에이전트 경제에서 AI 에이전트를 구축하는 새로운 방법론에 대한 이야기를 계속하면서, 오늘 오후에는 LangChain의 오픈소스 Deep Agents의 디자인 아키텍처를 연구하는 데 시간을 보냈습니다. 디자인 컨셉은 Claude Code에서 영감을 얻었으며 @SentientAGI의 최신 ROMA(재귀적 ​​오픈소스 메타 에이전트) + GRID 에이전트 협업 네트워크 아키텍처와 유사합니다. 모든 에이전트는 최고 수준의 상용 LLM(Claude Sonnet4가 가장 좋습니다)으로 구동되는 메타 에이전트를 사용하며, 이를 통해 To-Do List를 생성, 계획 및 관리할 수 있습니다. 라우팅 노드는 작업을 처리할 하위 에이전트에 작업을 분배합니다. 하위 에이전트는 메타 에이전트의 기능을 상속받으며, 작업을 재귀적으로 분해하여 하위 레벨의 하위 에이전트에 분배할 수 있습니다. 딥 에이전트는 명시적으로 상태를 저장하며, MCP에서 데이터 수집, 저장 및 협업을 관리하는 가상 파일 시스템을 갖추고 있습니다. 이는 @ReiNetwork0x의 에이전트 시스템 설계와 유사하지만, 후자의 에이전트 상태 관리 시스템만큼 복잡하지는 않습니다. Sentient에 상태 관리 기능이 있는지는 불분명합니다. 제 개인적인 경험에 따르면, Sentient나 REI 같은 AI x Crypto 에이전트 아키텍처는 최첨단 아키텍처와 거의 동등합니다. AI16Z나 Swarm 프레임 와는 달리, 단순히 엉터리 "똥글" 로봇이 아닌, 진정으로 사용 가능한 AI 에이전트 제품을 제공합니다. AI 에이전트는 자동화(표준 패러다임: LLM+메모리+도구)를 넘어 자율성의 초기 단계(표준 패러다임: 메타 에이전트+상태 관리 시스템+통합 도구+하위 에이전트)로 접어들고 있습니다. AI 학습은 토큰 수준에서뿐만 아니라 에이전트 수준에서도 발생합니다.