. 실행 중 구조화된 출력을 깔끔하게 표시하는 콘솔 유틸리티를 초기화한다.

bash
pip install camel-ai

핵심 컴포넌트 임포트와 모델 팩토리

CAMEL 핵심 컴포넌트를 임포트하고 모든 에이전트에서 사용할 모델 팩토리를 정의한다. LLM 응답에서 JSON을 안정적으로 추출하고 정리하는 헬퍼 유틸리티를 구현한다. 모델이 포맷된 텍스트를 반환해도 다중 에이전트 파이프라인이 구조적으로 견고하게 유지된다.

python
from camel.agents import ChatAgent
from camel.models import ModelFactory
from camel.types import ModelPlatformType

Pydantic 스키마 정의

계획, 증거, 비평, 런타임 설정을 위해 Pydantic으로 모든 구조화된 스키마를 정의한다. 에이전트 통신 프로토콜을 공식화해 모든 단계가 검증되고 타입이 지정된다. 자유 형식의 LLM 출력을 예측 가능한 프로덕션용 데이터 구조로 변환한다.

python
from pydantic import BaseModel, Field
from typing import List, Optional

class Plan(BaseModel):
 objective: str
 steps: List[str]

class Evidence(BaseModel):
 source: str
 claim: str
 relevance: float

전문화된 에이전트 구성

계획 수립자, 연구자, 작성자, 비평가, 재작성자 등 전문화된 에이전트를 구축한다. 시스템 역할을 신중하게 정의해 작업 경계와 구조화된 행동을 강제한다. 모듈식 다중 에이전트 아키텍처가 협업과 반복 개선을 가능하게 한다.

python
planner = ChatAgent(
 system_message="You are a planning expert. Break down complex tasks into structured steps.",
 model=model
)
researcher = ChatAgent(
 system_message="You are a research assistant. Find and summarize evidence from web sources.",
 model=model
)

오케스트레이션 로직 구현

계획, 연구, 자체 일관성 드래프팅을 위한 오케스트레이션 로직을 구현한다. 구조화된 증거를 집계하고 여러 후보 드래프트를 생성해 견고성을 높인다. 추가 평가 에이전트를 통해 최상의 드래프트를 선택하며 앙상블 방식 추론을 시뮬레이션한다.

python
def self_consistency_drafting(task, num_samples=3):
 drafts = []
 for _ in range(num_samples):
 draft = writer.step(task)
 drafts.append(draft)
 return select_best_draft(drafts)

비평-수정 루프

비평-수정 루프를 구현해 품질 관리를 강제한다. 드래프트에 점수를 매기고 약점을 식별한 후 필요에 따라 반복적으로 개선한다. 최종적으로 전체 파이프라인을 실행해 에이전트 간 조율을 통해 구조화된 연구 기반 결과물을 생성한다.

python
for iteration in range(max_iterations):
 critique = critic.step(f"Evaluate this draft: {draft}")
 if critique.score >= threshold:
 break
 draft = rewriter.step(f"Improve based on: {critique.feedback}")

개발자가 바로 체감하는 변화는 파이프라인 실행 한 번으로 계획, 연구, 작성, 검증, 수정까지 자동화된다는 점이다. 예전에는 사람이 직접 각 단계를 붙잡고 수동으로 조율하던 작업이다. 이제는 CAMEL 프레임워크가 에이전트 간 통신을 스키마로 검증하고 웹 검색 도구를 통합하며 내부 비평 루프로 품질을 보장한다.

전체 코드와 노트북은 GitHub 저장소에서 확인할 수 있다.

단순한 프롬프트 체이닝을 넘어 검증된 스키마, 외부 도구, 자체 일관성, 내부 비평을 결합한 확장 가능한 에이전트 파이프라인이 프로덕션 환경에 도달했다.