에이전틱 AI 구축: Amazon Nova Act와 Strands Agents 실전 활용 (DEV327)

세션 노트

에이전틱 AI 구축: Amazon Nova Act와 Strands Agents 실전 활용

소개

• 현재 AI 환경의 핵심 주제로 부상한 에이전틱 AI를 소개합니다.
• 기본적인 이해를 넘어 실제 애플리케이션과 혁신을 모색하는 미래 지향적 개발자를 대상으로 합니다.
• 에이전틱 AI의 미래 동향
• 생성형 AI가 낮은 자율성(규칙 기반, 높은 수준의 인간 감독)에서 높은 자율성(독립적 운영, 전략적 의사 결정)으로 발전해 온 과정을 살펴봅니다.
• 현재 Agentic AI 개발 단계를 살펴보고, 더 높은 수준의 자율성을 위해 고급 기술, 거버넌스, 신뢰, 조직 차원의 준비가 필요함을 강조합니다. Sequoia
• Capital의 예측
• Sequoia Capital의 2025년 AI 기조연설은 AI 시스템이 도구의 특성을 넘어 자율적으로 작동하는 지능형 에이전트로 발전하는 미래를 전망합니다.
• 이러한 에이전트는 추론, 계획, 협업 및 고도의 자율 운영 능력을 보유하게 됩니다.
• 2030s 경제에 대한 비전
• Sequoia Capital는 2030s, 특히 아시아의 경제가 상호 연결된 네트워크를 형성하는 수많은 AI 에이전트 작업으로 구성된 글로벌 신경망처럼 작동할 것이라고 예측합니다.
• 잠재적인 개인적 성공
• 특히 전 세계적으로 널리 채택되는 AI 에이전트를 설계하면 개인적으로 상당한 재정적 성공을 거두고 잠재적으로 엄청난 부자가 될 수 있습니다.
• 예측의 중요성
• 이 예측은 개발자를 안내하고 AI 개발의 미래에 달성해야 할 것이 무엇인지 이해하는 데 중요합니다.
• 1인 유니콘의 출현
• Sequoia Capital은 한 사람이 설립하고 운영하며 기업 가치가 10억 USD에 이르는 "1인 유니콘"의 등장을 예측합니다.
• 이러한 추세는 노동 구조의 변화와 한 사람이 전체 스타트업을 운영할 수 있는 새로운 조직 모델의 출현으로 이어질 것입니다.
• 확률론적 사고방식의 필요성
• AI 에이전트의 세계에서는 개발자가 정확성에 대한 전통적인 기대에서 벗어나 보다 확률론적인 사고방식을 지향하는 새로운 사고 방식을 채택해야 합니다.
• 여기에는 개발자가 대규모 언어 모델 및 AI 기술과 연결하고 활용하는 방법을 조정하는 작업이 포함됩니다.
• 새로운 에이전트 시대를 위한 준비 AI
• 주체적 AI 시대에 성공하려면 기술적 준비뿐만 아니라 정신적, 조직적 조정도 필요합니다.
• 개발자는 이 새로운 시대에 성공하기 위해 조직 구조와 정신적 프레임워크의 변화에 ​​대비해야 합니다.
• 2025의 Agentic AI에 대한 기본 인프라
• MCP 및 A2A와 같은 통신 프로토콜은 AI 에이전트와 해당 도구 간의 상호 운용성을 가능하게 하기 위해 개발되고 있습니다.
• AWS는 MCP 및 A2A의 표준 위원회에 적극적으로 참여하여 이러한 미래 프로토콜을 향상시키기 위해 분산 시스템에서 수십 년간의 경험을 제공하고 있습니다.
• AWS Agentic AI 포트폴리오
• 세 가지 계층으로 구성된 서비스를 갖춘 포괄적인 아키텍처로 구성됩니다.
• 하부 구조
• AI 및 에이전트 개발자 소프트웨어
• 애플리케이션 레이어
• Amazon Nova Act 및 Street Agents와 같은 에이전트용 SDK를 포함하여 AI 및 에이전트 개발 소프트웨어 및 서비스에 중점을 둡니다.

실용 에이전트 AI 응용 프로그램: 지역 날씨 정보

• 실용적인 AI 에이전트 시나리오 시연: MCP 프로토콜, Amazon Nova Act 및 Hong Kong Observatory 웹 사이트를 사용하여 지역 기상 정보 애플리케이션 개발.
• 지역기상정보원
• AI 에이전트는 Emerald에서 제공하는 Amazon Bedrock로 구축되었으며 특정 웹사이트 URL(Hong Kong Observatory)를 갖추고 있습니다.
• 사용자는 자연어(영어, 스페인어, 중국어)를 사용하여 에이전트와 상호 작용하여 홍콩의 현재 날씨를 문의할 수 있습니다.
• 에이전트는 지정된 웹사이트에서 자동으로 정보를 찾고 확인을 위해 스크린샷을 저장하여 인간 웹 스크래핑 엔지니어처럼 작동하는 능력을 보여줍니다.
• 웹 스크래핑 엔지니어에게 미치는 영향
• 에이전트적 AI 시대가 도래하여 기존 웹 스크래핑 역할에 잠재적으로 영향을 미칠 수 있습니다. 개발자는 Nova Act와 같은 AWS 서비스를 사용하여 이러한 전환을 준비해야 할 수도 있습니다.
• AI 에이전트의 구현 세부정보
• Nova Act 캡처할 웹 페이지와 수행할 작업을 안내하는 예측 기능입니다.
• 자연어를 사용하여 Hong Kong Observatory 웹사이트에서 9일 일기예보 정보를 읽고 추출하는 등의 작업을 할당합니다.
• 개발자의 야망
• 많은 개발자는 처음부터 자체 에이전트 AI 애플리케이션을 구축하고 완전한 소스 코드 수준 제어를 유지하는 것을 목표로 합니다.
• 오픈 소스 스트랜드 에이전트는 개발자가 코드의 모든 라인을 제어할 수 있도록 하여 이러한 목표를 달성하는 데 도움을 줄 수 있습니다.
• 사용자 정의 에이전트 구축의 과제
• 개발자에게는 에이전트가 다양한 엔터프라이즈 시스템과 상호 작용할 수 있게 해주는 커넥터가 필요합니다.

사용자 정의된 AI 에이전트 시스템에 필요한 구성 요소

• 도구 및 MCP(메시지 제어 프로토콜)는 에이전트가 호텔 예약, 정보 업데이트 또는 프로세스 트리거와 같은 워크플로를 실행할 수 있도록 하는 데 필수적입니다.
• 기억: 에이전트에는 단기 기억과 장기 기억이 모두 필요합니다. 단기 기억은 세션 내에서 맥락을 유지하는 반면, 장기 기억은 에이전트가 시간이 지남에 따라 학습하고 개선할 수 있도록 해줍니다.
• 뇌(대형 언어 모델): LLMs는 ReACT(함께 추론, 행동 및 의사소통), 반사 및 Chain of Thought와 같은 기술을 사용하여 보다 복잡한 프레임워크로 확장될 수 있으므로 모델이 단계별로 계획하고, 반영하고, 추론할 수 있습니다.
• 페르소나: 각 에이전트에는 신원과 동작을 정의하는 일련의 규칙 또는 지침인 페르소나가 있어 다른 유형의 에이전트(예: HR 에이전트 대 DevOps 에이전트)와 구별됩니다.
• 관찰 가능성 및 가드레일: AI 에이전트를 사용자 정의하여 관찰 가능성 및 가드레일을 제공하면 에이전트가 안전하고 토론 가능하며 목표에 부합하도록 보장합니다.
• 기능적 AI 에이전트 구축의 과제
• 진정으로 기능적인 AI 에이전트를 구축하려면 상당한 작업이 필요하며 잠재적으로 고유한 비즈니스 논리 및 프로세스와 관련이 없는 노력의 80-90%이 필요합니다.

AWS 솔루션: 스트랜드 에이전트

• Strands Agents: 개발자가 최소한의 코드로 AI 에이전트를 구축할 수 있게 해주는 AWS-기여 오픈 소스 SDK입니다. Chain of Thought 계획을 위한 최첨단 대규모 언어 모델을 활용하여 개발을 단순화합니다.
• 데모: 가닥 에이전트를 사용하여 수학적 애니메이션 만들기
• Manim 라이브러리를 Strands Agents 및 Python 라이브러리와 결합하여 사용한 수학적 시각화입니다.
• 핵심 구현 코드:
• 프레임워크 내에서 에이전트와 MCP를 활용하기 위한 필수 구성 요소를 설정하기 위해 Strands 모듈과 MCPClient 클래스에서 Agent 클래스를 가져옵니다.
• send_input 및 출력을 전송 메커니즘으로 사용하여 Manim MCP 서버에 대한 연결을 설정합니다.
• Manim MCP 서버와의 상호 작용을 위한 연결을 설정하고, 사용 가능한 도구를 검색하고, 이러한 도구를 사용하여 에이전트를 초기화합니다.
• 에이전트를 사용하여 수학적 애니메이션을 요청하는 자연어 프롬프트를 처리합니다. 특히 X = -3에서 X = 3.까지의 3차 함수 그래프를 시각화합니다.
• Strands Agents SDK를 사용한 수학적 시각화
• Visual Studio에서는 두 개의 터미널 창이 사용됩니다.
• 왼쪽 창은 STDIO 전송을 통해 Manim MCP 서버에 연결하는 MCP(메시지 제어 프로토콜) 서버를 실행합니다.
• 오른쪽 창은 MCP 클라이언트 프로그램을 실행하여 비디오 생성 채팅 인터페이스를 시작합니다.
• 사용자는 9초 만에 지정된 범위에 걸쳐 3차 함수를 그리는 장면을 생성하는 등 인터페이스를 통해 자연어 명령을 입력할 수 있습니다.
• 에이전트는 자연어 요청을 처리하고 문제가 발생할 경우 작업을 완료하기 위해 단순화된 버전을 생성하여 적응형 문제 해결 기능을 보여줍니다.

다중 에이전트 협업의 이점

• 전문화: 전문 에이전트는 특정 영역에서 작업하여 정확성을 높이고 보다 정확한 답변을 제공합니다. 이러한 에이전트를 결합하면 우수한 결과를 얻을 수 있습니다.
• 확장성: 시스템은 전체 시스템에 영향을 주지 않고 에이전트를 추가하거나 제거할 수 있으므로 확장 가능합니다.
• 유지 관리성: 더 작은 에이전트는 더 큰 모놀리식 코드베이스에 비해 제어, 모니터링, 디버깅 및 테스트가 더 쉽습니다.
• 비용 효율성: 다중 에이전트 시스템을 통해 특정 작업에 적합한 모델을 선택하고 스마트함, 속도 및 비용 효율성을 최적화할 수 있습니다.
• 비유: 단일 에이전트와 다중 에이전트 시스템
• 싱글 에이전트: 솔로로 작업하는 전문 스킬과 같습니다.
• 다중 에이전트 시스템: 다양한 역할(분석가, 퀀트, 거래자, 위험 관리자, IT)이 함께 협력하여 우수한 성과를 달성하는 잘 조율된 팀과 같습니다.
• 성공의 조건: 협업
• 다중 에이전트 시스템이 성공하려면 에이전트가 효과적으로 협력해야 합니다.
• 다중 에이전트 협업 패턴
• 도구로서의 에이전트: 한 에이전트가 다른 에이전트를 도구로 사용할 수 있습니다.
• 그래프 워크플로우: 에이전트를 그래프와 같은 구조로 연결하여 복잡한 작업을 수행할 수 있습니다.
• 오케스트레이터 에이전트: 오케스트레이터 에이전트는 사용자 요구 사항을 수신하고 의도를 이해하며 특수 에이전트를 호출하여 특정 작업을 수행합니다.
• 예: 여행 계획
• Orchestrator 에이전트: 사용자의 여행 요구 사항(예: 라스베가스로 여행)을 받습니다.
• 연구 에이전트: 명소 및 활동(예: 영양 협곡)을 검색합니다.
• 제품 추천 에이전트: 연구 에이전트의 결과를 기반으로 추천을 제공합니다.
• 에이전트 워크플로: 한 에이전트의 출력이 다음 에이전트의 입력이 되어 원활한 워크플로가 생성됩니다.

실제 사례: 퀀트헤지펀드

• 정량적 방법론은 퀀트 연구자가 거래 아이디어를 신속하게 검증하고 올바른 거래 전략을 더 빠르게 찾는 데 매우 중요합니다.
• 예: 이동 평균 교차 전략을 사용하여 연구원은 주식 세부 정보(예: Amazon), 백테스트 창을 입력하고 profit/loss 및 Sharpe ratio와 같은 측정항목을 수신할 수 있습니다.
• 이 시스템은 위험 평가 및 경고를 포함하여 거래 전략 개선을 위한 매수 및 매도 조건, 백테스트 결과 및 제안을 제공합니다.
• 이동 평균 교차 전략
• 이동 평균(MA) 교차 전략은 차트에서 두 개의 MA(fast/short-term 및 slow/long-term)를 사용하여 buy/sell 신호를 생성합니다. 빠른 MA가 느린 MA(강세 추세) 위로 교차할 때 매수 신호가 발생하고, 빠른 MA가 느린 MA(약세 추세) 아래로 교차할 때 매도 신호가 발생합니다.
• 작동 방식
• 설정: 가격 차트에 두 개의 이동 평균(예: 단순 이동 평균(SMA) 또는 지수 이동 평균(EMA))을 서로 다른 기간으로 표시합니다.
• 매수 신호(강세): 단기 MA가 장기 MA를 교차할 때.
• 매도 신호(약세): 단기 MA가 장기 MA를 교차할 때.
• 일반적인 MA 조합
• 단기: 9-기간 EMA/SMA.
• 중기: 21-기간 EMA/SMA.
• 장기: 50일, 100일 또는 200일 MA(종종 주요 트렌드에 사용됨) 주요 교차 패턴
• Golden Cross: 50일 MA이 200일 MA을 넘어 강한 상승 추세를 암시하는 강세 신호입니다.
• Death Cross: 50일 MA이 200일 MA 아래로 교차하여 잠재적인 하락 추세를 나타내는 약세 신호입니다.
• 제한 사항 및 개선 사항
• 후행 지표: MA는 과거 가격을 기반으로 하므로 가격 변동이 이미 시작된 후에 교차가 발생하는 경우가 많아 진입과 청산이 늦어질 수 있습니다.
• 고르지 못한 시장: 이 전략은 횡보 또는 통합 시장에서 많은 잘못된 신호(채찍톱)를 생성합니다.
• 아키텍처 다이어그램
• 오케스트레이션 에이전트(Quant Research Agent)는 다양한 도구와 하위 에이전트를 호출합니다.
• 도구: 시장 데이터 도구 및 백테스트 도구.
• 하위 에이전트: 전략 생성 에이전트 및 결과 요약 에이전트.
• Bedrock Core Agent Gateway
• APIs, Lambda 기능 또는 기존 서비스를 MCP-호환 도구에 캡슐화하여 개발자가 에이전트용 도구를 구축할 수 있는 안전한 방법을 제공합니다.
• 단계
• Lambda 함수를 사용하여 과거 시장 데이터를 S3 테이블에 저장하고 이를 게이트웨이 대상으로 정의합니다.
• Gateway create MCP Gateway 명령이라는 에이전트를 사용하여 게이트웨이를 생성합니다.
• Lambda 함수를 게이트웨이의 대상으로 정의하십시오.
• 보안 액세스를 위해 Cognito를 사용하여 인증하세요.
• 도구의 입력 및 출력 매개변수를 정의합니다(예: 시장 데이터 가져오기).

Agent Gateway 도구 만들기

• RAM 에이전트를 사용하여 전략 생성 에이전트를 호스팅하고 이를 퀀트 연구 에이전트용 도구로 만듭니다.
• 게이트웨이를 도구로 통합
• 게이트웨이를 생성한 후 현재 연구 요원의 도구로 만들 수 있습니다.
• 단계:
• 인수와 반환 유형을 지정합니다.
• 인증에는 Cognito를 사용하세요.
• 백테스팅을 위해 과거 시장 데이터를 검색하려면 HTTP 클라이언트를 사용하여 게이트웨이를 호출하세요.
• 전략 생성 에이전트 정의 및 배포
• 호스트 에이전트에 안전하고 빠른 방법을 제공하는 전략 생성 에이전트가 배포됩니다.
• 단계:
• 강점 가져오기 에이전트를 사용하여 에이전트를 정의합니다.
• 백트레이더 프레임워크를 사용하여 거래 전략 코드를 생성하기 위한 지침을 지정합니다.
• 에이전트를 런타임에 배포합니다.
• 진입점을 지정하고 8080. 포트에서 에이전트를 실행합니다.
• 에이전트 호출 구성을 사용하여 파일 및 종속성을 지정합니다.
• 에이전트 호출 실행을 사용하여 런타임 에이전트 시작
• 에이전트 가져오기 상태를 사용하여 상태 확인
• 에이전트를 도구로 만들기
• 도구(시장 데이터 도구)와 전략 생성 에이전트를 정의한 후 에이전트를 도구로 만듭니다.
• 단계:
• 거래 전략을 생성합니다.
• 인수를 지정합니다(예: 매수 및 매도 조건).
• 에이전트를 호출합니다.
• 오케스트레이터 에이전트(Quant Research Agent)
• 오케스트레이터 에이전트는 도구와 에이전트를 조정합니다.
• 단계:
• 수입 대리인.
• 퀀트 리서치 에이전트가 과거 시장 데이터를 얻고, 전략을 생성하고, 백테스트를 실행하고, 결과를 분석할 수 있도록 시스템 프롬프트를 정의합니다.
• "에이전트를 도구로 사용" 패턴을 사용하여 네 가지 도구를 통합합니다.
• 시장 데이터,
• 전략을 생성하고,
• 백테스트를 실행하고,
• 결과 요약을 만듭니다.
• 문제가 발생하면 퀀트 리서치 에이전트는 결과를 다시 학습합니다.

Kiro CLI

• Kiro CLI를 사용하여 명령을 실행합니다. 이는 출력을 빠르게 확인할 수 있으므로 디버깅에 유용합니다.
• Kiro CLI로 Quant 에이전트 실행
• Kiro CLI는 도구 실행 패치와 10일 기간 단순 이동 평균 교차 30일 단순 이동 평균 전략을 지정하는 JSON 파일을 활용하여 퀀트 에이전트를 실행하는 데 사용됩니다.
• 에이전트는 약 6초 안에 거래 전략을 생성합니다.
• 그런 다음 에이전트는 HTTP 요청을 통해 게이트웨이에서 시장 데이터를 가져옵니다.
• 백테스트를 위해 약 200 데이터 포인트가 검색됩니다.
• 백테스트는 backtrader 프레임워크를 사용하여 실행됩니다.
• 출력에는 초기 가치, 이익, 총 수익 및 거래 전략 개선을 위한 권장 사항이 포함됩니다.
• 백테스트 결과는 메모리라는 에이전트에 저장되며 마지막 단계에서 메모리에서 가져옵니다.

Swarm 패턴

• "도구로서의 에이전트" 패턴과 달리 스웜 패턴에는 단일 오케스트레이터 없이 에이전트가 동적으로 통신하고 협업하는 것이 포함됩니다.
• 떼는 다른 에이전트, 입력, 출력 및 과거 상호 작용에 대한 정보를 포함하여 모든 에이전트가 액세스할 수 있는 공유 컨텍스트를 유지합니다.
• Swarm 클래스를 가져오고, 4개의 에이전트는 무한 루프를 방지하기 위해 최대 핸드오프 및 반복 핸드오프 감지로 정의됩니다.
• "반복적인 핸드오프"는 서로 다른 개인, 팀, 시스템 또는 네트워크 액세스 포인트 간에 작업이나 책임이 빈번하고 불필요하게 이전되는 것을 의미합니다.
• 예:
• 4개의 에이전트를 사용하여 블로그 작성:
• 연구 대리인: 연구를 수행합니다.
• 크리에이티브 에이전트: 콘텐츠를 제작합니다.
• 중요 에이전트: 생성된 콘텐츠에 도전합니다.
• 요약자 에이전트: 최종 결과를 요약합니다.
• Swarm 패턴의 주요 구성 요소
• 공유 컨텍스트: 모든 에이전트는 공유 컨텍스트에 액세스할 수 있습니다.
• 동적 협업: 에이전트는 중앙 조정자 없이 통신하고 협업합니다.
• 핸드오프 제한: 무한 루프를 방지하기 위해 최대 상호 작용 및 반복적인 핸드오프 감지가 설정됩니다.
• 고유 에이전트 참여: 다양성을 유지하고 반복적인 상호 작용을 방지하기 위해 마지막 핸드오프에 최소 3명의 고유 에이전트가 포함되도록 합니다.
• Swarm 패턴 실행
• 작업: 에이전트 AI을 설명하는 블로그 게시물과 소셜 미디어 게시물에 대한 요약을 만듭니다.
• 작업 흐름:
• 조사요원 : 필요한 정보와 사실을 수집합니다.
• 크리에이티브 에이전트: 매력적인 블로그 게시물을 만듭니다.
• 요약자 에이전트: 소셜 미디어 요약을 생성합니다.
• 반복 프로세스: Summarizer Agent는 효과적인 요약을 생성하기 위해 Creative Agent에 더 많은 세부 정보를 요청합니다.
• 최종 출력: Summarizer Agent는 5 상호 작용 후에 블로그 게시물과 소셜 미디어 요약을 모두 성공적으로 생성합니다.
• 도구로서의 Swarm
• Swarm 패턴은 더 큰 프레임워크 내에서 도구로 사용될 수 있습니다.
• 예: 에이전트 그룹을 사용하여 작업을 분석하거나 수행하기 위해 떼 도구를 가져옵니다.

그래프 패턴

• 각 에이전트가 노드인 그래프 네트워크로 에이전트 관계를 정의하고 에지는 관계와 정보 흐름을 정의합니다.
• 주요 이점:
• 예측 가능성: 에이전트 간 통신 경로가 명확하게 정의되어 있습니다.
• 제어: 정보 흐름을 완벽하게 제어합니다.
• 데모
• 그래프 내에서 에이전트의 역할과 상호 작용을 설정하려면 먼저 에이전트를 정의하세요.
• 예: 에이전트 펀드 매니저
• Portfolio Architect Agent가 포트폴리오를 구성하는 방법을 정의합니다.
• 펀드 매니저 에이전트가 구성된 포트폴리오를 기반으로 펀드를 관리하는 방법을 정의합니다.
• 포트폴리오 설계 에이전트: 고객 요구 사항을 충족하기 위해 포트폴리오를 구성합니다. Portfolio Architect Agent가 구성한 포트폴리오를 기반으로 펀드를 관리합니다.
• 그래프 패턴에서 노드 및 간선 정의
• 그래프에서 노드는 특정 작업을 트리거하거나 에이전트를 배포하도록 정의됩니다.
• 예:
• 에이전트를 호출할 포트폴리오 노드를 정의합니다.
• 단계:
• 상태 그래프를 정의하고 상태 그래프를 입력합니다.
• 재무, 포트폴리오, 위험에 대한 노드를 추가합니다.
• 위험을 최종 노드로 하여 재무에서 포트폴리오, 포트폴리오에서 위험까지의 에지를 정의합니다.

워크플로우 패턴

• 워크플로우는 잘 정의된 작업 순서 또는 패턴입니다.
• 예: 연구 에이전트, 분석 에이전트 및 보고서 에이전트의 순서를 정의합니다.
• 단계:
• 워크플로 도구를 가져옵니다.
• 작업 및 해당 종속성을 정의합니다(예: 보고서 생성은 추세 분석에 따라 다름).
• 병렬 하위 에이전트의 실행 순서를 결정하려면 우선순위를 설정하세요.
• 워크플로 패턴 사용 사례
• 신뢰할 수 있는 단일 도구에 캡슐화해야 하는 복잡하고 반복 가능한 프로세스에 이상적입니다.
• 예:
• 데이터 추출, 변환(ETL) 및 데이터 웨어하우스로의 로드와 관련된 자동화된 데이터 파이프라인입니다.

다중 에이전트 협업 패턴의 샘플 사용 사례

도구로서의 에이전트

• 고객 서비스 챗봇: 조정된 에이전트는 기술 계정 관리자, 입찰 에이전트에 전화를 걸고 에이전트를 요약하여 고객에게 결과를 제공합니다.
• Swarm 패턴:
• 다학제적 사고 대응: 에이전트는 중앙 집중식 제어 없이 로컬에서 상호 작용하여 복잡한 응급 행동을 생성합니다. 예: 네트워킹 문제는 네트워크 에이전트로 전달되고 필요한 경우 데이터베이스 에이전트로 전달됩니다.
• 그래프 패턴:
• 오류 경로가 있는 데이터 유효성 검사: 에이전트가 오류가 있는지 확인한 다음 오류가 없는 데이터 유효성 검사 또는 오류 경로가 있는 데이터 에이전트로 전달되는 그래프를 정의합니다.
• 작업흐름 패턴:
• 제어된 정보 흐름과 실행 순서를 유지하기 위해 종속성과 우선순위를 포함하여 명확하게 정의된 작업 순서입니다.