Agents Companion (8): 구글의 Agent Builder & Summary

이전 글에서는 Automotive AI에서의 적용까지 살펴보았습니다. 이제 이 시리즈의 마무리로, Agents Companion 백서의 Agent Builder 파트와 Summary 파트를 정리하며 시리즈를 마치고자 합니다.

Agent Builder: 에이전트 개발을 위한 종합 플랫폼 ✨

백서의 Agent Builder 섹션은 에이전트 개발자들을 위한 Google의 제품 및 서비스 모음에 대해 소개합니다. Vertex AI Agent Builder는 에이전트를 구축하고 연결하기 위한 포괄적인 플랫폼으로 제공됩니다. 이 플랫폼은 Google Cloud의 엔지니어링 우수성 및 보안, Google Deepmind의 AI 연구, 그리고 AgentOps의 베스트 프랙티스를 결합하여 만들어졌습니다. 심지어 Google Cloud 자체도 이 플랫폼 위에서 자신들의 에이전트를 구축하고 있다고 합니다. 2025년에는 에이전트 개발자들을 대상으로 더 많은 흥미로운 발표가 있을 예정이라고 하네요.

Vertex AI Agent Builder의 주요 구성 요소는 다음과 같습니다.

• Vertex AI Agent Engine: 에이전트 개발을 간소화하는 데 중점을 둡니다. 인기 있는 오픈 소스 에이전트 라이브러리와 Google 엔지니어링에서 관리하는 통합을 제공합니다. 또한, 관리형 자동 스케일링 런타임과 에이전트가 필요로 하는 다양한 서비스(세션, 예제, 트레이스, 평가 등)를 제공합니다. 이를 통해 어떤 프레임워크로 작성했든 에이전트를 안전하게 배포할 수 있는 매우 적은 노력으로 높은 가치를 얻을 수 있는 방법을 제공합니다.
• Vertex AI Eval Service: 이 백서에서 논의된 모든 평가 도구와 그 이상의 기능을 제공합니다. LLM, RAG, 에이전트 평가를 안정적이고 확장 가능하게 수행할 수 있으며, 모니터링 및 실험 기능과 편리하게 통합됩니다.
• 다양한 에이전트 도구 포트폴리오: 에이전트의 기능을 확장하기 위한 다양한 도구들이 제공됩니다.
  • 검색(Retrieval): Vertex AI Search 또는 RAG Engine을 통한 검색 기능을 제공합니다. Vertex AI Search는 Google 수준의 검색 품질을 제공하며, RAG나 Agentic RAG 구현에 사용될 수 있습니다. Vertex AI Search의 구성 요소들은 개발 시간 없이 자동으로 사용 가능하며, 개발자가 직접 검색 엔진을 구축하려는 경우 각 구성 요소가 독립적인 API로 노출됩니다.
  • 데이터베이스에서의 검색: Gen AI Toolbox for Databases를 통해 데이터베이스에서 비검색 기반 검색을 수행할 수 있습니다.
  • 애플리케이션 통합: 수백 개의 API와 통합을 지원하며, 완전한 ACL(접근 제어 목록)을 지원합니다.
  • API를 엔터프라이즈 지원 도구로 전환: Apigee Hub를 사용하여 어떤 API든 관리형 엔터프라이즈 지원 도구로 만들 수 있습니다.
  • LLM: 에이전트에게 최적인 LLM으로 Vertex AI Model Garden 및 에이전트 시대를 이끌 Gemini 모델군에 대한 접근 권한을 제공합니다.

이러한 도구와 서비스를 통해 Vertex AI Agent Builder는 개발자들이 복잡하고 현실적인 문제를 해결하는 에이전트 기능을 향상시킬 수 있도록 지원합니다.

Summary: 에이전트 여정의 핵심 요약 및 미래 조망 🛤️

백서는 Summary 섹션을 통해 생성형 AI 에이전트의 빠르게 진화하는 환경을 탐구했음을 강조합니다. 기초 아키텍처부터 고급 평가 기법, 그리고 멀티 에이전트 시스템의 혁신적인 잠재력까지 다루었습니다.

개발자를 위한 주요 핵심 사항(Key Takeaways)은 다음과 같습니다:

• AgentOps의 중요성: 에이전트의 성공적인 프로덕션 배포를 위해서는 AgentOps가 필수적입니다. 이는 기술, 프로세스, 사람의 조화로운 결합을 통해 ML 솔루션을 실제 프로덕션 환경에 효율적으로 배포하는 것을 의미합니다. AgentOps는 DevOps 및 MLOps 위에 구축되며, 내부/외부 도구 관리, 에이전트 브레인 프롬프트 및 오케스트레이션, 메모리 관리, 작업 분해 등 에이전트 고유의 핵심 구성 요소에 초점을 맞춥니다.
• 다중 에이전트 시스템: 여러 전문 에이전트가 협력하여 복잡한 목표를 달성하는 아키텍처로의 진화입니다. 단일 에이전트 시스템에 비해 정확도, 효율성, 복잡한 작업 처리 능력, 확장성, 내결함성, 환각 및 편향 감소 등 여러 장점을 제공합니다.
• Agentic RAG: 검색 증강 생성(RAG)의 중요한 진화 형태이며, AI 에이전트의 자율성을 활용하여 검색 프로세스를 오케스트레이션하고 정보를 평가하며 활용 방법을 판단합니다. 이를 통해 정확성, 문맥 이해, 적응성을 향상시킵니다.
• 평가 방법론: 아이디어 단계의 에이전트를 실제 서비스에 적용하려면, 에이전트가 의도한 대로 신뢰할 수 있게 작동하는지를 철저히 확인하는 평가가 필수적입니다. 에이전트 능력 평가, 궤적 및 도구 사용 평가, 최종 응답 평가의 세 가지 주요 부분으로 나눌 수 있습니다. 자동화된 평가를 위해 Autorater나 LLM-as-a-Judge 같은 시스템을 사용할 수 있지만, 창의성이나 상식 등은 여전히 Human-in-the-Loop 방식이 필요합니다. 다중 에이전트 시스템의 평가는 단일 에이전트 평가의 확장 형태이며, 궤적 평가와 최종 응답 평가가 여전히 중요한 접근 방식입니다. 특히 다중 에이전트 시스템은 협력, 조정, 계획 및 작업 할당, 에이전트 활용, 확장성 등 고유한 평가 질문을 가집니다.
• 장기 메모리 및 학습: 에이전트가 장기간 정보를 유지하고 활용하며 지속적인 학습 및 적응을 가능하게 하는 정교한 메모리 메커니즘 개발이 중요합니다.
• 에이전트 통신 프로토콜: 특히 원격 시스템 간에 에이전트가 작업, 지식, 메시지를 공유하는 방식을 더 잘 정의하는 것이 필요합니다.
• 에이전트에서 계약자로 (From Agents to Contractors): 에이전트가 다음 수준의 신뢰성과 유용성을 갖추려면, 작업을 명확한 결과물, 검증 메커니즘, 모호성 협상 능력을 갖춘 계약 형태로 정의하는 것이 필요합니다. 이는 다른 회사에 작업을 위탁하며 계약서를 작성하는 방식과 유사합니다.

백서는 개발자들이 이러한 개념들을 받아들이고 차세대 지능형 애플리케이션 구축을 시작할 것을 독려하며 내용을 마무리합니다. "The future of AI is agentic (AI의 미래는 에이전트적입니다)."라는 말로 백서는 마무리됩니다.

마무리하며 👋

Agents Companion 백서를 기반으로 한 여덟 편의 블로그 시리즈를 통해 AI 에이전트의 세계를 깊이 탐구해 보았습니다. 단순한 언어 모델을 넘어 환경을 인지하고 판단하며 도구를 활용하는 에이전트의 기본 개념부터 시작하여, 실제 운영을 위한 AgentOps, 성능 평가 방법, 팀워크를 발휘하는 다중 에이전트 시스템, 외부 정보 활용을 극대화하는 Agentic RAG, 그리고 기업 환경에서의 다양한 적용 사례와 미래 발전 방향(계약자 개념)까지, 방대한 내용을 다루었습니다.

아쉬운 점은 간단한 코드 예제 또는 샘플 제공이 부족했다는 점. 대부분은 자신들의 제품을 사용해봐라성의 홍보 느낌이었다는 점이 좀 아쉬운 부분인거 같습니다. 그리고 Agent관련하여 너무 깊이 있는 문서는 아니었다고 생각되네요. 그래도 Agent관련 정보들이 적은 이 시점에 읽어볼만한 문서였던거 같습니다.

이 시리즈가 생성형 AI 에이전트에 대한 이해를 높이고, 이 분야에서 새로운 가능성을 모색하는 여러분께 좋은 참고 자료가 되었기를 바랍니다. 다음은 A2A와 MCP관련 블로그 글을 고려하고 있습니다. 감사합니다!