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.
관련 포스트

AI Tools & Agents
Google COSMO 해부 — 온디바이스 AI 에이전트의 새 아키텍처
Google이 실수로 공개한 차세대 AI 어시스턴트 COSMO. Gemini Nano + PI 서버 + 하이브리드 모드의 3-모드 아키텍처를 완전히 분석합니다. Google I/O 2026 직전 유출.

AI Tools & Agents
스스로 진화하는 AI 에이전트 — 2026년의 새로운 패러다임
GenericAgent, Evolver, Open Agents — 스스로 스킬을 만들고, 실행 경로를 기억하고, 실패에서 배우는 자가 진화 에이전트 3종 비교.
⚡️
AI & ML
Gemma 4 MoE 파인튜닝 — 3.8B 활성 파라미터로 Arena #6 성능 커스터마이징
Gemma 4 26B MoE 모델에 QLoRA 적용. Expert 레이어 LoRA 전략, Dense 대비 비교, MoE 전용 학습 팁, Ollama 배포까지. LoRA 시리즈 Part 4.