앤트로픽이 말하는 가장 효율적인 Harnessing — Managed Agents
📺 원본 영상: 앤트로픽이 말하는 가장 효율적인 Harnessing. Managed Agents! 🎙️ 채널: 코드팩토리 📅 정리 일자: 2026-04-13 ⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
Anthropic이 공식 릴리즈한 Managed Agents는 단순한 신기능 추가가 아니다. 이는 AI 에이전트를 실제 프로덕션 환경에서 안정적으로 운영하기 위한 인프라 추상화(Abstraction) 철학의 구현체다. 이 영상에서 코드팩토리는 Claude Console에서 Managed Agents를 직접 시연한 뒤, Anthropic이 공개한 “Scaling Managed Agents” 블로그 포스트를 한국어로 해설하며 이 설계 결정의 배경과 의의를 풀어낸다. 아울러 Serverless 방식으로 설계된 비용 구조까지 분석하여, 실제 Agentic 시스템을 운영 중인 개발자들이 도입 여부를 판단할 수 있는 실질적인 기준을 제시한다.
Managed Agents란 무엇인가
Claude Console에 접속하면 “Managed Agents”라는 항목이 New 배지를 달고 등장한다. 그 안에는 네 가지 핵심 구성 요소가 있다. Agent, Session, Environment, Vault가 그것이다. 강연자는 이 네 가지의 조합이 곧 Anthropic이 생각하는 가장 효율적인 Harnessing 방법이라고 정의한다.
01:49 - Claude Console의 Managed Agents 화면 - Agent, Session, Environment, Vault 탭 구성 전체 뷰
각 구성 요소의 역할을 이해하는 것이 핵심이다. Agent는 Claude가 어떤 기능을 수행할지 정의하는, 우리가 일반적으로 알고 있는 에이전트 그 자체다. Session은 Agent를 실제로 실행했을 때 발생하는 로그와 기록이 쌓이는 공간이다. Environment는 Agent가 실행될 수 있는 런타임 환경으로, 여기서 권한(Permission) 설정을 세밀하게 제어할 수 있다. 마지막으로 Vault는 OAuth 토큰이나 API 키 같은 Credential을 중앙에서 관리하는 저장소다. 이 네 가지가 서로 느슨하게 연결되어(Loosely Coupled) 독립적으로 존재한다는 점이 이 아키텍처의 핵심이다.
실습 데모 — Airbnb 숙소 서포트 에이전트 구축
강연자는 “Airbnb 숙소 서포트 에이전트”라는 구체적인 예제를 통해 Managed Agents의 셋업 흐름을 시연한다. 먼저 Claude Console의 Quick Start 탭에서 Support Agent 템플릿을 선택한다. 이 템플릿은 기본적으로 YAML과 JSON 형태로 구성되어 있으며, MCP(Model Context Protocol) 서버로 Notion과 Slack을 연동하도록 설계되어 있다.
💡 [영상 참조] 강연자는 이 시점에서 Claude Console의 Quick Start 화면과 Support Agent 템플릿 YAML 구조를 화면으로 보여주며 설명합니다. 📺 원본 영상에서 확인하세요.
시나리오는 이렇다. Notion 페이지에 숙소 이용 가이드(와이파이 정보, 체크인 방법 등)를 미리 작성해두고, 게스트가 채팅으로 질문을 보내면 Agent가 Notion에서 해당 정보를 RAG(Retrieval-Augmented Generation) 방식으로 가져와 답변하는 구조다. 강연자는 채팅창에 해당 Notion 페이지 링크를 붙여넣고 “이 링크에서 Knowledge Base를 구축해줘”라고 입력하자, 시스템 프롬프트가 자동으로 정의되는 과정을 보여준다.
04:08 - Notion 페이지 ‘성수 어반 정글 이용 가이드’ - 와이파이 등 숙소 정보가 담긴 Knowledge Base 원본
Vault 등록 과정도 눈여겨볼 만하다. Notion 연동을 위한 OAuth 인증을 Vault에 저장하면, 이후 어떤 Agent, 어떤 Session, 어떤 Environment와도 조합해서 재사용할 수 있다. 강연자는 이 부분에서 “개발자라면 바로 감이 올 것”이라고 말하며, 이것이 곧 인터페이스 레이어(Interface Layer)로 계층을 분리한 설계 원칙임을 강조한다. 세션을 시작하면 게스트가 “와이파이 정보 알려주세요”라고 입력했을 때, Agent가 Notion 페이지를 크롤링(Tool Call 수행)한 뒤 네트워크명과 비밀번호를 정확히 응답하는 것을 확인할 수 있었다.
07:51 - Managed Agents 세션 실행 화면 - ‘와이파이 정보 알려주세요’ 요청에 Notion MCP Tool Call이 실행되는 과정
왜 이렇게 설계했는가 — 추상화(Abstraction)의 철학
시연이 끝난 후 영상의 핵심부가 시작된다. 강연자는 Anthropic이 공개한 “Scaling Managed Agents”라는 블로그 포스트를 직접 읽으며 설계 결정의 배경을 해설한다. 이 블로그는 Anthropic이 왜 기존 방식을 버리고 이 아키텍처를 선택했는지, 즉 Problem Statement부터 서술한다.
09:09 - Anthropic 블로그 ‘Scaling Managed Agents’ 화면 - 에이전트 인프라 추상화 설계 철학 설명 슬라이드
기존 접근 방식은 단순했다. Session, Agent Harness, Sandbox를 모두 단일 컨테이너(Single Container)에 배치하는 것이다. 이 방식은 서비스 경계(Service Boundary)를 설계할 필요가 없어 초기 구축은 빠르지만, 치명적인 단점이 있었다. 컨테이너에 문제가 생기면 세션이 끊어지고, 응답하지 않는 세션을 직접 디버깅해야 했으며, 무엇보다 Harness 오류인지, Event Stream 패킷 손실인지, 컨테이너 오프라인 상태인지 원인이 달라도 동일한 오류 메시지로 나타나는 경우가 많았다. 이는 프로덕션 환경에서 디버깅을 극도로 어렵게 만드는 근본적인 문제였다.
Anthropic의 해법은 “뇌와 손을 분리”하는 것이었다. 강연자가 사용한 이 비유가 핵심을 정확히 짚는다. 뇌는 Claude(판단과 추론), 손은 실제 작업을 수행하는 Sandbox와 이벤트 로그다. 이 두 요소를 물리적으로 분리하여 Harness가 컨테이너 밖으로 나가도록 설계했다. 이제 Harness는 컨테이너를 “도구를 호출하듯” 불러온다. 컨테이너가 고장 나면 Harness는 이를 Tool Call 오류로 간주해 Claude에게 전달하고, Claude가 재시도를 결정하면 표준 레시피로 새 컨테이너를 초기화한다. 컨테이너가 교체 가능한(Replaceable) 가축(Cattle) 취급을 받게 된 것이다.
10:20 - 에이전트 아키텍처 다이어그램 - Harness, Session, Orchestration, Sandbox, Tools의 독립 분리 구조
강연자는 이를 소프트웨어 공학의 전통적인 추상화 개념으로 설명한다. USB 포트라는 인터페이스를 정의해두면, 그 안에 어떤 기기를 꽂든 작동하듯이, Anthropic은 에이전트 시스템의 인터페이스 레이어를 명확히 정의했다. Anthropic은 이 인터페이스 형태에 대해서는 명확한 입장(Opinionated)을 가지고 있지만, 그 뒤에서 실행되는 구현체에 대해서는 자유를 부여한다. 이미 LangChain, 커스텀 서버 등으로 구축해놓은 기존 인프라도 이 추상화 레이어 안으로 가져올 수 있다는 것이 강연자가 강조하는 실용적인 포인트다.
Meta Harness로서의 Managed Agents
Anthropic 블로그의 결론부에서 강연자가 가장 중요하게 여기는 개념이 등장한다. Managed Agents는 특정 Harness 방식에 종속되지 않는, 모든 Harnessing을 품을 수 있는 Meta Harness라는 정의다.
강연자는 이것이 소프트웨어 엔지니어링의 역사 속에서 우리가 반복적으로 사용해온 해결책과 동일한 정신임을 강조한다. “아직 생각조차 하지 못한 프로그램을 위한 시스템을 어떻게 설계할 것인가”라는 질문에 대한 답은 항상 추상화였다. AI 에이전트 시대에서 Anthropic은 그 추상화 레이어가 Agent, Session, Environment, Vault의 네 가지 인터페이스로 구성되어야 한다는 주장을 내놓은 것이다. 앞으로 어떤 Harnessing 패러다임이 유행하더라도, 이 추상화 안에 수용될 수 있도록 설계되었다는 점에서 Managed Agents는 단순한 제품 기능이 아닌 아키텍처 선언문에 가깝다.
아울러 강연자는 이전에 Anthropic이 공개한 “Building Effective Agents”[불명확: 원제 확인 권장] 블로그 포스트의 내용과도 일맥상통한다고 언급한다. Long-Running Task를 안정적으로 수행하기 위한 인프라 요건들이 Managed Agents라는 형태로 구현되었다는 것이다.
비용 구조 — Serverless 방식의 Pricing
실용적인 도입 판단을 위해 강연자는 비용 구조도 구체적으로 분석한다. Managed Agents의 비용은 두 가지 축으로 구성된다.
첫 번째는 모델 Pricing으로, 기존 API 빌링과 동일하다. Claude Opus, Sonnet, Haiku 중 어떤 모델을 사용하느냐에 따라 Input/Output 토큰 단위로 과금된다. 두 번째가 핵심인 Session Runtime 비용이다. 이 과금 방식은 전통적인 인프라 관점에서 Serverless 모델과 구조적으로 유사하다.
15:44 - Claude Managed Agents Pricing 화면 - Session Runtime $0.08/시간 과금 구조 및 Running State 기준 설명
Session Runtime은 시간당 $0.08이 부과되며, 중요한 점은 Agent가 실제로 실행 중이거나 Tool Call을 수행하는 시간에 대해서만 과금된다는 것이다. API 응답을 기다리는 중이거나 아무 작업도 하지 않는 Idle 상태에서는 비용이 발생하지 않는다. 또한 Agent 정의, Environment 설정, Vault에 저장된 Credential 자체에 대해서는 비용이 전혀 청구되지 않는다.
16:24 - Session 실행 타임라인 시각화 - 실제 실행 구간과 Idle 구간의 과금 차이 설명 화면
강연자는 이를 AWS EC2와 비교한다. 서울 리전 기준으로 $0.08/시간은 T4G Large 수준이거나, 더 범용적으로 사용되는 M5 Large보다 약간 저렴한 수준이라고 설명한다. 다만 EC2는 실행 여부와 무관하게 지속적으로 비용이 발생하는 반면, Managed Agents의 Pricing은 실제 실행 시간에만 과금된다. 여기에 인프라를 직접 관리하지 않아도 된다는 운영 비용(인건비 포함)까지 고려하면, Agentic 시스템을 운영 중인 팀에게는 진지하게 검토할 만한 선택지가 된다는 것이 강연자의 결론이다. 특히 Idle 시간이 길수록 Managed Agents 쪽 모델이 더 유리하다는 판단 기준을 제시한다.
마무리 — 이 기능이 중요한 이유
“그냥 Claude Code로 로컬에서 돌리면 되는 거 아닌가”라는 반응이 나올 수 있다는 것을 강연자 스스로도 예상한다. 하지만 이는 실제 AI 서비스를 운영해본 경험이 없을 때 나오는 시각이라고 단호히 말한다. 트래픽에 따라 스케일링이 필요하고, 장애 발생 시 세션 복구가 가능해야 하며, 에이전트 체이닝(Chaining)을 통한 복잡한 워크플로우를 안정적으로 관리해야 하는 프로덕션 환경에서는 로컬 실행 방식이 근본적으로 다른 문제를 낳는다.
Managed Agents가 가져다주는 가장 큰 가치는 “환경이 갑자기 실패하더라도 Session에 진행 기록이 남아있고, Agent 정의와 Vault의 Credential이 독립적으로 보존되기 때문에 새 Environment를 생성하고 마지막 중단 지점부터 재개할 수 있다”는 점이다. 이 복구 가능성(Recoverability)이 바로 인프라 추상화가 제공하는 가장 실질적인 혜택이다. Anthropic은 이 설계를 통해 에이전트 인프라의 표준 인터페이스를 제안하고 있으며, 이 제안이 AI 에이전트 개발의 표준 관행으로 자리잡을 가능성이 충분히 있다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 앤트로픽이 말하는 가장 효율적인 Harnessing. Managed Agents! |
| 채널 | 코드팩토리 |
| 리포트 작성 | 2026-04-13 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.