MCP + Multi-Agent — 에이전트가 도구를 공유하고 협업하는 법
MCP로 N×M 통합 문제를 해결하고, CrewAI로 역할 기반 멀티 에이전트 팀을 구성합니다. A2A 패턴으로 에이전트 간 위임과 협업을 구현하는 방법.
MCP + Multi-Agent — 에이전트가 도구를 공유하고 협업하는 법
에이전트 하나는 강력합니다. 하지만 현실 세계의 복잡한 태스크는 하나의 에이전트로 해결하기 어렵습니다. 리서치, 코딩, 리뷰를 동시에 해야 한다면? 여러 에이전트가 각자의 역할을 맡아 협업하는 게 답입니다.
이번 글에서는 MCP(Model Context Protocol)로 도구 통합을 표준화하고, CrewAI로 멀티 에이전트 팀을 구성하며, A2A(Agent-to-Agent) 패턴으로 에이전트끼리 대화하는 방법을 다룹니다.
시리즈: Part 1: ReAct 패턴 | Part 2: LangGraph + Reflection | Part 3 (이 글) | Part 4: 프로덕션 배포
N×M 통합 문제
관련 포스트
Models & Algorithms
Agentic RAG 파이프라인 — 멀티스텝 검색의 프로덕션 적용
Plan-Retrieve-Evaluate-Synthesize 풀 파이프라인 구현. Vector + Web + SQL을 Tool로 통합하고, 환각 탐지와 소스 그라운딩으로 신뢰도를 확보합니다.
Models & Algorithms
Self-RAG과 Corrective RAG — Agent가 자기 검색을 평가하는 법
Self-RAG의 reflection token 메커니즘과 CRAG의 품질 기반 폴백 전략을 구현합니다. LangGraph conditional edge로 retry/fallback 로직 구성.
Models & Algorithms
Agentic RAG 첫걸음 — Query Routing과 Adaptive Retrieval
Naive RAG의 한계를 진단하고, 쿼리 의도를 분류해 최적의 검색 소스로 라우팅하는 Agent를 LangGraph로 구현합니다. Adaptive Retrieval로 불필요한 검색을 제거하는 방법까지.