Google DeepMind, AI 에이전트를 위해 Python을 파일로 대체

이 새로운 패러다임은 특정 목표가 달성될 때까지 연속 루프에서 작동하는 도구로 에이전트를 정의합니다. 주요 목표는 개발자가 전통적으로 작성하고 유지해야 했던 Python 코드의 양을 최소화하여 에이전트 생성 프로세스를 단순화하는 것입니다.

이 전환은 모듈식 구성을 파일로 관리하는 것을 선호하는 모놀리식 코드 구조에서 벗어나는 것을 의미합니다. 필립 슈미트(Philipp Schmid)는 "우리는 파일이 기본적으로 Python을 어떻게 대체하는지 살펴볼 것입니다"라고 강조했습니다.

이 API에는 내장된 샌드박스 환경이 포함되어 보안을 강화하고 에이전트 작업을 격리합니다. 필립 슈미트(Philipp Schmid)는 "Interactions API는 우리의 새로운 Gemini API입니다. 모델 및 에이전트 실행을 위한 통합 인터페이스입니다"라고 말했습니다.

Interactions API의 주요 기능에는 서버 측 상태 관리 및 백그라운드 실행 지원이 포함되어 에이전트가 지속적인 사용자 상호 작용 없이 비동기적으로 작업을 수행할 수 있습니다. 또한 도구 호출, 다중 모드 및 생성 작업에 대한 표준화된 인터페이스를 제공하여 에이전트가 다양한 데이터 유형 및 외부 기능과 상호 작용하는 방식을 간소화합니다.

대규모 언어 모델(LLM) 애플리케이션에 대한 접근 방식은 일반적으로 간단한 사용자 입력과 모델 출력이 뒤따르는 전통적인 턴 기반 대화 기록을 넘어 진화하고 있습니다. 정교한 AI 에이전트의 경우 복잡한 추론, 수많은 함수 호출 및 광범위한 환경 데이터가 필요하므로 보다 강력한 상호 작용 모델이 필요합니다. 필립 슈미트(Philipp Schmid)는 "우리는 이 턴 기반 대화 기록에서 단계로 넘어갔습니다"라고 언급했습니다.

새로운 '단계' 모델은 추론, 함수 호출 및 그 결과의 복잡한 시퀀스를 캡처하도록 설계되었습니다. 이 방법은 시스템이 내부 에이전트 작업 및 사고 프로세스를 추적할 수 있도록 하여 '사용자 역할 남용'을 방지하고, 모든 중간 단계를 사용자 대면 턴으로 제시할 필요 없이 에이전트 작업의 더 명확하고 포괄적인 타임라인을 제공합니다.

역사적으로 AI 에이전트를 개발하는 것은 주로 Python으로 복잡한 루프를 작성하는 것을 포함했으며, 이 과정은 매우 복잡하고 시간이 많이 걸리는 것으로 입증되었습니다. 필립 슈미트(Philipp Schmid)는 "대략 1년 반 전만 해도 에이전트를 작성하는 것은 주로 Python으로 루프를 작성하는 것을 의미했습니다"라고 설명했습니다. 이 레거시 접근 방식은 개발자가 도구 설명에 대한 JSON 스키마를 수동으로 정의하고 해당 도구를 실행하기 위한 Python 함수를 작성해야 했습니다.

또한 개발자는 LLM에서 출력을 수동으로 구문 분석하고 광범위한 오류 검사 메커니즘을 구현해야 했습니다. 이 프로세스에는 종종 LLM의 응답 및 동작을 기반으로 Python 코드를 조정하는 지속적인 피드백 루프가 포함되어 에이전트 개발을 매우 반복적이고 종종 답답한 작업으로 만들었습니다.

필립 슈미트(Philipp Schmid)는 "저는 이 Python 루프의 기본 구현을 구축했거나 Gemini가 구축하도록 했습니다"라고 언급했습니다. 이 에이전트는 동작을 안내하기 위한 명시적인 시스템 지침과 함께 사용할 수 있는 각 도구의 수동 정의, 자세한 JSON 스키마가 필요했습니다.

이 구현은 그러한 에이전트의 제약을 강조했습니다. 즉, 미리 정의된 도구 세트에 제한되며 요청이 명시적으로 프로그래밍된 기능을 벗어나면 어려움을 겪습니다. 예를 들어, 에이전트가 특정 풀 리퀘스트 검토 기능 이상의 작업을 수행하도록 요청받으면 실행에 실패하여 이 수동 루프 방법론에 내재된 유연성 부족을 강조합니다.

필립 슈미트(Philipp Schmid)는 "에이전트를 실행하기 위해 해야 할 일이 많이 있습니다"라고 강조했습니다. 이러한 작업에는 수동 토큰 생성 및 함수 호출 관리가 포함되며, 이는 에이전트 작동에 필수적입니다. 개발자는 또한 에이전트가 정보를 올바르게 처리하고 적절한 함수를 사용하도록 보장하기 위해 광범위한 루프 관리 및 도구 라우팅 요구 사항에 직면합니다.

또한 모든 도구에 대한 JSON 스키마를 생성하고 해당 Python 코드를 실행해야 하는 필요성은 상당한 오버헤드를 추가합니다. 에이전트가 상호 작용 전반에 걸쳐 컨텍스트와 일관성을 유지하도록 보장하는 상태 관리의 부담은 전통적인 에이전트 개발의 복잡성을 더욱 가중시킵니다.

이들은 루프 관리 및 오류 처리와 같은 일반적인 기능을 자동으로 처리하는 에이전트 클래스를 도입하여 개발 프로세스를 더욱 강력하고 수동 오류 발생 가능성을 줄입니다. 이러한 프레임워크의 예로는 ADK가 있으며, 이는 반복되는 문제에 대한 사전 구축된 솔루션을 제공하여 AI 에이전트 생성 및 배포를 간소화하는 방법을 보여줍니다.

필립 슈미트(Philipp Schmid)는 "이러한 에이전트 프레임워크는 이제 우리 함수의 시그니처를 사용하여 이러한 JSON 스키마를 즉석에서 생성하여 모델에 제공합니다"라고 설명했습니다. 이 혁신은 JSON 스키마가 함수 시그니처에서 직접 자동으로 생성되어 번거로운 수동 정의 프로세스를 없앤다는 것을 의미합니다.

이 접근 방식은 또한 시스템 프롬프트를 간결하고 관리하기 쉽게 만듭니다. 스키마 생성을 자동화함으로써 개발자는 도구와 해당 기능을 보다 효율적으로 정의할 수 있으며, 모델이 광범위한 수동 구성 없이 사용 가능한 기능을 동적으로 이해하고 활용할 수 있습니다. 이는 보다 민첩하고 오류 발생 가능성이 적은 에이전트 개발 주기로 이어집니다.

필립 슈미트(Philipp Schmid)는 "프레임워크는 턴 기반 루프, 라우팅, 실행 매핑, 다양한 함수 호출에 대한 JSON 스키마 생성 등을 해결하지만 우리는 여전히 Python 배관을 소유합니다"라고 설명했습니다. 이는 개발자가 여전히 도구에 대한 핵심 Python 코드를 작성하고 특정 기능을 설정해야 한다는 것을 의미합니다.

또한 개발자는 현재 프레임워크에서 항상 완전히 추상화되지 않는 특정 환경 및 호스팅 설정의 필요성에 직면해야 합니다. 이러한 암묵적인 한계는 프레임워크가 에이전트 개발의 많은 측면을 자동화하지만 기본 인프라 및 도구 구현은 여전히 상당한 수동 노력이 필요하다는 점을 강조합니다.

이 개발은 Gemini API에서 무중력 원격 에이전트의 출시를 의미합니다.

이러한 호스팅된 격리된 클라우드 샌드박스는 에이전트가 작동할 수 있는 안전하고 유연한 환경을 제공합니다. 이러한 샌드박스 내에서 에이전트는 다양한 도구 활용, bash 명령 실행 및 파일 영구 저장 기능을 포함한 강력한 실행 기능을 얻습니다. 이 설정은 환경 관리를 단순화할 뿐만 아니라 에이전트 작업이 포함되고 안전하도록 보장합니다.

필립 슈미트(Philipp Schmid)는 "우리는 에이전트 샌드박스 주변에 네트워크 프록시를 만들었으며, 이는 에이전트가 샌드박스 내부에서 샌드박스 외부로 요청을 할 때 기본적으로 자격 증명을 주입합니다"라고 설명했습니다. 이 네트워크 프록시는 중요한 계층 역할을 하여 민감한 자격 증명이 에이전트 자체에 직접 노출되는 것을 방지합니다.

자격 증명 주입은 에이전트가 샌드박스 내부에서 외부 서비스로 요청을 할 때만 발생하는 동적 프로세스입니다. 이 적시 자격 증명은 자격 증명이 손상되거나 오용될 위험을 최소화합니다. 또한 이 시스템은 네트워크 요청에 대한 도메인 액세스를 제한하는 기능을 제공하여 관리자가 에이전트가 상호 작용할 수 있는 외부 서비스를 정확하게 제어하고 무단 데이터 액세스 또는 악의적인 활동을 방지할 수 있도록 합니다.