아티클 목록으로
AI 에이전트

Gemini API Managed Agents 업데이트: 3.6 Flash, hooks, 예산 제어 추가

약 3분 소요

도입

Google은 Gemini API의 Managed Agents를 단순한 에이전트 호출 기능에서 실제 운영 환경에 더 가까운 자동화 계층으로 확장하고 있다. 이번 업데이트의 핵심은 기본 모델을 Gemini 3.6 Flash로 바꾼 것에 그치지 않는다. 환경 hooks, 토큰 예산 상한, 예약 실행, 무료 티어 접근, 샌드박스 관리 API까지 추가되면서 개발팀이 에이전트를 더 통제 가능한 방식으로 사용할 수 있게 됐다.

핵심 내용

  • Gemini 3.6 Flash가 기본 모델로 적용: antigravity-preview-05-2026 에이전트는 이제 기본적으로 Gemini 3.6 Flash에서 실행된다. 기존 코드를 바꾸지 않아도 다음 상호작용부터 새 기본값이 적용된다. Google은 이 모델을 추론, 코딩, 도구 사용에 균형 잡힌 선택지로 설명한다.
  • 모델 선택은 계속 가능: 개발자는 agent_config.model을 통해 Gemini 3.5 Flash나 Gemini 3.5 Flash-Lite 등을 명시적으로 선택할 수 있다. Flash-Lite는 낮은 지연시간과 비용을 중시하는 경우에 맞는 옵션이다.
  • 환경 hooks로 실행 흐름 제어: 샌드박스에 .agents/hooks.json을 두면 에이전트가 도구를 호출하기 전이나 후에 사용자 정의 스크립트를 실행할 수 있다. matcher를 통해 코드 실행, 파일 쓰기 등 특정 도구만 대상으로 삼을 수도 있다.
  • 차단, lint, 감사 워크플로 지원: pre-tool hook이 거부 결정을 반환하면 해당 도구 호출은 건너뛰고, 거부 이유가 모델 컨텍스트에 전달된다. post-tool hook은 포매팅, 검증, 감사 같은 후처리에 활용할 수 있다. 외부 엔드포인트로 POST하는 HTTP handler도 지원된다.
  • 예산 제어로 과도한 사용 방지: Managed Agents는 여러 턴의 자율 루프를 실행할 수 있어 토큰 사용량이 커질 수 있다. max_total_tokens를 설정하면 입력, 출력, thinking을 포함한 총 토큰 사용량에 상한을 둘 수 있다. 상한에 도달하면 작업은 incomplete 상태로 멈추고 환경 상태는 보존된다.
  • scheduled triggers로 반복 작업 자동화: 에이전트, 환경, 프롬프트, cron 스케줄을 묶어 지속적인 트리거를 만들 수 있다. 각 실행은 같은 샌드박스를 재사용하므로 파일이 실행 사이에 유지될 수 있다.
  • 무료 티어와 환경 관리 확대: Managed Agents는 이제 무료 티어 프로젝트에서도 사용할 수 있다. Environments API는 샌드박스 세션을 나열, 확인, 삭제하는 기능을 제공한다.

의미와 영향

이번 업데이트에서 가장 중요한 변화는 에이전트의 능력 자체보다 그 능력을 통제하는 방식이 강화됐다는 점이다. 코드를 실행하고, 패키지를 설치하고, 파일을 수정하는 에이전트는 반드시 검증과 차단 지점을 필요로 한다. 환경 hooks는 보안 게이트, 코드 스타일 검사, 품질 검증, 업무별 규칙을 에이전트가 실제로 동작하는 샌드박스 내부에 넣을 수 있는 구조를 제공한다.

예산 제어와 예약 실행도 현실적인 운영 문제를 겨냥한다. 자율 작업은 길어질 수 있고 비용을 예측하기 어렵다. 토큰 상한은 무제한 실행을 막아 주며, 상태 보존은 새 예산으로 이어서 진행할 수 있게 한다. scheduled triggers는 반복 작업을 외부 오케스트레이션 없이 더 간단하게 구성할 수 있게 해준다.

물론 이런 기능이 사람의 검토나 시스템 설계를 대체하는 것은 아니다. 어떤 hooks를 만들지, 어떤 권한을 줄지, 실패를 어떻게 처리할지는 여전히 팀의 책임이다. 다만 방향은 분명하다. Gemini API Managed Agents는 일회성 실험 도구에서 통제 가능하고 반복 실행 가능한 클라우드 작업자로 진화하고 있다.

출처: Google AI Blog

댓글

로그인 상태 확인 중…

댓글 불러오는 중…

관련 게시물

CCTest · Blog
SearchHorizonBench: AI 에이전트는 언제 다시 검색해야 할까
AI 에이전트
cctest.ai
AI 에이전트

SearchHorizonBench: AI 에이전트는 언제 다시 검색해야 할까

SearchHorizonBench는 질문 자체의 난도와 추가 검색이 가져오는 기대 이득을 분리해 AI 에이전트의 검색 결정을 평가합니다. 과거 실행 기록은 보정 성능을 높였지만, 검색 이득을 정확히 예측하는 일은 여전히 어려웠습니다.

더 보기
CCTest · Blog
The Trinity: 능력 중심으로 재귀적 자기 개선을 수행하는 멀티모달 에이전트
AI 에이전트
cctest.ai
AI 에이전트

The Trinity: 능력 중심으로 재귀적 자기 개선을 수행하는 멀티모달 에이전트

The Trinity는 작업의 표면적 형태가 아니라 여러 작업에 공통으로 필요한 능력을 중심으로 멀티모달 에이전트의 세계 생성과 Harness 진화를 연결하는 프레임워크입니다. 능력 트리와 시뮬레이션 학습, 모듈 라우팅을 하나의 개선 루프로 묶습니다.

더 보기
CCTest · Blog
RSI Arena, 인간 피드백으로 AI 에이전트가 모델을 개선할 수 있는지 검증
AI 에이전트
cctest.ai
AI 에이전트

RSI Arena, 인간 피드백으로 AI 에이전트가 모델을 개선할 수 있는지 검증

RSI Arena는 AI 에이전트가 언어 모델의 추가 학습을 자율적으로 수행하고 인간 선호 피드백을 활용해 다시 개선할 수 있는지 조사했습니다. 선호도는 대체로 높아졌지만, 벤치마크 성능과 안전성이 함께 개선되지는 않았습니다.

더 보기