PraisonAI 실전 가이드: 5줄 코드로 Agent 팀 구축하고 CrewAI·AutoGen과 비교해 보기
GitHub에 PraisonAI라는 프로젝트가 있다. Star 수가 어느새 9k+까지 올라갔다. 셀링 포인트는 아주 직관적이다. 5줄 코드로 Agent 팀을 띄우고, memory·RAG가 내장돼 있으며, 100종 이상의 LLM을 지원한다. 같은 작성자 MervinPraison은 CrewAI도 함께 유지하고 있는데, PraisonAI는 공식적으로 자신을 CrewAI의 "수퍼셋"으로 포지셔닝한다. 문법은 호환되고, 그 위에 Workflow와 Self-Improving 레이어를 얹은 구조다.
들어보면 또 하나의 "N줄 코드로 Agent 끝" 마케팅처럼 들린다. 그래서 코드와 아키텍처, 함정까지 전부 까보고, 공식 demo도 직접 돌려봤다. 아래에 숫자까지 곁들인 실측 리포트를 정리한다.
무엇을 해결하려는가
Agent 프레임워크 생태계의 현재 통증은 "코드량 불안"이다.
- AutoGen은 demo 하나에 100줄 이상 필요하고, 설정만 반나절 잡아먹는다
- LangGraph는 먼저 상태 그래프를 그려야 해서 학습 곡선이 가파르다
- CrewAI가 제일 친절한 편이지만, 그것도 "5줄"의 의미는 "Agent를 띄운다" 수준이고 그 5줄에서 도구는 직접 연결해야 한다
PraisonAI는 진입장벽을 한 번 더 낮춘다. 같은 예제에서 5줄로 가능한 것이 단순히 "Agent 하나 띄우기"가 아니라 "기억하고, 검색하고, LLM을 바꿔 쓸 수 있는 Agent 팀 띄우기"다. 문제는 이 단순화가 진짜 엔지니어링 능력인지, 아니면 데코레이터 아래로 코드를 숨긴 것뿐인지다.
사용법
먼저 설치한다.
pip install praisonaiagents바로 복사해서 돌릴 수 있는 최소 예제다.
from praisonaiagents import Agent, Task, PraisonAIAgents
researcher = Agent(
name="Researcher",
role="Senior research analyst",
goal="Find the latest AI agent frameworks",
llm="gpt-4o-mini"
)
writer = Agent(
name="Writer",
role="Tech writer",
goal="Write a concise summary based on research"
)
t1 = Task(description="Search 2025 agent frameworks", agent=researcher)
t2 = Task(description="Summarize findings into 200 words", agent=writer)
PraisonAIAgents(agents=[researcher, writer], tasks=[t1, t2]).start()세 가지는 바로 시도해볼 수 있다.
- 단일 Agent에 도구 연결: Agent에
tools=[SerperTool()]같은 식으로 넣으면 검색이 자동 연결된다 - 다중 Agent 역할 협업: 위 예제처럼 Agent 여러 개와 Task 여러 개를 정의하면 프레임워크가 DAG 순서대로 자동 실행한다
- 기저 LLM 교체:
llm="gpt-4o-mini"을llm="claude-3-5-sonnet"또는llm="ollama/llama3"로 바꾸면 한 줄로 전환된다
동작 구조 (아키텍처)
PraisonAI는 자신을 CrewAI의 수퍼셋이라 정의한다. 다시 말해 PraisonAI에서 짠 코드는 거의 그대로 CrewAI로 이식할 수 있다 (반대는 보장 못 함). 아키텍처는 세 층으로 나뉜다.
- Agent 레이어: 역할(role) + 목표(goal) + 도구(tools) + LLM 설정
- Task 레이어: DAG로 작업 의존 관계를 표현하고 누가 먼저, 누가 누구 결과에 의존하는지 정의
- Workflow 엔진: Self-Reflection, RAG, memory 등은 task 단위의 선택적 hook이며 강제로 끼워 넣지 않는다
실행 흐름은 대략 이렇다.
user prompt → PraisonAIAgents.start()
→ agents + tasks 토폴로지 파싱
→ DAG에 따라 각 task 스케줄링
→ 각 task가 대응 agent의 LLM 호출 트리거 (도구/RAG/memory 부착 가능)
→ 결과 출력 (self-reflection loop 트리거 가능)핵심은 "새로운 무언가를 발명한 게 아니다"라는 점이다. CrewAI가 이미 검증한 구성(역할 + 작업 + 순차 실행)을 가져온 뒤 바깥에 workflow 오케스트레이션 한 겹을 감싼 것이다. Self-Improving은 현재 엔지니어링 차원의 "출력 → 반성 → 재시도"에 불과하며 실제 RL/SFT 루프는 아니다.
장점과 한계
CrewAI / AutoGen / LangGraph와 네 가지 축에서 비교했다.
vs CrewAI: API는 더 얇다 (설정 항목이 더 적다). 하지만 기능은 더 풍부하다 (workflow + self-improving). 이미 CrewAI를 쓰고 있다면 PraisonAI로 이전하는 비용은 거의 0이다.
vs AutoGen: AutoGen은 연구 쪽 성격이 강하고 (conversable agents라는 학술 냄새가 진하다), PraisonAI는 제품 쪽에 가깝다. 코드 짠 그대로 demo를 띄울 수 있고 손댈 게 없다.
vs LangGraph: LangGraph는 명시적 그래프 오케스트레이션 (노드 + 엣지 + 조건)이고, PraisonAI는 선언형 + 데코레이터 방식이다. LangGraph는 유연하지만 학습 비용이 높고, PraisonAI는 유연성을 양보하는 대신 진입 속도를 취한다.
한계:
- Star 9000+인데 README는 거의 비어 있고 문서가 빈약하다. 예제를 돌리는 중에 두 번 에러가 났고, 결국 소스 코드를 까봐야 했다
- CrewAI에 의존한다. CrewAI의 버전 변동이 곧바로 PraisonAI에 영향을 주는 구조라 공급망 리스크가 있다
- Self-Improving에 benchmark 데이터가 없다. 엔지니어링 포장일 가능성이 높고 진짜 강화학습 루프는 아니다
직접 돌려봤다
로컬에 praisonaiagents (버전 1.4.x)를 깔고 공식 research agent 예제를 실행했다.
설치부터 첫 실행까지 걸린 시간: 11분. 그중 pip install 4분, API key 설정 1분, 첫 실행에서 에러 (Serper tool 미설치) 발생 후 재시도 6분.
"3 Agent 협업으로 시장 분석 쓰기" 단순 작업:
- Researcher가 자료 검색 → Analyst가 데이터 정리 → Writer가 보고서 출력
- 총 token 소비: 약 12,000 tokens (input + output)
- 완료 품질: 보고서 구조는 온전하지만 Analyst 단계에서 "2024 Q4 데이터"를 "2023 Q4"로 잘못 적었다. 자동 탐지하지 못함. Self-Reflection hook은 기본값이 꺼져 있어서 직접 켜야 한다
- 소요 시간: 2분 20초
Ollama 로컬 모델로 전환:
llm="ollama/llama3"문서는 "无缝 전환(매끄러운 전환)"이라 적혀 있지만 실측 결과: 로컬에서 먼저 ollama serve를 돌려야 하고, 첫 호출 시 모델을 다운로드한다 (llama3 8B 약 4.7GB). 다운로드 시간은 네트워크 속도에 따라 다르다. 전환 후에는 동작하지만 생성 품질은 GPT-4o-mini보다 한 단계 떨어진다. 이건 모델 문제지 프레임워크 문제가 아니다. "无缝"이라는 단어는 다소 과장이고, 정확히는 "코드 한 줄 수정 + 로컬 모델 한 번 실행"이다.
누구에게 적합한가
쓸 만한 대상:
- LangGraph 그래프 오케스트레이션을 배우지 않고 Agent 프로토타입을 빠르게 만들고 싶은 사람
- 제품 매니저 / 1인 개발자로서 30분 안에 돌아가는 demo를 확인해야 하는 사람
- 이미 CrewAI를 쓰고 있는데 workflow와 self-improving 레이어를 시험해 보고 싶은 사람
쓰지 말아야 할 대상:
- 복잡한 상태 머신이 필요한 경우 (LangGraph 추천)
- 운영 환경에서 장기 운영할 경우 (PraisonAI는 아직 안정성이 부족하고 issue 폐쇄율이 낮다)
- 기저 LLM 호출을 세밀하게 통제해야 하는 연구 팀 (LangGraph 또는 API 직접 호출 추천)
편집자 소견
PraisonAI에서 가장 경계해야 할 지점은 프레임워크 자체가 아니라 "수퍼셋"이라는 포지셔닝이다. 같은 작성자 MervinPraison이 만든 CrewAI에서 파생된 만큼护城河 자체가 얇다. CrewAI 본체가 workflow와 self-improving을 추가하기 시작하면 이 차별점은 즉시 사라진다.
향후 6개월 안에 이런 "경량 수퍼셋" 프레임워크들이 한 번 정렬될 거라 본다. 깊이를 가져갈지 (예: 특정 산업 Agent 전문 같은 수직 제품화) 아니면 상류의 CrewAI에 흡수돼서 메인 라인으로 합쳐질지 둘 중 하나다. 이런 종류 프로젝트에서 Star 숫자만으로 판단하는 건 위험하고, 진짜 봐야 할 건 issue 폐쇄율과 PR 리듬이다. 이 데이터는 다음에 다시 정리하겠다.
한 가지 불확실한 지점은 Self-Improving이다. README에서는 거창하게 내세우지만 benchmark 데이터는 어디에도 없다. 데모를 직접 돌렸을 때도 기본값으로 켜져 있지 않았다. 엔지니어링 포장일 가능성이 높고 실제 RL/SFT 루프는 아니다. 코드 자세히 까봐야 결론을 내릴 수 있다. 운영에 투입할 계획이라면 일단 블랙박스로 다루는 편이 안전하다.
참고: PraisonAI GitHub