AI 에이전트 생태계 – 확장성을 중심으로

스킬, 툴, MCP, 서브에이전트 — 이것들은 어떻게 함께 작동하는가

스킬은 혼자 존재하지 않는다. 툴, MCP, 서브에이전트와 함께 작동할 때 비로소 강력한 에이전트 워크플로우가 만들어진다.

MCP는 ‘외부 세계와의 연결’이다

에이전트 생태계에는 MCP, 스킬, 툴, 서브 에이전트처럼 다양한 기술 요소가 공존한다. 특히 스킬과 툴이 헷갈릴 수있다. 각각의 역할을 명확히 구분해서 이해하는 것이 중요하다 할 수 있다.

MCP(모델 컨텍스트 프로토콜)는 에이전트 혹은 AI 애플리케이션을 외부 시스템 및 데이터와 연결하는 역할을 한다. 외부 데이터베이스가 될 수도 있고, Google Drive의 파일이 될 수도 있다. 모델이 본래 알 수 없는 외부 데이터나 맥락이 필요할 때, MCP가 그 통로가 된다.

스킬은 그 위에서 작동한다. MCP가 제공하는 툴과 데이터를 활용하여, 에이전트가 ‘무엇을 어떻게 해야 하는지’를 가르치는 것이 스킬이다. MCP가 재료와 도구를 가져온다면, 스킬은 그것들을 조합해 반복 가능한 워크플로우를 만드는 레시피다. LLM이 추론과정에서 자체적으로 생성한 추론 컨텍스트에 지배를 받지 않는다. 언제나 재현이 가능한 재생산이 가능한 결과를 얻을 수 있는 가능서이 높아진다.

고객 데이터를 분석하고, 지표를 계산하고, 리서치를 수행하는 데 필요한 모든 밑바탕 툴은 MCP를 통해 외부에서 공급된다. 스킬은 그 툴 들을 언제 어떻게 쓸지 일관되게 정의해 준다. 스킬은 입력된 정보를 어떻게 가공하고 에이전트가 연결된 외부 세계에 어떻게 영향을 끼칠지 결정하는 판단이다. 그에 비해 툴은 팔 다리와 같은 역할을 한다.

전기 자동차 내부의 컴퓨터가 제어 회로를 통하여 직접 운전을 하던, 차에 탄 휴머노이드가 손과 발을 사용하여 운전을 하던, 운전이라는 “스킬”은 변하지 않는다.

툴은 망치, 스킬은 책장 만드는 법이다

툴은 더 낮은 수준의 개념이다. 망치, 톱, 못을 생각해보자. 툴은 그런 것들이다. 시스템에 접근하고, 에이전트에게 특정 작업을 수행할 능력을 부여하는 기본 단위다. 실제로 스킬을 생성하고 읽고 실행하는 데 필요한 파일시스템 접근도 툴을 통해 이루어진다.

반면 스킬은 ‘책장 만드는 법’에 해당한다. 전문 지식과 추가 파일, 실행 스크립트를 통해 에이전트의 역량을 확장한다. 단, 그 스크립트를 실제로 실행하고 파일을 불러오는 기반 능력 자체는 툴이 제공한다.

툴 정의는 항상 컨텍스트 윈도우 안에 존재한다. 스킬은 필요할 때만 점진적으로 로드된다. 매 대화에서 필요하지 않은 툴이라면, 스킬을 통한 점진적 공개 방식으로 필요한 시점에만 사용할 수 있다.

서브에이전트는 ‘전담 실행자’다

서브에이전트는 메인 에이전트가 생성하는 하위 에이전트다. 작업을 마치면 결과를 상위 에이전트에게 보고한다. Claude Code나 에이전트 SDK 같은 생태계를 통해 만들 수 있고, 직접 구현하는 것도 가능하다. 직접 구현을 하는 대표적인 경우가 서로 다른 LLM 모델간에 역할을 부여하고 API로 정의된 통신을 통하여 협업을 할 수 있도록한다.

서브에이전트의 핵심 가치는 두 가지다.

첫째는 격리된 컨텍스트와 세밀한 권한 제어를 들 수 있다. 다른 포스트를 통하여 트랜스포머 모델의 특성상 컨텍스트가 중요하다고 말했다. 에이전트를 분리하는 경우 우리는 각 에이전별로 독립적인 역할을 수행할 수 있다. 독립적인 역할은 맥락 내부에서 역할간의 간섭을 줄여 hallucination이 발생할 확률을 줄일 수 있다. 또한 해결을 해야 하는 과제에 집중된 컨텍스트를 유지함으로서 원하는 결과물을 얻을 수 있는 확룰을 높일 수 있다.

둘째는 병렬 실행이다. 서로 독립적으로 실행을 할 수 있는 작업인 경우 동시에 작업을 수행하여 대기 시간을 줄인다. 메인 에이전트가 오케스트레이터 (전체 업무의 조율자 ) 역할을 하며 전체를 조율하는 동안, 서브에이전트들은 각자 맡은 스킬을 활용해 작업을 독립적으로 처리한다.

‘코드 리뷰어’ 서브에이전트를 생각해보자. 이 에이전트의 역할은 코드베이스를 분석하고 검토하는 것 하나다. 팀 혹은 회사의 코드 리뷰 방식을 정의한 스킬을 활용해, 일관성 있고 예측 가능한 방식으로 작업을 수행한다.

가장 작은 단위부터 큰 그림까지

AI 생태계를 구성하는 요소들을 다시 한번 정리해보자.

가장 작은 단위는 프롬프트다. 모델과 소통하는 가장 근본적인 수단이다. 하지만 프롬프트는 팀 단위, 조직 단위로 확장하기 어렵다. 버젼이라고 부르는 형상관리도 어렵다. 모델 자체가 바뀌는 경우 (업그레이드) 기존에 잘 동작하던 프롬프트가 제대로 된 결과물을 낼 수 없기도 하다.

그래서 중요한 작업에는 스킬이 필요하다. 프롬프트와 대화, 코드, 에셋을 하나의 단위로 묶어 재사용 가능하게 만드는 것이 스킬이다.

서브에이전트는 스킬을 활용해 위임된 작업을 처리하고, 그 서브에이전트들은 메인 에이전트로부터 MCP를 통해 정의된 툴을 공급받는다.

컨텍스트 윈도우는 공유 자원이다. 아껴써야 한다. 무한대의 크기를 가지면 좋겠지만 실제적인 물리 세상에서 무한대의 메모리를 공급할 수는 없다. 이 한계 이상의 콘텍스트는 어쩔 수 없이 잘려 나가게 된다. 서브에이전트는 메인 컨텍스트 윈도우에 담기는 내용을 줄여준다.

MCP는 필요한 데이터를 공급하고, 스킬은 필요한 시점에 점진적으로 로드된다. 지속성 측면에서도 각각의 역할이 다르다. 서브에이전트는 여러 세션에 걸쳐 상태를 유지할 수 있고, 스킬은 사용자와 AI 애플리케이션 간의 대화를 넘나들며 지식을 전달한다.

스킬은 절차적이고 예측 가능한 워크플로우에 쓴다. 서브에이전트는 전문화된 작업이 필요할 때, 정말 필요한 경우에만 사용할 수 있도록 기획하는 것이 좋다.

마치며

에이전트는 챗봇이 아니다. 수행해야 할 특별한 목적이 있고 달성해야 할 결과물이 있다. 챗 창에서 머무르는 답변이 의미 없다는 것은 아니다.
주로 사무실에서 근무하는 모든 노동의 결과물이 파일이다. 그리고 파일에 들어가는 주요 콘텐츠는 여러 IT 시스템에 있다. 따라서 IT 시스템의 내용을 읽가나 저장하는 일, 그리고 최종 파일을 다른 사람에게 전달하는 일 들일 것이다.
결국 반복적인 현대의 사무 작업은 업무 절차를 어떻게 기획하고 설계 하느냐에 따라 많은 부분이 AI 에이전트 생태계를 통하여 확장되거나 자동화 될 가능성이 있다. 남은 일은 이렇게 자동화된 업무 처리의 경제적 편익을 계산하는 일이다. 토큰당 비용 대비 업무 처리 속도 그리고 유지 보수에 필요한 비용등 여러가지 측면이 함께 고려해야 한다.

세간에서 많이 논의되지 않고 있는 부분중의 하나가 유지 보수 비용이다. 이렇게 업무 절차를 AI 에이전트화하면 끝나는 것이 아니다.

LLM 특유의 확률적 성격 때문에 에이전트의 산출물이 제대로 작성되고 있는지 그렇지 못하는 경우 문제를 수정하는 기회 비용도 현업에서는 만만치 않게 경험할 수 있다.