강력한 스킬을 갖춘 ADK 에이전트 구축 가이드

홈 » Python » 강력한 스킬을 갖춘 ADK 에이전트 구축 가이드

에이전트 개발 키트(ADK)로 구축된 지능형 에이전트는 현대 AI 기반 애플리케이션의 핵심 요소로 빠르게 자리 잡고 있습니다.단순히 질문에 답하는 일회성 챗봇을 훨씬 뛰어넘는 수준입니다. 적절한 스킬 시스템을 갖추면 이러한 에이전트는 추론하고, 계획을 세우고, 도구를 호출하고, 다른 에이전트와 협업하고, 심지어는 자신의 작업을 반복적으로 개선할 수도 있습니다. 이 모든 과정에서 점진적 공개 기술 덕분에 토큰 사용량과 지연 시간을 효과적으로 관리할 수 있습니다.

이 심층 가이드에서는 스킬을 활용하여 ADK 에이전트를 설계, 구성 및 오케스트레이션하는 방법을 단계별로 안내합니다.단일 에이전트 기반의 기본 구성부터 순차적으로, 반복적으로, 병렬로 실행되는 다중 에이전트 워크플로우까지 다룹니다. 또한 Google의 ADK 코드랩, 커뮤니티 스킬, AgentKit 2.0과 같은 오케스트레이션 프레임워크 등 실제 환경에서 Router, SequentialAgent, LoopAgent, ParallelAgent와 같은 패턴을 어떻게 활용하는지, 그리고 Q2BSTUDIO와 같은 기업들이 클라우드 플랫폼 및 사이버 보안과 결합하여 상용 시스템을 구축하는 방법을 살펴봅니다.

최신 소프트웨어 개발 팀에서 스킬을 갖춘 ADK 에이전트가 중요한 이유는 무엇일까요?

소프트웨어 개발 분야에서 인공지능(AI)의 폭발적인 성장은 개발팀들이 전문 지식과 워크플로우를 재사용 가능하고 조합 가능한 단위로 캡슐화하는 방법을 모색하도록 만들었습니다.ADK는 동작, 도메인 규칙 및 도구를 프로젝트, 팀, 심지어 제품 전반에 걸쳐 재사용할 수 있는 에이전트로 패키징할 수 있도록 함으로써 이러한 요구 사항을 충족합니다.

이 접근 방식의 핵심은 에이전트 스킬입니다.이는 에이전트가 필요에 따라 로드할 수 있는 자체 포함된 지식 모듈입니다. 모든 지침과 규칙을 하나의 거대한 프롬프트에 담는 대신, 스킬은 다음과 같은 방식을 적용합니다. 점진적 공개 아키텍처: 명령어, 자산 및 스크립트는 필요할 때만 표시되므로 수백 개의 스킬이 설치되어 있더라도 컨텍스트가 간결하고 성능이 뛰어납니다.

토큰 예산, 지연 시간 및 컴퓨팅 비용이 실질적인 제약 조건인 세상에서 이러한 효율성은 매우 중요합니다.모든 스타일 가이드, API 사양 및 운영 규칙을 단일 프롬프트에 로드하는 것은 확장성이 떨어집니다. 스킬을 사용하면 "콜드" 지식을 디스크(또는 저장소)에 저장해 두고 특정 기능과 관련될 때만 에이전트 컨텍스트로 가져올 수 있습니다.

Q2BSTUDIO와 같은 기업들은 이러한 모델을 활용하여 기업에 맞춤형 AI 시스템을 구축합니다.비즈니스 인텔리전스, 도메인 지식 및 최신 사이버 보안 관행을 통합합니다. 이를 통해 에이전트는 상황 인식을 갖추는 것은 물론, 오늘날의 위협 환경에서 흔히 발생하는 공격 벡터에 대한 방어력도 강화됩니다.

ADK 스킬의 점진적 정보 공개 아키텍처 이해하기

ADK 스타일 스킬은 일반적으로 에이전트 컨텍스트에 집중하는 3단계 로딩 모델을 따릅니다. 필요할 때마다 심층적인 도메인 전문성을 허용하면서도, 지식을 단계별로 전달하는 파이프라인이라고 생각할 수 있습니다.

레벨 1 – 발견대화가 시작될 때 상담원은 사용 가능한 스킬 목록(이름과 간단한 설명)만 볼 수 있습니다. 아직 복잡한 데이터는 로드되지 않습니다. 상담원은 이 정보만으로 사용자의 요청과 관련된 스킬을 판단할 수 있습니다.

레벨 2 – 지침스킬이 적합하다고 판단되면 에이전트는 해당 스킬 정보를 읽습니다. SKILL.md 또는 이와 동등한 지침 파일. 이 문서는 해당 기술에 대한 자세한 지침, 패턴 및 규칙을 제공하며, 필요한 경우에만 모델 컨텍스트에 사용됩니다.

레벨 3 – 리소스대용량 스키마, 긴 체크리스트, 스크립트 또는 장문의 문서와 같은 부피가 큰 자산은 파일 시스템에 참조로 남아 있습니다.

그리고 요청 시에 검색됩니다. 해당 스킬이 특정 리소스를 가리키는 경우에만 그렇습니다. 에이전트는 이러한 리소스를 메인 프롬프트에 항상 표시하는 대신 필요에 따라 읽거나 실행합니다.

이 패턴은 AgentKit 2.0 및 Antigravity 기반 설정과 같은 프레임워크의 핵심입니다.다음과 같은 명령어를 사용하여 호환되는 에이전트(Claude Code, Cursor, Antigravity 등)에 스킬을 직접 설치할 수 있습니다. npx add-skill vercel-labs/agent-skills이는 스킬 저장소를 복제하고, 올바른 디렉터리에 배치하고, 프롬프트를 수동으로 편집하지 않고도 검색할 수 있도록 합니다.

ADK 스킬 구조화를 위한 디자인 패턴

새로운 기술을 처음부터 개발하는 것은 종종 도구보다는 콘텐츠 디자인에 관한 것입니다.일반적으로 ADK 사양에는 패키지 구조(YAML 형식의 프론트매터)에 대한 설명이 포함되어 있습니다. references/, assets/, scripts/ 디렉토리 등을 구성하는 방법은 알려주지만, 실제 명령어를 작성하는 방법은 알려주지 않습니다. 바로 이 부분에서 재사용 가능한 디자인 패턴이 중요한 역할을 합니다.

수십 가지 기술을 습득한 실무자들은 몇 가지 구조적 패턴만으로도 대부분의 실제 사용 사례를 포괄할 수 있다고 보고합니다.그중 가장 유용한 다섯 가지는 다음과 같습니다.

툴 래퍼이 패턴은 특정 라이브러리 또는 플랫폼의 관례와 모범 사례를 스킬에 캡슐화합니다. 지침은 따라야 할 규칙을 설명하고, references/ 공식 문서를 포함하고 있습니다. 일반적으로 템플릿이나 스크립트는 없으며, FastAPI, React 또는 Postgres와 같은 도구에 대한 "개념적 모델"을 에이전트에게 제공하는 것이 목적입니다.

발전기여기서 해당 스킬은 저장된 템플릿을 사용하여 일관되고 구조화된 출력을 생성합니다. assets/API 문서, 커밋 메시지, 기술 보고서 ​​또는 변경 로그 등이 그 예입니다. 지침은 품질 규칙을 정의하고 템플릿은 출력 형식을 정의하므로 매번 다른 내용으로 반복 가능한 형식을 얻을 수 있습니다.

검토이 패턴은 분리합니다 뭐 확인하려면 방법 확인하기 위해. 체크리스트 파일이 있습니다. references/ 체크리스트 파일은 검증할 항목(보안, 스타일, 아키텍처 등)을 나열하고, 지침 파일은 검토 프로토콜을 정의합니다. 즉, 발견 사항을 심각도별로 분류하고, 근거를 요구하고, 수정 사항을 제안하는 등의 내용을 포함합니다. 체크리스트 파일을 교체하면 스킬 코드를 다시 작성하지 않고도 완전히 새로운 검토자를 얻는 것과 같은 효과를 얻을 수 있습니다.

인터뷰(역전)즉시 행동하는 대신, 이 스킬은 먼저 "모든 단계가 완료될 때까지 구축을 시작하지 마십시오"와 같은 게이트를 통해 단계별로 구조화된 질문을 통해 사용자를 인터뷰합니다. 이는 에이전트가 섣부른 가정을 하는 것을 방지하고, 상세한 결과물을 생성하기 전에 목표와 제약 조건을 명확히 하도록 합니다.

관로이 패턴은 "사용자가 확인할 때까지 3단계로 진행하지 마십시오"와 같이 단계 간에 명확한 게이트를 설정하여 여러 단계로 이루어진 워크플로를 인코딩합니다. 다른 패턴보다 복잡하지만, 상담원이 검증 단계를 건너뛰는 것을 확실하게 방지하는 유일한 패턴입니다. 파이프라인 스킬은 동일한 흐름 내에 검토자 단계, 생성기 출력 또는 인터뷰 단계를 포함할 수 있습니다.

Google, Vercel, Supabase에서 제공하는 실무 능력은 종종 이러한 패턴 중 두 가지 이상을 조합하여 나타납니다.예를 들어, 거버넌스 스킬은 프로젝트 제약 조건에 대해 사용자와 인터뷰를 진행한 후, 다양한 체크리스트를 사용하여 검토 파이프라인을 실행하고 템플릿 기반 생성기를 통해 거버넌스 보고서를 생성할 수 있습니다.

ADK를 사용하여 단일 에이전트에서 다중 에이전트 시스템으로 전환

스킬이 지식을 어떻게 패키징하는지 이해했다면, 다음 단계는 ADK 에이전트가 워크플로에서 해당 지식을 어떻게 오케스트레이션하는지 살펴보는 것입니다.Google의 공식 ADK 코드랩은 훌륭한 참고 자료입니다. 기본적인 단일 에이전트부터 도구, 메모리, 다중 에이전트 조정에 이르기까지 모든 과정을 실용적인 Colab 노트북을 통해 안내합니다.

여정은 Runner로 구축한 첫 번째 에이전트부터 시작됩니다.실습실에서는 다음을 정의합니다. day_trip_agent ADK의 임무는 사용자의 선호도와 예산을 고려하여 하루 여행 일정을 짜는 것입니다. 일반적인 ADK 상호작용 모델은 세 가지 구성 요소로 설명됩니다.

에이전트 "두뇌"는 지침, 기본 모델(예: Gemini) 및 호출할 수 있는 도구에 의해 정의됩니다. 예시에서 에이전트는 상세한 지침과 Google 검색 접근 권한을 가지고 있습니다.

세션 이 기능은 대화 메모리 저장소 역할을 하며 사용자 메시지와 상담원 응답의 전체 기록을 저장합니다. 동일한 세션 객체를 재사용함으로써 대화 전반에 걸쳐 컨텍스트를 유지합니다.

러너 에이전트와 세션을 입력받아 각 사용자 쿼리를 처리하고 답변을 반환함으로써 실행을 조정합니다.

세션을 업데이트하는 동안유틸리티 도우미는 다음과 같습니다. run_agent_query() 이 루프를 캡슐화하여 테스트 또는 UI 통합을 통해 에이전트를 쉽게 트리거할 수 있도록 합니다.

이 첫 번째 예시를 살펴보면 좋은 지침이 사용자 요청과 어떻게 직접적으로 연결되는지 알 수 있습니다.예를 들어, "예산이 저렴하고" "편안한" 당일치기 여행을 문의하는 테스트가 있을 수 있습니다. 이때 비용 절감을 강조하는 지침이 있기 때문에 상담원은 답변에 예산 고려 사항을 자연스럽게 포함시킬 것입니다.

사용자 지정 도구를 ADK 에이전트에 연결하기

에이전트가 웹 검색과 같은 일반적인 도구만 사용하는 것이 아니라 자체 API 및 내부 서비스를 호출할 수 있게 되면 진정한 힘을 발휘하게 됩니다.ADK는 함수의 시그니처와 문서 문자열을 기반으로 일반 함수를 도구로 변환하여 이 과정을 간소화합니다.

실습실에서는 실시간 날씨 API를 호출하는 파이썬 함수를 사용하는 간단한 예제를 제공합니다.. 다음과 같은 함수 get_live_weather_forecast(location: str) 공공 기상 서비스에서 최신 데이터를 가져와 온도 및 기상 조건과 같은 구조화된 정보를 딕셔너리 형태로 반환합니다.

핵심은 docstring입니다.ADK는 함수의 문서 문자열을 분석하여 해당 도구가 무엇을 하는지, 어떤 인수를 받는지, 무엇을 반환하는지 파악합니다. 언어 모델은 해당 설명을 읽고 추론 과정에서 언제 어떻게 도구를 호출할지 결정합니다.

에이전트에 도구를 연결하려면 초기화 중에 도구 목록의 일부로 전달하기만 하면 됩니다.예를 들어, tools=[get_live_weather_forecast]지침은 다음과 같습니다. weather_agent 그러면 야외 활동을 제안하기 전에 모델이 이 도구를 호출하도록 명시적으로 지시할 수 있습니다.

테스트 중에 "타호 호수 근처에서 하이킹을 하고 싶은데, 날씨는 어떤가요?"와 같은 질문을 하면 해당 도구가 바로 실행됩니다.상담원의 임무와 지침에 따라 실시간 예측을 활용한 후 요금제를 추천해야 하기 때문입니다. 이 패턴은 재고, 가격, CRM, 분석 등 함수로 래핑할 수 있는 모든 백엔드 API에도 적용할 수 있습니다.

에이전트를 도구로 활용하는 패턴: 전문가 팀 구축

ADK는 모든 책임을 하나의 거대한 에이전트에 몰아넣는 대신, 더 작은 규모의 전문가들로 구성된 팀을 만들도록 권장합니다.핵심은 에이전트를 도구처럼 활용하는 '에이전트-어-어-툴' 패턴입니다. 즉, 한 에이전트가 다른 에이전트를 마치 또 다른 도구처럼 호출할 수 있다는 것입니다.

코드랩에서 진행되는 일반적인 시연에서는 계층형 여행 계획 시스템을 구축합니다.:

전문 에이전트 좁은 영역을 처리합니다: a food_critic_agent 그것은 단지 레스토랑만 제안합니다. db_agent 호텔 데이터를 조회하는 것과 concierge_agent 사용자와의 상호 작용을 위한 정중한 도우미 역할을 합니다.

컨시어지조차 음식 평론가를 도구로 취급한다.레스토랑 선정은 평론가에게 맡기고, 그 결과를 보다 사용자 친화적인 언어로 다시 표현하는 것입니다.

최상위에는 오케스트레이터 에이전트가 있습니다. trip_data_concierge_agent이들의 역할은 사용자의 전반적인 요청을 이해하고 전용 래퍼 함수를 ​​통해 어떤 전문가를 호출할지 결정하는 것입니다. call_db_agent call_concierge_agent.

"호텔과 근처 레스토랑을 찾아줘"와 같은 쿼리를 실행하면도구에서 생성된 로그를 보면 위임 과정이 나타납니다. 오케스트레이터는 호텔 관련 문의를 위해 DB 에이전트를 호출하고, 호텔 관련 문의는 컨시어지 에이전트를 호출하며, 컨시어지 에이전트는 다시 음식 평론가를 호출합니다. 각 에이전트는 오케스트레이터가 전체적인 구성을 처리하는 동안 자신의 영역에 집중합니다.

이 접근 방식은 AgentKit 2.0이 16개의 특수 에이전트를 구성하는 방식과 매우 유사합니다. 프런트엔드, 백엔드, 보안, 테스트 및 인프라 전반에 걸쳐 적용됩니다. 각 에이전트는 도메인별 기술(React 모범 사례, 데이터베이스 설정, 보안 감사, 배포 흐름 등)을 제공하며, 오케스트레이터는 이러한 에이전트들을 조합하여 "사용자 인증 모듈 구축 및 배포"와 같은 더 큰 목표를 달성합니다.

에이전트에게 메모리 부여하기: 세션 및 적응형 계획

진정으로 똑똑하게 느껴지려면 에이전트는 여러 턴에 걸쳐 맥락을 기억해야 합니다.피드백에 따라 계획을 조정하는 것이지, 모든 메시지를 새로운 시작으로 받아들이는 것이 아닙니다. 바로 이 부분에서 세션 관리와 메모리 관리가 중요해집니다.

ADK 코드랩에서 여러 날짜에 걸친 여행 계획 에이전트는 정상적인 메모리와 손상된 메모리의 차이를 보여줍니다.. 다음과 같은 함수 create_multi_day_trip_agent() 점진적인 계획 수립, 선택 사항 기억, 그리고 수정 사항에 대한 사려 깊은 대응을 강조하는 지침을 제공하는 에이전트를 설정합니다.

적응형 데모는 여러 턴 동안 단일 세션 객체를 재사용합니다.:

1을 돌려사용자가 2일 여행 계획을 요청하고 상담원이 1일차 활동을 제안합니다.

2을 돌려사용자가 성에 관심이 없다고 말합니다. 세션에 이전 일정이 저장되어 있으므로 상담원은 어느 부분을 조정해야 하는지 알고 다른 세부 정보는 그대로 유지하면서 해당 부분에 대한 대안을 제시합니다.

3을 돌려사용자가 변경 사항을 확인하고 다음 단계를 문의하면 상담원은 이전의 모든 상황을 인지한 상태에서 2일차 계획을 계속 진행합니다.

대조적인 "실패" 사례 시연은 매 턴마다 새로운 경험을 제공합니다.상담원은 첫 번째 질문에는 정확하게 답변했지만, 사용자가 나중에 "2일차"를 언급했을 때 새 세션에는 기록이 없어 상담원은 사실상 기억상실증에 걸린 것처럼 요청을 이전 계획과 연결할 수 없게 됩니다.

핵심은 간단하지만 근본적입니다. 지속적인 대화에는 지속적인 회의가 필요합니다.실제 운영 시스템에서는 API 호출, 기기, 심지어 사용자 간에도 세션 상태를 유지하고 검색해야 합니다. 특히 워크플로가 며칠 또는 몇 주에 걸쳐 진행되는 경우에는 더욱 그렇습니다.

라우터 에이전트: 문의 사항을 적절한 전문가에게 전달합니다.

상담원 및 전문 기술 목록이 늘어남에 따라, 들어오는 각 요청을 적합한 전문가에게 배정하는 메커니즘이 필요합니다.그것이 바로 라우터 에이전트의 역할이며, 라우터 에이전트는 다중 에이전트 아키텍처에서 작지만 매우 중요한 구성 요소입니다.

라우터의 주요 역할은 사용자 질문에 직접 답변하는 것보다는 분류하는 것입니다.일반적으로 해당 명령어는 사용자 쿼리를 읽고 해당 작업에 가장 적합한 에이전트(또는 워크플로)의 이름만 출력하도록 지시합니다.

코드랩의 다중 에이전트 섹션에서 라우터는 다양한 도메인 에이전트 중에서 하나를 선택합니다. 예를 들어 당일치기 여행 계획 도우미, 맛집 정보 제공 도우미 또는 교통 정보 제공 도우미 등이 있습니다. 실행 함수는 먼저 라우터에 경로를 요청한 다음, 간단한 조건 논리를 사용하여 라우터의 응답에 따라 적절한 전문가를 호출합니다.

이 패턴은 AgentKit 2.0에서 설명하는 다중 에이전트 오케스트레이션 방식과 일치합니다.여기서 오케스트레이터 에이전트는 상위 수준 목표를 수신하고, 스키마 설계를 데이터베이스 에이전트에 위임하고, 폼 스캐폴딩을 프런트엔드 에이전트에 위임하고, 보안 검토를 실행한 다음 배포 에이전트에 전달하고, 마지막으로 차이점과 URL을 취합하여 사용자에게 일관된 요약을 제공합니다.

SequentialAgent: 순서가 지정된 다단계 워크플로우 오케스트레이션

일부 작업은 자연스럽게 순차적인 단계로 나뉘며, 한 단계의 결과물이 다음 단계로 이어집니다.예를 들어, "팔로알토에서 가장 맛있는 스시집을 찾고, 그곳에 가는 방법을 알려줘"라는 요청은 분명히 먼저 정보를 찾는 단계와 그 다음 길찾기 단계를 필요로 합니다.

ADK는 특수 워크플로우 에이전트를 제공하며, 이를 흔히 워크플로우 에이전트라고 부릅니다. SequentialAgent이러한 체인을 깔끔하게 관리하기 위해수동으로 오케스트레이션 로직을 작성하는 대신, 하위 에이전트 목록과 공유 상태 키를 정의하면 프레임워크가 순서 지정 및 데이터 전달을 처리합니다.

코드랩 예제에서, 푸디 에이전트는 결과를 출력하도록 리팩토링되었습니다. output_key 처럼 "destination"운송 담당자의 지침에는 다음과 같은 자리 표시자가 포함됩니다. {destination} ADK는 공유 상태에 저장된 값으로 해당 영역을 자동으로 채웁니다.

전체 워크플로 에이전트라고 가정해 봅시다. find_and_navigate_agent,는 다음과 같이 구성됩니다. SequentialAgent 고정된 순서로 하위 에이전트가 있는 경우 처럼 [foodie_agent, transportation_agent]이 기능은 호출될 때 발신자 관점에서는 단일 에이전트처럼 동작하지만, 내부적으로는 두 단계를 조정하고 공유 상태를 관리합니다.

이 접근 방식은 오케스트레이션 코드를 획기적으로 단순화합니다.조건부 트리와 임시 데이터 연결 방식은 사라지고, 하위 에이전트와 키에 대한 선언적 정의로 대체됩니다. 또한 각 하위 에이전트가 모듈식으로 유지되어 다른 체인에서 재사용할 수 있으므로 워크플로우를 테스트하고 확장하기가 더 쉬워집니다.

LoopAgent: 플래너, 크리틱, 리파이너를 활용한 반복적 정제

많은 실제 문제들은 단번에 해결하는 것보다 반복적인 개선을 통해 더 나은 결과를 얻을 수 있습니다.계획을 세우고, 검토하고, 다듬고, 원하는 품질 기준에 도달할 때까지 이 과정을 반복하는 것을 생각해 보세요. 반복적인 워크플로는 이러한 요구 사항을 충족합니다.

ADK는 이러한 패턴을 포착합니다. LoopAgent종료 조건이 발생할 때까지 일련의 하위 에이전트를 반복적으로 실행하는 워크플로 에이전트입니다.이는 공식적인 기준에 따라 자신의 결과물을 스스로 검토하고 수정해야 하는 "완벽주의적" 상담원에게 이상적입니다.

일반적인 루프 구성에는 세 가지 역할이 포함됩니다.계획 수립 에이전트는 초기 계획을 생성하고, 비판 에이전트는 제약 조건에 따라 계획을 평가하며, 개선 에이전트는 비판 에이전트의 피드백을 바탕으로 계획을 수정하거나 다시 작성합니다.

루프 정의는 이러한 역할들을 최대 반복 횟수를 가진 사이클로 연결합니다. 예를 들어 무한 루프를 방지하기 위해 max_iterations=3각 단계에서 비평가는 계획이 수용 가능한지 여부를 판단합니다. 수용할 수 없는 경우, 개선 도구는 수정된 버전을 생성하고 이 과정이 반복됩니다.

루프를 종료하려면 일반적으로 특수 도구가 필요합니다.같은 exit_loop정제 담당자는 비평가의 평가가 긍정적으로 바뀌면 이 기능을 호출합니다. 이때 최종 검증된 계획이 사용자에게 반환되거나 하위 에이전트로 전달됩니다.

이 패턴은 아키텍처 설계, 보안 검토 또는 콘텐츠 제작과 같은 영역에서 특히 유용합니다.단발적인 답변으로는 충분하지 않은 경우가 많고, 내장된 비판적 검토 과정을 통해 평균적인 품질을 상당히 향상시킬 수 있는 환경입니다.

ParallelAgent: 동시 실행 서브 에이전트를 사용하여 작업 속도 향상

사용자 요청의 각 부분이 서로 독립적일 경우, 순차적으로 처리하면 시간이 낭비됩니다.예를 들어, "오늘 밤 박물관, 콘서트, 그리고 훌륭한 레스토랑을 찾아줘"라는 검색은 각 검색이 이전 검색을 기다릴 필요가 없습니다.

병렬 워크플로는 여러 전문가를 동시에 투입함으로써 이 문제를 해결합니다.ADK에서는, ParallelAgent 여러 하위 에이전트를 동시에 실행한 다음, 공유 상태와 최종 합성 단계를 통해 결과를 병합합니다.

일반적인 설정에서는 세 개의 도메인별 에이전트를 정의합니다. 처럼 museum_finder, concert_finder restaurant_finder, 각자의 output_key 공유 상태에서 병렬 에이전트는 세 가지 작업을 모두 병렬로 실행하므로 전체 시간은 세 에이전트 모두의 합이 아니라 가장 느린 단일 에이전트의 실행 시간에 가깝습니다.

이러한 에이전트들이 작업을 완료하면, 합성 에이전트가 다음과 같은 자리 표시자를 읽습니다. {museum_result}, {concert_result} {restaurant_result} 공유 상태에서그런 다음 세 가지 정보를 모두 통합하여 일관성 있고 사용자 친화적인 답변을 구성합니다.

이 패턴은 AgentKit 2.0의 오케스트레이션 흐름에서 설명하는 "병렬 실행"의 이점을 반영합니다.독립적인 하위 에이전트들은 각자의 기술에 따라 격리된 상태에서 동시에 작업을 수행하므로 서로의 컨텍스트를 오염시키지 않으며, 오케스트레이터는 전반적인 오류 허용 및 감사 가능성을 유지합니다.

AgentKit 2.0, 커뮤니티 스킬 및 모듈형 에이전트 오케스트레이션

AgentKit 2.0은 ADK 스킬과 에이전트로 구성된 성숙한 생태계가 실제로 어떤 모습인지 보여줍니다.이 제품에는 프런트엔드, 백엔드, 보안, 테스트 및 인프라를 아우르는 16개의 전문 에이전트가 포함되어 있으며, 각 에이전트는 도메인 기술을 사전 갖추고 있어 복잡한 하위 작업을 자율적으로 처리할 수 있습니다.

40개 이상의 분야별 핵심 역량이 기본적으로 포함되어 있습니다.인증 흐름, 데이터베이스 구성, 실시간 배포 및 성능 모니터링과 같은 반복적으로 나타나는 영역을 다룹니다. 이러한 부분은 최신 기술 스택에서 엔지니어링 시간이 가장 많이 소요되는 부분입니다.

그뿐 아니라, 더 넓은 커뮤니티에서 1,000개 이상의 유지 관리된 기술을 제공합니다.Agent MD와 같은 프레임워크와 함께 이러한 스킬을 활용하면 에이전트가 상세한 운영 규칙을 해석하고 대규모의 복잡한 코드베이스와 다계층 배포 환경 전반에 걸쳐 일관되게 적용할 수 있습니다.

핵심 철학은 모듈식 에이전트 기반 개발입니다.하나의 거대 에이전트가 모든 것을 처리하려고 하는 대신, 각 분야의 전문가들로 구성된 팀을 만들어 이들을 조율합니다. 각 에이전트는 자신의 영역에 필요한 기술만 로드하며, 이는 기술 수준에서 사용되는 것과 동일한 점진적 공개 모델과 일치합니다.

일반적인 오케스트레이션 흐름은 명확한 패턴을 따릅니다.오케스트레이터 에이전트는 최상위 목표를 수신하고, 데이터베이스 설계를 DB 에이전트(스키마 스킬 사용)에 인계하고, UI 스캐폴딩을 프런트엔드 에이전트(React 모범 사례 스킬 사용)에 전달하고, 보안 에이전트를 실행하여 감사를 수행한 후, 배포 에이전트에게 InForge와 같은 인프라에 배포하도록 요청합니다. 이 과정 전반에 걸쳐 오케스트레이터는 결과를 수집하고, 필요한 경우 실패한 단계를 재시도하며, 감사 목적으로 상호 작용을 기록합니다.

이러한 아키텍처는 성능과 안정성을 향상시킬 뿐만 아니라, 커뮤니티 기술 보유자가 수천 명에 달할 정도로 성장함에 따라 확장성도 확보합니다.이제 더 이상 모든 것을 다 아는 "만능 해결사" 한 명이 필요하지 않습니다. 대신, 각 구성원이 자신의 전문 분야에서 뛰어난 역량을 발휘하는 조직적인 팀에 의존하게 됩니다.

실습: macOS, Linux 및 Windows에서 ADK 웹 에이전트를 로컬로 실행하기

이러한 개념들은 실제 ADK 기반 에이전트를 여러분의 컴퓨터에 실행해 보면 훨씬 더 명확해집니다.예제 저장소에 제공된 ADK 웹 설정은 간단한 웹 인터페이스를 갖춘 당일 여행 계획 에이전트를 로컬에서 실행할 수 있도록 해줍니다.

시작하기 전에 몇 가지 사전 준비 사항이 필요합니다.Python 3.8 이상(3.9 이상 권장), Google AI Studio API 키 및 인터넷 연결이 필요합니다. 최신 Python 버전을 설치하려면 다음 단계를 따르세요. google-adk==1.5.0반면 Python 3.8 사용자는 호환되는 버전을 사용해야 합니다. google-adk==0.3.0.

macOS와 Linux의 기본 설치 과정은 저장소를 복제하고 가상 환경을 설정하는 것으로 시작됩니다.. 실행 후 git clone cd 프로젝트에 참여하려면 자동 스크립트를 실행하거나 다음과 같은 방법을 사용할 수 있습니다. ./setup_venv.sh (실행 권한을 부여한 후) 또는 수동으로 가상 환경을 생성하고 활성화합니다. python3 -m venv .adk_env source .adk_env/bin/activate, 다음 pip install -r requirements.txt.

중요한 단계는 환경 변수를 설정하는 것입니다. .env 에 파일을 agent/ 예배 규칙서이 파일을 생성하고 편집기에서 열어 다음과 같은 줄을 추가합니다. GOOGLE_GENAI_USE_VERTEXAI=FALSE GOOGLE_API_KEY=your_actual_api_key_here플레이스홀더를 실제 API 키로 바꾸세요. 이 단계를 건너뛰면 에이전트가 기본 모델을 호출하지 못합니다.

환경이 활성화되면 간단히 실행하기만 하면 됩니다. adk web 로컬 웹 인터페이스를 시작하려면터미널에는 일반적으로 URL이 표시됩니다. http://localhost:8000브라우저를 열고 선택할 수 있는 곳입니다. agent 드롭다운 메뉴에서 옵션을 선택하고 당일 여행 계획 담당자와 채팅을 시작하세요. 채팅이 끝나면 가상 환경을 비활성화하면 됩니다. deactivate 명령.

Windows 사용자도 명령 프롬프트 또는 PowerShell을 사용하여 매우 유사한 패턴을 따릅니다.저장소를 복제하고 해당 저장소로 이동한 후에는 다음과 같은 편리한 스크립트를 실행할 수 있습니다. setup_venv.bat 또는 다음을 사용하여 수동으로 가상 환경을 생성합니다. python -m venv .adk_env 그리고 다음을 통해 활성화하세요 .adk_env\Scripts\activate 명령 프롬프트에서 또는 .adk_env\Scripts\Activate.ps1 PowerShell에서.

The .env Windows의 파일은 같은 위치에 있습니다. agent\ 예배 규칙서예를 들어 ~로 생성됨 type nul > agent\.env 메모장을 사용하여 편집합니다. 그런 다음 동일한 키-값 쌍을 추가하여 Google AI 액세스를 구성합니다. PowerShell에서 실행 정책 문제가 발생하는 경우 다음과 같은 명령을 사용할 수 있습니다. Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser 로컬 스크립트에 대한 문제를 해결합니다.

필요한 패키지를 설치하고 환경 변수를 구성한 후 실행하세요. adk web 브라우저 기반 상담원과 동일한 환경을 제공합니다. Windows, macOS 또는 Linux에서와 마찬가지로 언제든지 환경을 비활성화할 수 있습니다. deactivate.

종합적으로 볼 때, 스킬, 점진적 정보 공개 및 다중 에이전트 오케스트레이션을 갖춘 ADK 에이전트는 확장 가능하고 안전하며 고도로 전문화된 AI 시스템을 구축하는 강력한 방법을 제공합니다. 실제 소프트웨어 워크플로우에 부합하는 AI를 구축할 수 있습니다. 견고한 디자인 패턴으로 스킬을 구조화하고, 에이전트를 자체 도구 및 API에 연결하고, 라우터, 순차, 루프 및 병렬 에이전트를 활용하고, 로컬 또는 클라우드 환경에서 설정을 실행함으로써, 팀은 단순한 챗봇에서 개발자, 분석가 및 운영자와 함께 일상 업무에서 협력하는 강력한 AI 협업 도구로 발전할 수 있습니다.