오픈소스 AI 에이전트 프레임워크 비교는 2026년에 에이전트 개발을 시작하는 팀이 가장 먼저 부딪히는 숙제예요. AWS의 스트랜즈(Strands Agents), LangChain 진영의 랭그래프(LangGraph), 역할 기반 팀 구성이 특징인 크루AI(CrewAI)는 모두 무료로 쓸 수 있어요. 하지만 설계 철학이 완전히 달라서, 잘못 고르면 나중에 통째로 다시 짓게 될 수도 있어요.
이 글은 세 프레임워크를 비용 구조, 설치 절차, 선택 기준, 성숙도 지표로 나눠 비교하고 프로젝트 유형별 추천안까지 정리했어요. 2026년 9월 AWS가 공개한 Strands harness 소식도 함께 다뤄요. 표만 훑어봐도 방향이 잡히도록 구성했으니 필요한 부분부터 읽어도 괜찮아요.
📌 핵심 요약
- 세 프레임워크 모두 라이선스 비용은 무료(MIT·Apache 2.0)이고, 실제 비용은 LLM 토큰 요금과 서버 운영비에서 발생해요.
- LangGraph는 분기·순환·승인 단계와 체크포인팅이 필요한 장기 실행 워크플로에, CrewAI는 3~5일 만에 만드는 역할 분담형 프로토타입에 유리해요.
- Strands는 모델 주도형 SDK로 속도와 단순함이 강점이고, 2026년 9월 공개된 harness는 동급 대비 토큰 비용 28% 절감을 내세워요(AWS 주장).
- 월간 PyPI 다운로드는 LangGraph가 약 3,400만~3,900만 건, CrewAI는 약 520만 건이에요.
- 같은 소규모 과제를 세 프레임워크로 구현해 토큰 사용량과 구현 시간을 직접 재보는 것이 가장 확실한 선택법이에요.
오픈소스 AI 에이전트 프레임워크 비용 구조: 라이선스는 무료, 토큰 요금은 별도
세 프레임워크는 소프트웨어 자체가 오픈소스라 라이선스 비용이 들지 않아요. LangGraph와 CrewAI는 MIT 라이선스, Strands는 Apache 2.0 라이선스로 배포돼서 상업 서비스에도 붙일 수 있어요. 진짜 비용은 프레임워크가 아니라 그 뒤에서 호출하는 LLM API의 토큰 요금과 서버 운영비에서 나와요.
Amazon Bedrock, Anthropic, OpenAI, Google 같은 모델 제공 업체의 종량 요금제가 월 청구서의 대부분을 차지해요. 여기에 트레이싱 같은 관측 서비스 요금, 호스팅 요금제, 클라우드 서버 사용료가 더해져요. 그래서 에이전트 오케스트레이션 도구를 고를 때는 토큰을 얼마나 아껴 쓰는 구조인지가 중요하고, 비용 구조를 표로 먼저 정리해 보면 다음과 같아요.
| 항목 | Strands | LangGraph | CrewAI |
|---|---|---|---|
| 라이선스 | Apache 2.0 | MIT | MIT |
| 주된 비용 발생처 | 모델 API 토큰 요금, AWS 클라우드 사용료 | 모델 API 토큰 요금, 상태 저장용 데이터베이스 | 모델 API 토큰 요금, 에이전트 간 대화로 늘어나는 호출량 |
| 부가 서비스 | Amazon Bedrock 등 AWS 관리형 서비스 | LangSmith 관측·배포 유료 플랜 | 엔터프라이즈 유료 플랫폼 |
| 로컬 모델 사용 | Ollama·LiteLLM 지원(API 요금 절감 가능) | 모델 연결 방식에 따라 가능 | 모델 연결 방식에 따라 가능 |
오픈소스 AI 에이전트 프레임워크 비용 구조: 라이선스는 무료, 토… 바로가기
설치와 API 키 발급 절차: 가입부터 첫 에이전트 실행까지
시작 절차는 세 프레임워크가 거의 같아요. 먼저 사용할 모델 제공 업체에 가입해서 API 키를 발급받아야 해요. Strands는 기본적으로 Amazon Bedrock을 쓰기 때문에 AWS 계정을 만들고 콘솔에서 모델 액세스 권한을 확인하거나 신청하는 단계가 필요해요.
Anthropic이나 OpenAI 모델을 쓰려면 각 개발자 콘솔에 가입해 키를 만들고 결제 수단을 등록하면 돼요. 이때 이용 한도와 요금표를 함께 확인해 두면 나중에 청구서에 놀라지 않아요. 가입이 끝나면 파이썬 가상환경에 패키지를 설치하는데, 단계별 순서는 다음과 같아요.
- 가상환경을 만들고 활성화해요. (
python -m venv .venv) - 사용할 프레임워크를 설치해요. Strands harness는
pip install strands-harness또는npm install @strands-agents/harness, LangGraph는pip install langgraph, CrewAI는pip install crewai예요. - 발급받은 API 키는 코드에 적지 않고 환경 변수로 등록해요.
- 공식 문서의 예제 에이전트로 도구 호출 1개를 먼저 실행해 봐요.
- 모델 제공 업체 콘솔에서 월 사용 한도와 비용 알림을 설정해요.
설치와 API 키 발급 절차: 가입부터 첫 에이전트 실행까지 신청하기
프레임워크 선택 기준 비교: 학습 기간·상태 관리·멀티에이전트 방식
선택 기준의 출발점은 설계 철학이에요. Strands는 LLM이 에이전트 루프를 주도하는 모델 주도형 SDK이고, LangGraph는 노드와 엣지로 흐름을 그리는 명시적 상태 머신(그래프)이에요. CrewAI는 리서처, 작성자처럼 역할이 나뉜 에이전트 팀(crew)이 협업하는 구조라서 실제 업무 분담을 그대로 옮기기 쉬워요.
서비스 유형으로 나누면 판단이 빨라져요. 분기·순환·승인 단계와 감사 가능한 상태 전이가 필요한 금융·의료 같은 규제 업종 솔루션에는 LangGraph가 권장돼요. 빠르게 띄우는 사내 도구나 PoC에는 Strands와 CrewAI가 어울려요. 학습 기간과 상태 관리 수준을 기준으로 세 프레임워크를 비교한 표는 다음과 같아요.
| 비교 항목 | Strands | LangGraph | CrewAI |
|---|---|---|---|
| 설계 철학 | 모델 주도형 SDK | 명시적 상태 머신(그래프) | 역할 분담형 에이전트 팀 |
| 학습 기간 | 속도·단순함 우선(공식 수치 미확인) | 1~2주 | 3~5일 |
| 상태 관리 | 1.0에서 세션 매니저 추가(원격 저장소에서 상태 로드) | 체크포인팅 제공 | 규제 업종·장기 실행에서 한계 사례 |
| 멀티에이전트 | 1.0에서 프리미티브 4종·A2A 프로토콜 지원 | 그래프 분기·순환으로 표현 | crew 단위 역할 협업 |
| 권장 상황 | 빠른 구현, AWS 환경 | 승인 단계·감사 추적이 필요한 워크플로 | 업무 역할이 뚜렷한 프로토타입 |
프레임워크별 학습 기간·상태 관리 기능 비교 자세히 보기
LangGraph vs CrewAI 성숙도 지표: 다운로드·GitHub 스타·프로덕션 사례
LangGraph 1.0은 2025년 10월 22일 정식 출시(GA)됐고, 2.0 전까지 하위 호환을 깨지 않겠다고 약속했어요. 이 약속은 장기 운영 서비스에서 중요해요. 프레임워크가 업데이트될 때마다 코드를 뜯어고치는 부담이 줄어들기 때문이에요. 프로덕션 사용 사례로는 Klarna, Replit, Uber, LinkedIn, Elastic이 꼽혀요.
커뮤니티 규모는 지표마다 앞서는 쪽이 달라요. LangGraph는 월간 PyPI 다운로드가 약 3,400만~3,900만 건으로 에이전트 프레임워크 중 가장 많아요. CrewAI는 GitHub 스타가 약 44,600~52,800개로 커뮤니티 규모가 가장 크고, 월 4억 5천만 건 이상의 워크플로를 처리한다고 밝혀요.
월 3,400만~3,900만 건
LangGraph 월간 PyPI 다운로드 · 출처: DEV Community, Particula
| 프레임워크 | 확인된 지표 | 출처 |
|---|---|---|
| LangGraph | 2025.10.22 1.0 GA, 월간 PyPI 다운로드 약 3,400만~3,900만 건 | Pickaxe, DEV Community, Particula |
| CrewAI | GitHub 스타 약 44,600~52,800개, 월간 다운로드 약 520만 건, 월 4억 5천만 건 이상 워크플로 처리 | DEV Community, Particula |
| Strands | 1.0에서 멀티에이전트 프리미티브 4종·A2A 지원, 2026.9 harness 오픈소스 공개 | AWS Open Source Blog, Techzine Global |
다운로드 수는 사용량을 보여주는 지표일 뿐 품질을 보증하지는 않아요. 실제로 CrewAI로 프로토타입을 만들었다가 규제 업종이나 장기 실행 워크플로에서 상태 관리 한계에 부딪혀 LangGraph로 다시 지은 사례가 보고돼요. 그래서 초기 속도만 볼 게 아니라 서비스가 커졌을 때 필요한 관측 플랫폼, 클라우드 호스팅, 엔터프라이즈 요금제까지 미리 따져 보는 편이 안전해요. 다음으로 가장 최근에 나온 Strands harness 소식을 살펴볼게요.
랭그래프·크루AI 프로덕션 사례와 최신 다운로드 지표 조회하기
Strands harness 2026 공개: 지원 모델 범위와 토큰 비용 28% 절감 주장
AWS는 2026년 9월 Strands harness를 Apache 2.0 라이선스로 공개했어요. Bedrock, Anthropic, OpenAI, Google 모델에 더해 로컬 Ollama와 LiteLLM까지 지원해서 특정 클라우드에 묶이지 않고 쓸 수 있어요. 파이썬은 pip install strands-harness, 자바스크립트는 npm install @strands-agents/harness로 설치해요.
AWS는 동급 harness보다 토큰 비용이 28% 낮고 정확도는 비슷하다고 주장해요. 다만 이 수치는 AWS가 발표한 것이라 내 업무에 그대로 적용된다고 보기는 어려워요. 같은 과제로 직접 토큰 사용량을 재보는 검증이 필요하고, 핵심 정보는 다음 표에 정리했어요.
| 항목 | 내용 |
|---|---|
| 공개 시점 | 2026년 9월 |
| 라이선스 | Apache 2.0 |
| 지원 모델 | Bedrock·Anthropic·OpenAI·Google, 로컬 Ollama·LiteLLM |
| 설치 명령 | pip install strands-harness / npm install @strands-agents/harness |
| 토큰 비용·정확도 | 동급 harness 대비 토큰 비용 28% 낮고 정확도는 비슷(AWS 주장) |
| 1.0 주요 기능 | 멀티에이전트 프리미티브 4종, A2A 프로토콜, 세션 매니저, 개선된 비동기 지원 |
상황별 추천 가이드: 우리 팀에 맞는 에이전트 프레임워크 고르는 법
고르는 기준은 세 가지 질문으로 줄일 수 있어요. 중간에 멈췄다가 다시 이어 가는 상태 복구와 사람의 승인 단계가 필요한지, 팀이 학습에 쓸 수 있는 시간이 며칠인지, 이미 AWS 같은 특정 클라우드를 쓰고 있는지예요. 이 세 질문의 답에 따른 추천안은 다음과 같아요.
| 프로젝트 유형 | 추천 | 이유 |
|---|---|---|
| 규제 업종·승인 단계가 있는 업무 자동화 | LangGraph | 분기·순환·승인 단계, 감사 가능한 상태 전이, 체크포인팅 |
| 일주일 안에 보여 줘야 하는 데모·PoC | CrewAI | 학습 기간 3~5일, 역할 분담을 그대로 옮기는 구조 |
| AWS 기반 서비스·빠른 구현 | Strands | 모델 주도형으로 단순하고, Bedrock 연동과 세션 매니저 제공 |
| 장기 실행·오래 유지할 프로덕션 서비스 | LangGraph | 2.0 전까지 하위 호환 약속, Klarna·Uber·LinkedIn 등 운영 사례 |
| 토큰 비용과 로컬 모델 실험이 우선 | Strands harness | Ollama·LiteLLM 지원, 토큰 비용 28% 절감 주장(직접 검증 필요) |
전환 비용을 줄이는 요령은 작게 시작하는 거예요. 문서 요약 후 승인을 거쳐 메일 초안을 만드는 정도의 작은 과제 하나를 정해서 후보 프레임워크로 각각 구현해 보세요. 구현에 걸린 시간, 토큰 사용량, 오류 복구 방식을 나란히 기록하면 광고성 비교글보다 훨씬 정확한 판단 자료가 돼요.
결론: 상태 관리와 감사 추적이 중요하면 LangGraph, 빠른 프로토타입이면 CrewAI, AWS 환경에서 단순함과 토큰 효율을 원하면 Strands가 유력한 선택이에요. 지금 할 수 있는 첫걸음은 이번 주 안에 작은 과제 하나를 세 프레임워크로 구현해 보고 토큰 사용량과 구현 시간을 비교해 보는 거예요.