노코드 AI 에이전트 구축 가이드: StackAI와 함께 나만의 자동화 비서 만들기

---
title: "노코드 AI 에이전트 구축 가이드: StackAI와 함께 나만의 자동화 비서 만들기"
date: 2026-06-06
draft: false
tags:
  - 노코드
  - AI에이전트
  - StackAI
  - 자동화
  - 생산성도구
  - LLM워크플로우
categories:
  - ai-productivity
description: "코딩 한 줄 없이 GPT-4·Claude 기반 AI 에이전트를 만드는 법. StackAI 비주얼 빌더 완전 정복 가이드 — 기능, 가격, 한계, 대안 비교까지."
cover:
  image: "images/노코드-ai-에이전트--스택ai-사용법-cover.jpg"
  alt: "노코드 AI 에이전트 구축 가이드: StackAI와 함께 나만의 자동화 비서 만들기 커버 이미지"
  caption: "Photo by [emkanicepic](https://pixabay.com/ko/photos/%EB%8B%A4%EB%A6%AC-%EA%B8%80%EB%A6%AC%EB%8B%88%EC%BC%80-%EB%B2%A0%EB%A5%BC%EB%A6%B0-%ED%8F%AC%EC%B8%A0%EB%8B%B4-4087894/) on Pixabay"
---

> ※ 이 글에는 제휴 마케팅 링크가 포함될 수 있으며, 구매 시 수수료를 받을 수 있습니다.

---

## "코드 없이 AI 에이전트를?" — 이제는 현실이다

불과 몇 년 전만 해도 LangChain 튜토리얼을 따라 Python 환경을 설치하다 포기한 경험이 있는가? 노코드 AI 에이전트 플랫폼의 등장으로 그 장벽이 급격히 낮아졌고, StackAI는 드래그앤드롭 인터페이스만으로 GPT-4, Claude, Gemini 등 최신 LLM을 조합해 맞춤형 AI 에이전트를 구축할 수 있게 해주는 플랫폼이다. 개발자가 아닌 마케터·기획자·창업자도 본격적인 AI 자동화를 시작할 수 있는 현실적인 진입점을 제공한다는 점에서, 그 실용적 활용 가능성을 면밀히 살펴볼 필요가 있다.

---

## StackAI란 무엇인가?

StackAI(스택AI)는 비주얼 플로우 빌더 기반의 **LLM 워크플로우 자동화 플랫폼**이다. 사용자는 노드(Node)를 연결하듯 프롬프트, 데이터 소스, 도구, 출력 포맷을 조립해 AI 에이전트를 구성한다. 완성된 워크플로우는 REST API로 즉시 배포되거나 웹 임베드 형태로 공유할 수 있어, 별도 백엔드 개발 없이도 실제 서비스로 연결된다.

핵심 포지셔닝은 세 가지 유형의 사용자를 겨냥한다:

- **엔터프라이즈 팀**: 내부 문서 Q&A, 고객지원 자동화, 반복 업무 에이전트화
- **스타트업**: AI 기능이 탑재된 MVP를 빠르게 프로토타이핑해 시장 반응 확인
- **개인 자동화 사용자**: 콘텐츠 초안, 리드 분류, 데이터 추출 같은 반복 업무 해소

StackAI는 미국 기반 스타트업으로 알려져 있다 ([공식 사이트](https://www.stack-ai.com) 직접 확인 권장). 플랫폼 구조상 클라우드 SaaS 형태로 제공되며, 현재까지 셀프호스트 옵션은 공개 발표된 바 없다 [추정 — 공식 문서에서 재확인 필요].

---

## 핵심 기능 상세 분석

### 1. 비주얼 플로우 빌더 — 강점과 내재된 한계

StackAI의 가장 뚜렷한 강점은 **드래그앤드롭 워크플로우 편집기**다. Notion이나 Figma처럼 캔버스에 블록을 놓고 선으로 연결하면 AI 파이프라인이 완성된다. 입력(사용자 메시지, 파일, API 응답) → 처리(LLM 호출, 조건 분기) → 출력(텍스트, JSON, 이메일 발송) 흐름을 시각적으로 구성할 수 있다 ([공식 데모 확인](https://www.stack-ai.com)).

**단점 ①: 복잡한 로직에서의 표현력 부족**

노코드 추상화는 단순 직선형 파이프라인에서는 강력하지만, 복잡한 조건 분기·반복 로직에서는 금방 한계에 부딪힌다. 예를 들어 "A 조건이 참이면 B를 최대 3회 반복 후 C로 넘기되, 실패 시 D로 폴백하고 오류를 슬랙으로 알림" 같은 로직을 구현하면 노드 수가 기하급수적으로 늘어나 관리가 오히려 어려워진다 [추정 — 비주얼 빌더 노코드 플랫폼의 일반적 제약이며, StackAI의 실제 지원 범위는 [공식 문서](https://docs.stack-ai.com)에서 확인 권장].

**단점 ②: 버전 관리와 협업의 한계**

StackAI 워크플로우는 Git처럼 세밀한 버전 관리가 되지 않는 것으로 알려져 있다 [추정 — 공식 문서에서 현행 협업 기능 재확인 권장]. "누가 어떤 노드를 언제 바꿨는지" 추적하기 어렵고, 브랜치 기반 개발이나 코드 리뷰 프로세스를 워크플로우에 그대로 적용할 수 없다. 팀 규모가 커질수록 이 문제는 더 두드러진다.

---

### 2. 멀티 LLM 지원 — 유연성과 비용의 이중성

GPT-4, Claude 3.x, Gemini, Mistral 등 주요 모델을 동일 워크플로우 안에서 혼용할 수 있다 ([공식 문서](https://docs.stack-ai.com) 확인 권장). 작업 성격에 따라 "긴 문서 요약은 Claude, 단순 분류는 GPT-3.5 Turbo"처럼 모델별 비용과 성능을 최적화하는 전략이 가능하다.

**단점: LLM API 비용의 이중 청구 구조**

각 모델 호출 시 해당 모델 제공사의 API 비용이 StackAI 구독료와 **별도로** 청구된다. 플랫폼 비용 외에 OpenAI, Anthropic 등의 API 사용량이 추가되는 구조다 ([공식 가격 정책](https://www.stack-ai.com/pricing) 확인 필수). 무료 플랜에서 제공 크레딧을 소진한 후에는 자비 API 키를 등록해야 할 수 있다.

---

### 3. RAG (검색 증강 생성) — 지식 소스 연결

PDF, 웹사이트 URL, Notion 데이터베이스, Google Drive 파일 등을 **지식 소스(Knowledge Base)**로 등록하면, LLM이 해당 문서를 기반으로 답변을 생성한다. 사내 정책 문서 Q&A 봇이나 특정 도메인 전문 에이전트 구축에 가장 유용하게 활용되는 기능이다 ([공식 문서에서 지원 파일 형식 확인 권장](https://docs.stack-ai.com)).

**단점: RAG 품질 커스터마이징 한계**

RAG의 실제 성능은 청킹(Chunking) 전략, 임베딩 모델 선택, 재랭킹(Reranking) 알고리즘에 크게 좌우된다. StackAI의 시각적 편집기에서 이 파라미터들을 세밀하게 제어하는 데는 한계가 있을 수 있으며 [추정 — 고급 RAG 파라미터 지원 범위는 [공식 문서](https://docs.stack-ai.com)에서 확인 권장], 전문적인 RAG 파이프라인(LlamaIndex, Haystack 등 코드 기반 구현)과 비교할 때 검색 정확도나 고급 옵션에서 차이가 날 수 있다.

---

### 4. API 자동 생성 및 임베드

완성된 워크플로우는 클릭 하나로 **REST API 엔드포인트**로 배포되며, 웹사이트 임베드 코드 형태로도 제공된다 ([공식 문서](https://docs.stack-ai.com) 확인 권장). 별도 백엔드 서버 없이 외부 서비스와 연결할 수 있어, 기존 시스템에 AI 에이전트를 통합하는 가장 빠른 경로를 제공한다.

---

### 5. 사전 빌드 템플릿

처음 시작하는 사용자를 위해 고객지원 봇, 문서 요약, 리드 자격 확인(Lead Qualification), 이메일 초안 생성, HR 온보딩 안내 등 다양한 템플릿이 제공된다 ([공식 사이트에서 현행 템플릿 목록 확인 권장](https://www.stack-ai.com)). 템플릿을 복제한 후 자신의 데이터와 프롬프트로 교체하면 수 시간 내에 첫 에이전트를 운영할 수 있다.

---

### 6. 엔터프라이즈 통합

Slack, Zapier, 웹훅, Salesforce 등 비즈니스 도구와의 통합을 지원한다 ([공식 사이트에서 현행 통합 목록 확인 권장](https://www.stack-ai.com)). 이를 통해 기존 업무 시스템에 AI 에이전트를 자연스럽게 끼워넣을 수 있다.

---

## StackAI 시작하기: 단계별 가이드

### Step 1 — 계정 생성 및 플로우 진입

1. [stack-ai.com](https://www.stack-ai.com)에 접속 후 이메일로 계정 생성
2. 대시보드에서 **"New Flow"** 클릭
3. 빈 캔버스로 시작하거나 목적에 맞는 템플릿 선택 (고객지원, RAG Q&A 등)

### Step 2 — 입력 노드 설정

- **User Input** 노드: 사용자가 채팅창에 입력하는 텍스트를 받는 진입점
- **File Upload** 노드: PDF, CSV, TXT 등 파일을 업로드해 에이전트에 전달
- **Webhook** 노드: Slack, Zapier 등 외부 서비스에서 트리거를 받아 시작

### Step 3 — LLM 노드 연결

- LLM 노드를 캔버스에 드래그하고 모델 선택 (GPT-4o, Claude 3.5 Sonnet 등)
- **시스템 프롬프트** 작성: 에이전트의 역할, 응답 말투, 금지 사항을 상세히 정의할수록 품질이 올라간다
- 입력 노드의 출력을 LLM 노드의 `{{input}}` 변수에 연결

### Step 4 — 지식 소스 연결 (RAG 필요 시)

- **Knowledge Base** 노드를 추가하고 PDF 업로드 또는 URL 등록
- LLM 노드에서 "Retrieve from KB" 옵션을 활성화
- 검색 결과가 프롬프트에 자동 주입되어 문서 기반 답변이 가능해진다

### Step 5 — 출력 설정 및 배포

- **Output** 노드에서 응답 형식 지정 (텍스트, JSON, 이메일 등)
- 우측 상단 **"Deploy"** 클릭 → API 엔드포인트 URL이 생성됨
- 임베드 코드를 웹사이트에 붙여넣거나, API 키로 외부 서비스에서 호출

---

## 고객지원 봇 구축 실전 예시

단계별 가이드를 실제 시나리오에 적용하면 어떻게 되는지 살펴보자. 소규모 SaaS 스타트업이 제품 FAQ를 자동 응대하는 봇을 구축하는 상황을 예로 든다.

**시나리오**: 30페이지 분량의 제품 매뉴얼과 FAQ PDF가 있고, 이 내용을 기반으로 사용자 질문에 자동 응답하는 봇이 필요하다.

**구성 흐름**:

1. **계정 생성 후** "Customer Support Bot" 템플릿 선택 (Step 1)
2. **User Input 노드** → 사용자 질문이 진입점 (Step 2)
3. **LLM 노드** → 모델 선택(Claude 3.5 Sonnet 또는 GPT-4o); 시스템 프롬프트에 "당신은 [제품명] 고객지원 담당자입니다. 제공된 문서 내용에만 근거해 답변하고, 문서에 없는 내용은 '확인이 필요하다'고 안내하세요."를 입력 (Step 3)
4. **Knowledge Base 노드** → PDF 업로드 후 LLM에 연결; RAG가 활성화되어 질문과 관련된 문서 구간이 자동 검색됨 (Step 4)
5. **Deploy** → 생성된 API 엔드포인트를 Slack 봇 또는 웹사이트 채팅 위젯에 연결 (Step 5)

이 구성으로 초기 세팅부터 기본 동작 테스트까지 수 시간 내에 완료할 수 있다 [추정 — 문서 분량, 프롬프트 조정 시간, 통합 복잡도에 따라 달라질 수 있음]. 단, RAG 검색 정확도는 문서의 구조화 수준에 크게 의존하므로, 처음에는 소규모 테스트 문서로 검색 품질을 먼저 확인한 후 전체 문서로 확장하는 접근이 권장된다.

---

## 요금 및 한도

> ⚠️ **중요**: 아래 가격 정보는 훈련 데이터 기반 추정값 [추정]입니다. StackAI는 가격 정책을 수시로 변경할 수 있으므로, 결제 전 반드시 **[공식 가격 페이지](https://www.stack-ai.com/pricing)**에서 현행 요금을 직접 확인하세요.

| 티어 | 월 구독료 | 주요 포함 내용 |
|------|----------|--------------|
| **Free** | $0 [추정] ([반드시 확인](https://www.stack-ai.com/pricing)) | 제한된 런 수, 개인 프로젝트, 기본 LLM 연결 [추정] |
| **Starter** | ~$49/월 [추정] ([반드시 확인](https://www.stack-ai.com/pricing)) | 더 많은 런 수, 팀 협업 기능, 우선 지원 [추정] |
| **Pro** | ~$149/월 [추정] ([반드시 확인](https://www.stack-ai.com/pricing)) | 고급 기능, 더 많은 지식 소스 연결, 고급 지원 [추정] |
| **Enterprise** | 별도 협의 [추정] ([문의](https://www.stack-ai.com/contact)) | 무제한 런, 전용 지원, SLA 보장, 온프레미스 옵션 [추정] |

### 추가 비용 구조: LLM API 이중 청구

StackAI 구독료 외에 **LLM API 사용료가 별도로 청구**되는 구조임을 반드시 이해해야 한다 ([공식 가격 정책 확인](https://www.stack-ai.com/pricing)).

사용 모델에 따른 API 비용 참고 — 아래 수치는 모두 **훈련 데이터 기반 추정값 [추정]**으로 정책이 자주 변경된다. 구매 전 반드시 각 공식 사이트에서 현행 가격을 직접 확인할 것:

- **OpenAI GPT-4o**: 입력 약 $2.50 [추정] / 출력 약 $10.00 [추정] (100만 토큰 기준) → [openai.com/api/pricing](https://openai.com/api/pricing/) 반드시 현행 확인
- **Anthropic Claude 3.5 Sonnet**: 입력 약 $3.00 [추정] / 출력 약 $15.00 [추정] (100만 토큰 기준) → [anthropic.com/pricing](https://www.anthropic.com/pricing) 반드시 현행 확인
- **OpenAI GPT-3.5 Turbo**: 더 저렴한 대안이나 성능 차이 존재 [추정] → [openai.com/api/pricing](https://openai.com/api/pricing/) 확인

월 수백 건 이상의 API 호출이 예상되는 서비스라면, 플랫폼 구독료보다 LLM API 비용이 더 커질 수 있으므로 사전 비용 시뮬레이션이 필수다.

---

## 단점 및 한계 (정직한 평가)

StackAI의 잠재력은 분명하지만, 도입 전에 반드시 아래 한계를 직시해야 한다.

### 한계 1 — 복잡한 에이전트 오케스트레이션 불가

노코드 추상화 레이어는 단순 파이프라인에서는 강력하지만, **상태 기반(Stateful) 에이전트 오케스트레이션**에서는 뚜렷한 한계가 있다 [추정 — 비주얼 빌더 플랫폼의 일반적 제약; StackAI의 실제 지원 범위는 [공식 문서](https://docs.stack-ai.com) 확인 권장]. 다음과 같은 수준의 에이전트가 필요하다면 StackAI는 적합하지 않다:

- 에이전트가 스스로 도구를 선택하고 결과를 평가해 다음 액션을 결정하는 **ReAct 패턴**
- 여러 에이전트가 역할을 분담하고 결과를 피어 리뷰하는 **멀티 에이전트 협업 구조**
- 실패 시 자동 재시도 + 대체 경로 + 상세 로깅을 동시에 처리하는 **회로 차단기(Circuit Breaker) 패턴**

이런 수준의 에이전트가 필요하다면 LangGraph, CrewAI, AutoGen, 또는 순수 코드 기반 접근이 훨씬 적합하다.

### 한계 2 — 벤더 종속과 이식성 문제

StackAI 고유 형식으로 저장된 워크플로우는 **다른 플랫폼으로 이식이 어렵다** [추정 — 클라우드 전용 노코드 플랫폼의 일반적 특성; 이식성 지원 여부는 [공식 문서](https://docs.stack-ai.com) 확인 권장]. Make.com, n8n, 또는 자체 코드베이스로 마이그레이션하려면 처음부터 재구축해야 한다. 서비스 가격이 급등하거나 서비스가 종료될 경우, 비즈니스 연속성에 직접적인 위협이 된다. 장기적으로 AI 에이전트가 핵심 인프라가 될수록 이 리스크는 커진다.

### 한계 3 — 디버깅 경험의 제한

워크플로우 실행 중 오류 발생 시 어느 노드에서 문제가 생겼는지 추적하는 **디버깅 경험**이 코드 기반 도구에 비해 제한적일 수 있다 [추정 — 노코드 플랫폼의 일반적 제약; StackAI의 현행 디버깅 기능은 [공식 문서](https://docs.stack-ai.com) 확인 권장]. 스택 트레이스(Stack Trace), 상세 로그 스트리밍, 단계별 중단점(Breakpoint) 같은 개발자 친화적 도구가 충분히 갖춰지지 않을 수 있다. 문제 발생 시 원인을 파악하는 데 시간이 더 걸릴 수 있다.

### 한계 4 — 고트래픽 환경에서의 비용 비효율

StackAI는 플랫폼 구독료와 LLM API 비용의 이중 구조이므로, 트래픽이 증가할수록 코드 기반 솔루션(직접 LLM API 호출)에 비해 **비용 효율이 급격히 떨어진다** [추정 — 이중 청구 구조의 일반적 특성]. 월 수만 건 이상의 처리가 예상된다면, 초기 개발 비용이 더 들더라도 직접 구현하는 편이 장기적으로 유리할 수 있다.

---

## StackAI vs 대안 플랫폼 비교

> ※ **중요**: 아래 비교표의 모든 항목은 각 플랫폼의 공개 문서 및 공식 사이트를 바탕으로 작성한 내용입니다. [추정] 표시가 있는 항목은 특히 검증이 필요하며, 기능은 업데이트로 변경될 수 있습니다. 도입 전 각 플랫폼 공식 사이트에서 반드시 직접 확인하세요.

| 항목 | **StackAI** | **Flowise** | **Make.com (AI 모듈)** | **n8n** |
|------|------------|------------|----------------------|---------|
| **코딩 필요 여부** | 불필요 | 불필요 (Docker 기본 필요) | 불필요 | 불필요 (고급 기능은 코드) |
| **LLM 멀티모델** | 지원 [추정] | 지원 (오픈소스, [GitHub](https://github.com/FlowiseAI/Flowise) 확인 가능) | 제한적 [추정] | 커뮤니티 노드로 지원 [추정] |
| **RAG 내장** | 지원 [추정] | 지원 (오픈소스, [GitHub](https://github.com/FlowiseAI/Flowise) 확인 가능) | 미흡 [추정] | 플러그인 필요 [추정] |
| **셀프호스트** | 불가 (클라우드 전용) [추정] | 가능 (완전 무료, 오픈소스) | 불가 | 가능 (무료) |
| **무료 티어** | 있음 [추정] ([확인](https://www.stack-ai.com/pricing)) | 완전 무료 (오픈소스) | 제한적 있음 ([확인](https://www.make.com/en/pricing)) | 셀프호스트 무료 |
| **엔터프라이즈 지원** | 강점 (SLA 제공) [추정] | 미흡 [추정] | 있음 | 클라우드 유료 버전 있음 |
| **벤더 종속 리스크** | 높음 [추정] | 낮음 (오픈소스) | 높음 | 중간 |
| **에이전트 복잡도** | 중간 [추정] | 중간 [추정] | 낮음 [추정] | 중간 [추정] |

공식 문서 링크: [Flowise](https://flowiseai.com) · [Make.com](https://www.make.com) · [n8n](https://n8n.io)

---

## 추천 대상

### StackAI가 적합한 경우

**1. 개발자 없는 소규모 팀**
기술 인력 없이 AI 에이전트 MVP를 빠르게 검증하고 싶은 스타트업에 적합하다. 아이디어 → 프로토타입의 리드타임을 수주에서 수일로 줄일 수 있다.

**2. 마케터·콘텐츠 팀**
블로그 초안 자동화, 리드 분류 봇, 이메일 개인화 에이전트처럼 반복성이 높고 구조가 단순한 업무에 효과적인 도구가 된다.

**3. 고객지원 팀**
내부 FAQ 문서·매뉴얼·정책 파일을 RAG로 연결해 1차 자동 응대 봇을 구축하는 데 StackAI의 지식 소스 기능이 직접적으로 활용될 수 있다.

**4. AI 워크플로우 학습 목적**
LLM 파이프라인의 개념(프롬프트 체이닝, RAG, 조건 분기)을 시각적으로 이해하고 실험하는 학습 도구로도 유용하다.

### StackAI가 적합하지 않은 경우

**1. 고트래픽 프로덕션 서비스**
월 수만 건 이상의 API 호출이 예상될 경우, 이중 비용 구조로 인해 코드 기반 솔루션이 비용 면에서 훨씬 유리하다.

**2. 복잡한 상태 기반 에이전트**
멀티스텝 플래닝, 장기 메모리 관리, 멀티 에이전트 협업이 핵심인 경우 LangGraph, CrewAI, AutoGen을 권장한다.

**3. 데이터 보안 민감 환경**
클라우드 SaaS 특성상 데이터가 StackAI 서버를 경유할 수 있다 [추정 — 실제 데이터 처리 방식은 [공식 개인정보처리방침](https://www.stack-ai.com) 확인 필수]. 온프레미스 배포가 필요한 금융·의료·법률 환경에서는 Flowise 셀프호스트나 n8n 셀프호스트가 더 안전한 선택이다.

**4. 장기 비용 최적화가 최우선인 경우**
벤더 종속 없이 최적화된 비용 구조를 원한다면, 초기 설정 부담이 있더라도 Flowise(오픈소스 + 셀프호스트)나 n8n이 장기적으로 유리하다.

---

## 자주 묻는 질문 (FAQ)

**Q1. StackAI를 사용하면 수익을 낼 수 있나요?**

StackAI는 AI 에이전트를 구축하는 플랫폼이며, 플랫폼 자체가 어떤 수익도 보장하지 않습니다. StackAI로 만든 에이전트를 활용해 반복 업무를 줄이거나 고객 서비스 품질을 개선하는 것은 가능하지만, 실제 비즈니스 성과는 구축하는 에이전트의 용도·품질·시장 적합성에 전적으로 달려 있습니다. 개인마다 결과가 상이하며, 특정 수익이나 성과는 어떤 상황에서도 보장되지 않습니다.

**Q2. OpenAI API 키 없이도 StackAI를 사용할 수 있나요?**

무료 플랜 또는 StackAI 제공 크레딧 범위 내에서는 자체 API 키 없이도 일부 LLM 기능을 사용할 수 있는 것으로 알려져 있습니다 [추정]. 크레딧 소진 후에는 OpenAI, Anthropic 등 원하는 모델 제공사의 API 키를 직접 등록해야 할 수 있습니다. 현행 정책은 수시로 변경될 수 있으므로 [공식 문서](https://docs.stack-ai.com)에서 반드시 확인하세요.

**Q3. StackAI와 Flowise 중 어느 것이 더 나은가요?**

목적에 따라 다릅니다. **클라우드 호스팅·빠른 시작·엔터프라이즈 지원**이 중요하다면 StackAI, **데이터 완전 제어·무료·셀프호스트·벤더 독립**이 중요하다면 Flowise가 더 적합합니다. Flowise는 오픈소스라 벤더 종속 리스크가 없지만, 서버 운영 및 유지보수를 직접 담당해야 합니다. 팀의 기술 수준, 데이터 보안 정책, 장기 비용 계획을 종합해 결정하세요.

---

## 참고 링크

- [StackAI 공식 웹사이트](https://www.stack-ai.com)
- [StackAI 가격 정책](https://www.stack-ai.com/pricing) ← 구독 전 반드시 현행 요금 확인
- [StackAI 공식 문서](https://docs.stack-ai.com)
- [Flowise — 오픈소스 LLM 앱 빌더](https://flowiseai.com)
- [n8n — 오픈소스 워크플로우 자동화](https://n8n.io)
- [Make.com — 노코드 자동화 (AI 모듈 포함)](https://www.make.com)
- [OpenAI API 가격](https://openai.com/api/pricing/) ← LLM 비용 계산 시 필수 확인 (변동 잦음)
- [Anthropic Claude 가격](https://www.anthropic.com/pricing) ← Claude 모델 사용 시 필수 확인
- [LangGraph 공식 문서](https://langchain-ai.github.io/langgraph/) ← 복잡한 에이전트가 필요할 때 코드 기반 대안
- [CrewAI](https://www.crewai.com) ← 멀티 에이전트 협업이 필요할 때 대안