Subagents 도입을 통한 내부 벤치마크 성능 90.2% 향상

Context

단일 Context Window 기반의 LLM 처리 방식은 복잡한 태스크 수행 시 메모리 부족 및 효율성 저하 발생. 단일 모델이 모든 과정을 순차적으로 처리함에 따른 병목 현상과 정보 밀도 감소라는 한계 직면.

Technical Solution

• Orchestrator가 복잡한 작업을 분할하여 특정 목적의 Subagent에게 할당하는 Delegation 구조 설계
• 각 Subagent에 독립적인 Context Window를 부여하여 불필요한 정보 유입을 차단하는 Context Isolation 구현
• 태스크 성격에 따라 Parallel fan-out, Sequential pipeline, Hierarchical delegation의 세 가지 Orchestration Pattern 적용
• 태스크 복잡도에 따라 Haiku(탐색/스캔)와 Opus(아키텍처 추론) 모델을 분리 배치하는 효율적 Model Routing 전략 채택
• Tool 접근 권한을 Subagent별로 엄격히 제한하여 보안성 및 실행 정확도 향상
• .claude/agents/ 경로의 Markdown 설정을 통한 버전 관리 및 프로젝트/사용자 단위의 Scope 분리