AI & Agents•March 24, 2026•EN

DeerFlow 2.0 Multi-Agent 워크플로우 심화 — StateGraph, Plan-Execute, Human-in-the-Loop

DeerFlow의 LangGraph StateGraph 기반 Multi-Agent 워크플로우를 코드 수준에서 분석합니다. Supervisor 라우팅, Plan-Execute 패턴, 서브 에이전트 동적 생성.

DeerFlow 2.0 Multi-Agent 워크플로우 심화 — StateGraph, Plan-Execute, Human-in-the-Loop

Part 1에서 DeerFlow의 전체 아키텍처와 설치를 다뤘습니다. 이번 글에서는 DeerFlow의 핵심인 Multi-Agent 워크플로우를 코드 수준에서 분석합니다.

DeerFlow가 복잡한 태스크를 어떻게 분해하고, 어떤 에이전트에게 위임하며, 결과를 어떻게 종합하는지 살펴봅니다.

1. LangGraph StateGraph 기초

DeerFlow의 워크플로우는 LangGraph StateGraph 위에 구축되어 있습니다.

StateGraph란?

StateGraph는 에이전트 간 흐름을 유향 그래프(directed graph)로 정의하는 도구입니다. 각 노드는 에이전트이고, 엣지는 상태 전이(transition)입니다.

python

from langgraph.graph import StateGraph, START, END

# 상태 정의
class AgentState(TypedDict):
    messages: list[BaseMessage]
    plan: list[dict]
    current_step: int
    results: dict

# 그래프 구성
workflow = StateGraph(AgentState)
workflow.add_node("supervisor", supervisor_node)
workflow.add_node("researcher", researcher_node)
workflow.add_node("coder", coder_node)
workflow.add_node("reporter", reporter_node)

# 엣지 정의
workflow.add_edge(START, "supervisor")
workflow.add_conditional_edges("supervisor", route_to_agent)
workflow.add_edge("reporter", END)