AutoGen·Semantic Kernel과 Microsoft Agent Framework

Microsoft의 두 가지 접근법

AutoGen은 에이전트 간 대화, Semantic Kernel은 기존 함수와 모델의 통합을 중심으로 발전했습니다. 현재 공식 저장소는 Microsoft Agent Framework(MAF)를 두 프로젝트의 후속 프레임워크로 안내합니다.

현재 지원 상태

2026-10-23에 확인한 AutoGen 공식 저장소는 보관 상태이며 Microsoft가 버그·보안 수정과 지원을 제공하지 않는다고 명시합니다. 신규 프로젝트는 MAF를 검토하고, 기존 프로젝트는 마이그레이션 안내를 확인합니다. 아래 import autogen·GroupChat 코드는 v0.2 계열의 역사적 설계 예제이며 현재 권장 설치법이 아닙니다.

프레임워크	철학	강점
AutoGen	에이전트 간 대화로 문제 해결	동적 멀티에이전트 협업
Semantic Kernel	플러그인 + 플래너로 작업 분해	엔터프라이즈 통합, .NET 지원

---

AutoGen

핵심 개념

AutoGen은 여러 에이전트가 대화를 통해 협력하여 복잡한 문제를 해결하는 프레임워크입니다. 에이전트들은 서로 메시지를 주고받으며 작업을 완성합니다.

import autogen

# v0.2 계열의 구조 설명용 예제
import os
config_list = [{"model": os.environ["OPENAI_MODEL"], "api_key": os.environ["OPENAI_API_KEY"]}]
llm_config = {"config_list": config_list}

# 에이전트 정의
assistant = autogen.AssistantAgent(
    name="Assistant",
    llm_config=llm_config,
    system_message="당신은 시니어 Python 개발자입니다.",
)

# 사용자 프록시 (코드 실행 가능)
user_proxy = autogen.UserProxyAgent(
    name="UserProxy",
    human_input_mode="TERMINATE",  # 완료 키워드 감지 시 종료
    max_consecutive_auto_reply=10,
    code_execution_config={
        "work_dir": "workspace",
        "use_docker": True,  # Docker 샌드박스 사용
    },
)

# 대화 시작
user_proxy.initiate_chat(
    assistant,
    message="피보나치 수열을 계산하는 함수를 작성하고 테스트해주세요",
)

에이전트 대화 흐름:

UserProxy: "피보나치 수열 함수 작성 요청"
Assistant: "다음 코드를 실행해주세요: [코드 블록]"
UserProxy: [코드 실행] → "실행 결과: [출력]"
Assistant: "테스트 코드도 추가합니다: [테스트 코드]"
UserProxy: [테스트 실행] → "모든 테스트 통과. TERMINATE"

GroupChat — 멀티에이전트 협업

GroupChat은 여러 에이전트가 라운드 테이블 형식으로 대화에 참여하는 구조입니다.

# 전문가 에이전트들
coder = autogen.AssistantAgent(
    name="Coder",
    llm_config=llm_config,
    system_message="코드 작성을 담당합니다.",
)

reviewer = autogen.AssistantAgent(
    name="Reviewer",
    llm_config=llm_config,
    system_message="코드 리뷰와 보안 검토를 담당합니다.",
)

tester = autogen.AssistantAgent(
    name="Tester",
    llm_config=llm_config,
    system_message="테스트 작성과 실행을 담당합니다.",
)

user_proxy = autogen.UserProxyAgent(
    name="Manager",
    human_input_mode="NEVER",
    code_execution_config={"work_dir": "workspace"},
)

# GroupChat 구성
groupchat = autogen.GroupChat(
    agents=[user_proxy, coder, reviewer, tester],
    messages=[],
    max_round=20,
    speaker_selection_method="auto",  # LLM이 다음 발언자 선택
)

manager = autogen.GroupChatManager(
    groupchat=groupchat,
    llm_config=llm_config,
)

user_proxy.initiate_chat(manager, message="인증 모듈을 구현해주세요")

speaker_selection_method

auto는 LLM이 대화 흐름을 보고 다음에 발언할 에이전트를 선택합니다. round_robin은 순서대로, random은 무작위로 선택합니다. 복잡한 협업에는 auto가 가장 자연스럽습니다.

---

Semantic Kernel

핵심 개념

Semantic Kernel의 플러그인은 에이전트가 사용할 기존 함수를 묶습니다. 과거 별도 플래너에서 현재 function calling 중심 실행으로 발전했으므로, 이전 SequentialPlanner를 신규 API처럼 사용하지 않습니다. 기존 시스템의 플러그인 개념을 이해한 뒤 MAF의 도구로 옮길 수 있습니다.

from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion
from semantic_kernel.core_plugins import FileIOPlugin, TextPlugin

kernel = Kernel()

# AI 서비스 등록
kernel.add_service(
    OpenAIChatCompletion(
        service_id="gpt4o",
        ai_model_id="gpt-4o",
    )
)

# 플러그인 등록
kernel.add_plugin(FileIOPlugin(), plugin_name="file")
kernel.add_plugin(TextPlugin(), plugin_name="text")

커스텀 플러그인

from semantic_kernel.functions import kernel_function

class CodeAnalysisPlugin:
    @kernel_function(
        name="analyze_complexity",
        description="코드의 복잡도를 분석합니다",
    )
    def analyze_complexity(self, code: str) -> str:
        # 순환 복잡도 계산
        complexity = calculate_cyclomatic_complexity(code)
        return f"복잡도: {complexity} (권장: 10 이하)"

    @kernel_function(
        name="find_code_smells",
        description="코드 스멜을 감지합니다",
    )
    def find_code_smells(self, code: str) -> str:
        smells = detect_smells(code)
        return "\n".join(smells) if smells else "코드 스멜 없음"

kernel.add_plugin(CodeAnalysisPlugin(), plugin_name="code_analysis")

계획 수립의 변화

Semantic Kernel의 현재 계획 안내는 모델의 function calling을 중심으로 설명합니다. 모델이 함수를 선택하고, 애플리케이션이 실행 결과를 돌려주는 반복으로 계획이 발전합니다. 고정된 업무 순서가 필요하면 모델에게 순서를 전부 맡기지 않고 명시적 워크플로우를 사용합니다.

과거: 목표 → SequentialPlanner → 미리 작성한 실행 계획
현재: 목표 → 모델의 함수 선택 → 실행·인가 → 결과 → 다음 함수 또는 응답
고정 업무: 입력 → 명시적 단계·분기·승인 → 결과

Microsoft Agent Framework로 실행

다음은 MAF Python API의 최소 도구 실행 예제입니다. agent-framework와 제공자 연동 패키지를 설치하고, OPENAI_API_KEY·OPENAI_MODEL을 환경에 설정합니다. .env 자동 로드는 가정하지 않습니다.

import asyncio
import os
from agent_framework import Agent, tool
from agent_framework.openai import OpenAIChatClient

@tool
def service_status(service: str) -> str:
    """Return a demonstration status for a service."""
    return f"{service}: healthy (demo data)"

async def main():
    agent = Agent(
        name="OperationsAssistant",
        client=OpenAIChatClient(model=os.environ["OPENAI_MODEL"]),
        instructions="도구 결과를 바탕으로 상태를 설명하세요. 데모 데이터임을 밝히세요.",
        tools=[service_status],
    )
    print(await agent.run("api 서비스 상태를 알려주세요"))

asyncio.run(main())

MAF는 에이전트 외에도 명시적 workflow, 세션 상태, 미들웨어, MCP 통합을 제공합니다. 코드 실행·파일 변경은 도구 함수가 실제로 제공하는 권한 범위에서만 가능합니다.

전환 시 유지할 계약

기존 구성	전환 시 확인할 내용
AutoGen 대화·종료 조건	실행 종료, 최대 턴, 대화 이력 보존
UserProxy 코드 실행	별도 실행기와 샌드박스·승인 경계
Semantic Kernel 플러그인	함수 스키마·도구 이름·인가·오류 형식
저장된 대화·세션	사용자별 격리, 재개 시 중복 실행 방지
GroupChat 조율	순차·병렬·handoff·명시적 workflow 중 선택

설계 유산 비교

항목	AutoGen	Semantic Kernel
실행 모델	에이전트 간 대화	플러그인 조합
언어 지원	Python	Python, C#, Java
강점	동적 협업, 코드 실행	엔터프라이즈, 계획 수립
진입 장벽	낮음	중간
적합한 팀	스타트업, 연구	엔터프라이즈, .NET 팀
Human-in-the-Loop	human_input_mode	플래너 단계 중단

선택 기준

기존 AutoGen·Semantic Kernel 시스템의 구조를 이해하는 것과 신규 프로젝트의 SDK 선택을 구분하세요. 신규 구축은 MAF의 현재 지원 범위와 실행 계약을 확인하고, 전환은 기존 평가 과제에서 대화 흐름·도구 권한·종료 조건을 비교합니다.

요약

AutoGen은 에이전트 간 자연스러운 대화와 GroupChat을 통한 멀티에이전트 협업에 강점이 있습니다. Semantic Kernel은 플러그인과 플래너를 통한 구조적 작업 분해와 엔터프라이즈 환경 통합에 강점이 있습니다. 현재 신규 구축에서는 후속 MAF를 검토하며, 보관된 AutoGen 예제와 현재 지원 API를 구분해야 합니다.