LangChain · LlamaIndex · Haystack · AutoGen · Semantic Kernel · oxios
시선아이티가 LangChain을 사용하는 것은 채용공고에 명시되어 있다. 면접에서 "왜 LangChain? 다른 프레임워크와 어떤 차이가 있는가?"에 답하려면 5개 프레임워크의 강점/약점 + Rust 풀스택(oxios)의 위치를 명확히 알아야 한다. SDK 설계 철학 단위의 심층 비교(제어 흐름 소유권)는 에이전트 SDK 비교 페이지에서 이어진다.
8차원 비교 매트릭스
| 차원 | LangChain | LlamaIndex | Haystack | AutoGen | oxios (Rust) |
|---|---|---|---|---|---|
| 언어 | Python | Python | Python | Python | Rust |
| 주력 | orchestration | RAG-first | enterprise RAG + pipeline | multi-agent dialog | Agent OS |
| 멀티 agent | LangGraph | AgentWorkflow | × (약함) | GroupChat (강) | AgentGroup/Supervisor (강) |
| Memory | 메모리 abstraction | ChatMemory | 메모리 class | × (약함) | oxibrain daemon (별도 product) |
| Observability | LangSmith (cloud) | LlamaDebug | deepset Cloud | AutoGen Studio | AuditTrail + Tracer (in-process) |
| Korean 자료 | 많음 | 중간 | 적음 | 적음 | 직접 작성 (이 사이트) |
| Production 사례 | 다수 | 다수 | BMW/Siemens/Meta | 제한 | oxi 생태계 자체 |
| 시선아이티 적합 | ✓ 표준 | ✓ RAG | ✓ enterprise | △ multi-agent | △ Rust 통합 필요 |
프레임워크별 상세 비교
LangChain
강점
- 가장 큰 생태계 — 80+ LLM provider, 100+ vector store, 50+ document loader 통합
- LCEL (LangChain Expression Language) — Runnable 프로토콜로 chain/agent 표준화
- LangSmith — 클라우드 LLM observability + eval + dataset
- LangGraph — stateful multi-agent orchestration (2024 추가)
- 광범위한 문서 + 한국어 자료 + 교육 콘텐츠
약점
- API 변경 빈번 — v0.1 ~ v0.3 사이 breaking change 많음 (마이너 버전도 깨짐)
- Python GIL + asyncio 동시성 한계 — high-concurrency에 부적합
- 추상화 leak — Retriever/VectorStore/Tool 인터페이스가 너무 일반화돼 vendor lock-in
- LangSmith는 cloud-only (유료, enterprise plan은 비공개 가격)
- Streaming + tool-calling 통합이 oxicode-ai만큼 type-safe하지 않음
oxios와의 비교
LangChain은 Python 표준. oxicode-ai의 `Provider` trait은 사실상 LangChain Runnable의 Rust equivalent — streaming-first, type-safe events, provider-agnostic. oxios가 oxicode-sdk를 wire하면 LangChain agent와 동등한 multi-agent orchestration을 Rust 네이티브로 얻음. oxicode-ai의 모델 카탈로그는 models.dev 기반 145 provider / 5,277 모델(model_db.rs:491)로 provider 수 자체는 오히려 많지만, 로더·벡터스토어 통합의 폭은 LangChain이 앞섬. hashline edit + snapcompact + LSP + ClawHub 마켓플레이스는 LangChain에 없는 영역.
LlamaIndex
강점
- RAG에 특화 — 가장 성숙한 ingestion/indexing/retrieval API
- QueryEngine + ChatEngine + Agent 추상화가 RAG workflow에 최적화
- Multi-modal RAG (PDF/image/audio/code) + structured data ingestion
- LlamaParse — 자체 PDF parser (layout-aware)
- AgentWorkflow + Workflow abstractions (2024)
약점
- LangChain보다 작은 생태계 — UI/admin 도구 부족
- Python 종속 — production Rust/Python hybrid 어려움
- agent 기능은 LangChain LangGraph에 비해 늦음
- evaluation 프레임워크는 약함 (별도 LlamaEval 같은 도구 필요)
oxios와의 비교
LlamaIndex는 RAG-first. oxibrain의 retrieval stack이 정답 — n-gram Jaccard lexical + dense vector + RRF fusion + MMR rerank. LlamaIndex는 retrieval 자체에 집중하지만, oxibrain은 ledger/projection 분리 + scope 기반 multi-tenant + token 인증 + in-house JSON-RPC MCP로 enterprise-grade. 시선아이티의 Seesun LLM 플랫폼 위에서 RAG를 구축한다면 LlamaIndex만큼은 아니더라도 oxibrain의 retrieval pattern이 production-ready.
Haystack
강점
- 엔터프라이즈 친화 — REST API + Pipeline DSL (YAML/Python)
- deepset Cloud (SaaS) + on-prem 모두 지원
- 다국어 RAG + document store 추상화 (Elasticsearch/OpenSearch/Weaviate/Pinecone)
- Agent + tool 통합 (2024 추가)
- production deployment 사례 다수 (BMW/Siemens/Meta 등)
약점
- LangChain/LlamaIndex보다 작은 한국어 자료
- UI/Admin 도구는 deepset Cloud에 종속
- agent 기능은 LangChain보다 약함
- Python 종속 — Rust 통합 어려움
oxios와의 비교
Haystack은 엔터프라이즈 RAG + REST API. oxios-gateway의 Surface 트레이트 (web/remote) + Channel 추상화 (telegram/messenger)가 사실상 enterprise deployment 패턴. oxios의 ouroboros 자기-개선 loop가 Haystack의 'pipeline optimization'과 동형이지만 자동화 수준이 다름.
AutoGen
강점
- Microsoft Research — multi-agent 대화 연구 결과의 production 구현
- GroupChat/GroupChatManager — 다수 agent 간 대화 orchestration
- ConversableAgent + UserProxyAgent 패턴
- AutoGen Studio — low-code multi-agent UI
- MAGentic-One 등 새로운 패턴 (2024)
약점
- agent 간 통신 protocol 표준화 부족 (각자 다른 패턴)
- RAG/retrieval 통합은 약함 (별도 도구 필요)
- production deployment 사례 부족
- Python 종속
oxios와의 비교
AutoGen의 GroupChat이 oxios의 multi-agent (AgentGroup/AgentSupervisor) 패턴과 동형. oxicode-sdk의 `AgentGroup`/`AgentSupervisor` + `MessageBus<InterAgentMessage>`가 AutoGen의 GroupChatManager + broadcast channel과 동등하지만 Rust 네이티브 + type-safe + observability 통합. A2A 프로토콜 구현은 oxios-kernel의 a2a_api.rs가 SDK MessageBus 위에 구축(SDK 소속 아님 — 2026-08-16 정정).
Semantic Kernel
강점
- .NET enterprise 통합 — Microsoft stack 친화
- Plugin + Planner 패턴
- 메모리 + 커넥터 (CosmosDB/Postgres/etc)
- Microsoft 공식 지원 + 장기 지원 보장
약점
- LangChain보다 작은 생태계
- Python 버전은 기능 격차
- agent/multi-agent는 약함
oxios와의 비교
Semantic Kernel은 .NET enterprise 통합에 강함. oxios가 oxicode-sdk을 wire하는 방식은 Semantic Kernel의 Plugin 패턴과 동형이지만, oxios는 Rust 네이티브 + multi-channel (web/CLI/Telegram/remote) + memory daemon (oxibrain) + skills marketplace.
oxios (Rust)
강점
- Rust 풀스택 — type safety + zero-cost abstraction + async + Send/Sync 명시
- Kernel/Supervisor/Surface 3계층 — Surface = Vec<Box<dyn Surface>> (web/remote)
- oxicode-sdk 0.73 단일 wire 의존 — 16 port trait + cross-cutting 6
- Multi-channel (Web UI / CLI / Telegram / Remote RPC / Companion App)
- Memory daemon (oxibrain via Unix socket, RFC-047) + graceful degradation
- Skills marketplace (ClawHub) + Ouroboros 자기-개선 loop
- Browser 통합 (oxibrowser 0.21) — search/pub 도구로
- Korean-first documentation
약점
- v1.39.0 — LangChain보다 2년 늦은 시장 진입
- 로더·벡터스토어 등 주변 통합 범위는 LangChain 생태계보다 좁음 (모델 카탈로그 자체는 145 provider로 역전)
- LangSmith 같은 cloud observability는 아직 없음
- Python 자료/예제 부족
- Rust 진입장벽
oxios와의 비교
oxios는 단순 LLM orchestration이 아님 — 'Agent OS'. LLM + memory + skills + marketplace + channels + observability + browser를 통합한 Rust 풀스택. LangChain과 비교 불가 영역이 많음. 면접 답변 포인트: 'LangChain은 Python 표준 LLM orchestration, oxios는 Rust 표준 Agent OS.'
면접 답변 템플릿
- "LangChain을 왜 쓰나요?"
범용 LLM orchestration 표준이고, 80+ provider + 100+ vector store 통합이 가장 성숙합니다. LCEL(LangChain Expression Language)로 chain/agent를 표준화할 수 있고, LangGraph로 stateful multi-agent를, LangSmith로 observability를 얻습니다. 단 Python 동시성 한계 + API 변경 빈번 + observability 유료라는 단점이 있어, Rust 풀스택이 필요하면 oxicode-sdk가 equivalent입니다.
- "LangChain vs LlamaIndex"
LangChain은 범용 LLM orchestration, LlamaIndex는 RAG-first 설계입니다. RAG만 필요하면 LlamaIndex가 더 성숙하고 (QueryEngine/ChatEngine/AgentWorkflow), 범용 agent + 도구 통합이 필요하면 LangChain이 더 풍부합니다. 시선아이티처럼 RAG + chatbot + SI 시스템 연동이 모두 필요하면 LangChain이 더 적합하고, RAG만 heavy하게 하면 LlamaIndex가 더 적합합니다.
- "Haystack은 어떤 경우에 쓰나요?"
엔터프라이즈 RAG + NLP Pipeline + REST API 배포가 필요할 때. BMW/Siemens/Meta 같은 대기업 production 사례가 많고, deepset Cloud로 SaaS 운영도 가능합니다. 공공기관 SI처럼 안정성 + 표준 + 다국어 + REST API 배포가 핵심이면 Haystack이 더 적합합니다.
- "AutoGen의 강점은?"
Microsoft Research의 multi-agent 대화 연구 결과를 production화한 프레임워크. GroupChat/GroupChatManager로 다수 agent 간 대화를 orchestration하고, ConversableAgent/UserProxyAgent 패턴이 직관적입니다. oxios의 AgentGroup/AgentSupervisor 패턴과 동형이지만 Rust 네이티브 + type-safe + observability 통합.
- "Python 생태계 대신 Rust를 쓰면?"
type safety + zero-cost abstraction + async + Send/Sync 경계가 명시적입니다. oxi의 boa_engine 0.20 (!Send Context → std::thread 고정) + oxibrain single-writer actor + oxios Kernel/Supervisor/Surface 모두 Send/Sync 경계가 명시적. 단 Python 자료/생태계/LangSmith 같은 cloud observability는 부족합니다.
- "어떤 프레임워크를 선택해야 할까요?"
시선아이티의 Seesun LLM 플랫폼 + AI Chatbot + SI 시스템 통합 조합이라면 LangChain + LlamaIndex 하이브리드가 표준입니다. RAG는 LlamaIndex로 ingestion/indexing, agent + tool 통합은 LangChain으로, observability는 LangSmith 또는 Langfuse(open source). Rust 통합이 필요하면 oxicode-sdk을 wire.