AI의 세계는 단일 목적 모델을 넘어 지능적이고 자율적인 멀티 에이전트 시스템으로 빠르게 이동하고 있습니다. 그러나 이러한 멀티 에이전트 시스템 개발에는 새로운 과제가 수반됩니다. 그래서 오늘 저희는 Google Cloud NEXT 2025에서 ADK(에이전트 개발 키트)를 선보였습니다. ADK는 에이전트 및 멀티 에이전트 시스템의 풀 스택 엔드 투 엔드 개발을 단순화하도록 설계된 Google의 새로운 오픈소스 프레임워크입니다. ADK는 개발자가 더 큰 유연성과 정밀한 제어로 바로 프로덕션 환경에 사용할 수 있는 에이전틱 애플리케이션을 개발할 수 있도록 지원합니다.
ADK는 Agentspace 및 Google CES(Customer Engagement Suite)와 같은 Google 제품 내에서 에이전트를 구동하는 프레임워크와 동일합니다. 오픈소싱 ADK를 통해, 빠르게 변화하는 에이전트 환경에서 개발자에게 개발을 위한 강력하고 유연한 도구를 제공하는 것이 목표입니다. ADK는 유연성이 뛰어나고 다양한 모델을 사용하며 다양한 배포 환경에 맞게 프로덕션 환경에서 바로 사용할 수 있는 에이전트를 개발할 수 있도록 설계되었습니다.
ADK는 전체 에이전트 개발 수명 주기 전반에 걸쳐 다음과 같은 기능을 제공합니다.
Sequential, Parallel, Loop)를 사용하여 워크플로를 정의하거나 적응형 동작을 위해 LLM 기반 동적 라우팅(LlmAgent 전송)을 활용할 수 있습니다.docs의 예제를 살펴보도록 권하지만 핵심 아이디어는 Python의 단순함입니다. 여러분이 에이전트의 논리, 에이전트가 사용할 수 있는 도구, 에이전트가 정보를 처리하는 방식을 정의하면 됩니다. ADK는 상태를 관리하고, 도구 호출을 조정하고, 기본 LLM과 상호작용할 수 있는 구조를 제공합니다. 다음은 기본 에이전트를 보여주는 예시입니다.
코드는 빠른 시작 가이드에서 찾을 수 있습니다.
from google.adk.agents import LlmAgent
from google.adk.tools import google_Search
dice_agent = LlmAgent(
model="gemini-2.0-flash-exp", # 필수: LLM 지정
name="question_answer_agent", # 필수: 고유한 에이전트 이름
description="A helpful assistant agent that can answer questions.",
instruction="""Respond to the query using google search""",
tools=[google_search], # 도구의 인스턴스 제공
)
# adk web을 사용하여 실행할 수 있음이 간단한 예는 기본 구조를 보여줍니다. ADK가 진정으로 빛을 발하는 순간은 일관되게 제어 상태를 유지하면서도 여러 에이전트와 정교한 도구 사용, 동적 조정이 관련된 보다 복잡한 애플리케이션을 개발할 때입니다.
ADK는 에이전트와 상호작용하는 방식(CLI, Web UI, API Server, API(Python))을 유연하게 변경할 수 있습니다. 에이전트를 정의하는 방식(agent.py 내의 핵심 논리)은 에이전트와 상호작용을 위해 선택하는 방식에 관계없이 동일합니다. 차이점은 상호작용을 시작하고 관리하는 방법에 있습니다. ADK 설명서에서 그 모든 예를 찾을 수 있습니다.
ADK는 단일 에이전트를 넘어 도구를 활용하는 협업 멀티 에이전트 시스템을 개발할 때 그 진가를 발휘합니다. 기본 에이전트가 대화를 바탕으로 작업을 위임할 수 있는 전문 에이전트 팀을 만든다고 상상해 보세요. ADK를 사용하면 계층 구조와 지능형 라우팅을 통해 이를 쉽게 수행할 수 있습니다.
예시를 살펴보겠습니다. 날씨 관련 쿼리를 처리하는 WeatherAgent가 인사말을 전문 GreetingAgent에 위임하는 예입니다.
1. 도구 정의: 에이전트는 도구를 사용하여 작업을 수행합니다. 여기서 WeatherAgent는 날씨 데이터를 가져올 도구가 필요합니다. 우리가 Python 함수를 정의하면 ADK는 docstring을 사용하여 이 함수를 언제 어떻게 사용할지 이해합니다.
def get_weather(city: str) -> Dict:
# 모범 사례: 더욱 쉬운 디버깅을 위한 도구 실행 기록
print(f"--- Tool: get_weather called for city: {city} ---")
city_normalized = city.lower().replace(" ", "") # 기본 입력 정규화
# 단순화를 위한 모의 날씨 데이터(1단계 구조와 일치)
mock_weather_db = {
"newyork": {"status": "success", "report": "The weather in New York is sunny with a temperature of 25°C."},
"london": {"status": "success", "report": "It's cloudy in London with a temperature of 15°C."},
"tokyo": {"status": "success", "report": "Tokyo is experiencing light rain and a temperature of 18°C."},
"chicago": {"status": "success", "report": "The weather in Chicago is sunny with a temperature of 25°C."},
"toronto": {"status": "success", "report": "It's partly cloudy in Toronto with a temperature of 30°C."},
"chennai": {"status": "success", "report": "It's rainy in Chennai with a temperature of 15°C."},
}
# 모범 사례: 도구 내에서 잠재적 오류를 적절하게 처리
if city_normalized in mock_weather_db:
return mock_weather_db[city_normalized]
else:
return {"status": "error", "error_message": f"Sorry, I don't have weather information for '{city}'."}2. 에이전트 및 에이전트의 관계 정의: LlmAgent를 사용하여 에이전트를 생성합니다. 지시문 및 설명 필드에 각별히 주의하세요. LLM은 역할을 이해하고 하위 에이전트에 대한 자동 위임을 사용한 위임 결정을 내릴 때 이들 필드에 크게 의존합니다.
greeting_agent = Agent(
model=LiteLlm(model="anthropic/claude-3-sonnet-20240229"),
name="greeting_agent",
instruction="You are the Greeting Agent. Your ONLY task is to provide a friendly greeting to the user. " "Do not engage in any other conversation or tasks.",
# 위임에 중요한 점: 기능에 대한 명확한 설명
description="Handles simple greetings and hellos",
)
farewell_agent = Agent(
model=LiteLlm(model="anthropic/claude-3-sonnet-20240229"),
name="farewell_agent",
instruction="You are the Farewell Agent. Your ONLY task is to provide a polite goodbye message. "
"Do not perform any other actions.",
# 위임에 중요한 점: 기능에 대한 명확한 설명
description="Handles simple farewells and goodbyes",
)
root_agent = Agent(
name="weather_agent_v2",
model="gemini-2.0-flash-exp",
description="You are the main Weather Agent, coordinating a team. - Your main task: Provide weather using the `get_weather` tool. Handle its 'status' response ('report' or 'error_message'). - Delegation Rules: - If the user gives a simple greeting (like 'Hi', 'Hello'), delegate to `greeting_agent`. - If the user gives a simple farewell (like 'Bye', 'See you'), delegate to `farewell_agent`. - Handle weather requests yourself using `get_weather`. - For other queries, state clearly if you cannot handle them.",
tools=[get_weather], # 루트 에이전트에는 여전히 날씨 도구가 필요함
sub_agents=[greeting_agent, farewell_agent]
)description, 관련 에이전트(계층 구조에 정의된 상위/하위 에이전트)의 description 필드를 고려합니다.GreetingAgent 설명과 일치하는 "Hi"라고 말하는 경우) 전송을 시작합니다.분명하고 확실한 설명이 무엇보다도 중요합니다! LLM은 설명을 사용하여 작업을 효과적으로 라우팅합니다.
이 설정에서 사용자가 "Hi"로 시작하는 경우 WeatherAgent(입력을 처리하는 루트 에이전트인 경우)는 날씨 쿼리가 아님을 인식하고, 설명을 통해 GreetingAgent가 적합한지 확인하며, 자동으로 컨트롤을 전송할 수 있습니다. 사용자가 "What's the weather in Chicago?"(시카고의 날씨는 어떤가요?)라고 물으면 WeatherAgent는 get_weather 도구를 사용하여 이 질문을 직접 처리합니다.
이 예는 ADK의 계층적 구조와 설명 중심의 위임을 통해 어떻게 체계적이고 유지 관리 가능하며 정교한 멀티 에이전트 애플리케이션을 개발할 수 있는지 그 방법을 보여줍니다.
날씨 에이전트와 같은 지능형 에이전트 개발은 기본적인 것입니다. 하지만 이를 사용자에게 안정적으로 제공하기 위해서는 엄격한 평가와 원활한 배포라는 중요한 다음 단계를 거쳐야 합니다. 실제로 가동하기 전에 에이전트가 예측 가능하고 올바르게 작동하도록 하는 것이 가장 중요합니다. ADK의 통합 평가 도구는 바로 이런 목적에 딱 맞게 설계되어 있어, evaluation.test.json 또는 test.json 같이 사전 정의된 데이터 세트를 기준으로 실행 경로와 응답 품질을 체계적으로 테스트할 수 있습니다. AgentEvaluator.evaluate()를 사용하여 테스트 세트 내에서 프로그래밍 방식으로 이러한 검사를 실행할 수 있습니다. ADK eval 명령줄 도구 또는 웹 UI를 통해 직접적으로 평가를 사용할 수도 있습니다.
성능에 만족할 경우 ADK는 모든 컨테이너 런타임에 배포하는 옵션을 통하거나 또는 Vertex AI Agent Engine과의 통합을 사용해서 프로덕션으로 진행하는 명확하고 간소화된 경로를 제공합니다. 이를 통해 완벽하게 관리되고 확장 가능한 엔터프라이즈급 런타임을 활용하여 개발 수명 주기를 완료하고 정교한 프로토타입에서 강력하고 프로덕션 환경에 바로 사용할 수 있는 에이전틱 애플리케이션으로 전환할 수 있습니다.
ADK를 사용한 멀티 에이전트 시스템 개발의 가능성을 탐색하면서 ADK가 Google에서 제공하는 GenAI 개발 도구의 더욱 광범위한 환경에 어떻게 부합하는지 궁금하실 수도 있습니다. Genkit 프레임워크와 같은 다양한 SDK와 프레임워크가 사용 가능하지만 ADK가 상대적으로 어디에 포커스를 두고 있는지 이해하면 알기 쉽습니다. 간단히 비교해보자면 다음과 같습니다.
결국, 최선의 선택은 프로젝트의 구체적인 목표에 달려 있습니다. 잘 정의된 프레임워크 내에서 복잡한 협업 에이전트 시스템을 개발할 경우 ADK는 강력한 솔루션을 제공합니다. 유연성과 광범위한 모델 지원이 필요한 다른 많은 GenAI 프로젝트에는 Genkit이 탁월한 선택입니다.
ADK는 다양한 도구와 연동해 작동할 수 있는 유연성을 제공하지만, Google Cloud 생태계 내에서, 특히 Gemini 모델 및 Vertex AI와 원활하게 통합되도록 최적화되어 있습니다. 개발자는 이러한 맞춤형 설계를 통해 Gemini 2.5 Pro Experimental에서 볼 수 있는 향상된 추론이나 도구 사용 같은 Gemini의 고급 기능을 최대한 활용할 수 있습니다. 이 맞춤형 설계는 또한 확장성을 위해 이러한 에이전트를 Vertex AI의 완전 관리형 엔터프라이즈급 런타임에 배포할 수 있는 직접적인 기본 경로를 제공합니다.
결정적으로, 이러한 심층적인 통합은 더 광범위한 엔터프라이즈 환경으로 확장됩니다. 에이전트는 ADK를 사용하여 사전 구축된 100개 이상의 커넥터를 통해 시스템과 데이터에 직접 연결하고, Application Integration으로 구축된 워크플로를 활용하며, 데이터를 중복할 필요 없이 AlloyDB, BigQuery, NetApp 등의 시스템에 저장된 데이터에 액세스할 수 있습니다.
또한 ADK로 개발된 에이전트는 Apigee를 통해 관리되는 조직의 기존 API 투자를 안전하게 활용할 수 있으며, 이미 확립된 인터페이스를 활용하여 기능을 더욱 향상시킬 수 있습니다.
고급 AI 모델과 확장 가능한 배포, 다양한 데이터 소스, 기존 API를 아우르는 이러한 포괄적인 연결성 덕분에 ADK는 Google Cloud 환경 내에서 사용될 때 매우 강력해집니다.
ADK는 차세대 AI 애플리케이션 개발을 위한 강력하고 유연한 오픈소스 기반을 제공합니다. ADK는 다음을 제공하여 멀티 에이전트 개발의 핵심 과제를 해결합니다.
여러분이 ADK로 무엇을 개발하실지 정말 기대됩니다!
코드 살펴보기: 공식 ADK 설명서.
