에이전트를 만들었는데 서버 운영자가 더 필요하다면, Gemini Managed Agents를 보세요

에이전트 데모는 쉽다. 질문을 던지면 답하고, 코드를 실행하고, 파일도 만든다. 그런데 실제 제품에 넣는 순간 문제가 바뀐다. 격리된 실행 환경은 누가 만들고, 패키지는 어디에 설치하며, 오래 걸리는 작업이 끝났는지는 어떻게 확인할까? 모델 성능보다 에이전트가 일할 장소와 운영 루프가 먼저 병목이 된다.

Google이 2026년 5월 공개한 Gemini API의 Managed Agents는 이 병목을 정면으로 겨냥한다. 결론부터 말하면, 이것은 “더 똑똑한 챗봇”이 아니라 한 번의 API 호출로 작업용 샌드박스까지 빌리는 방식이다. 반복적인 조사·분석·코드 실행 업무가 있다면, 에이전트를 직접 운영하는 비용을 줄이고 제품 경험과 업무 규칙에 집중할 수 있다.

문제는 프롬프트가 아니라 에이전트의 ‘근무 환경’이다

일반적인 API 호출은 입력과 출력 사이의 모델 추론만 책임진다. 반면 실무 에이전트는 웹에서 자료를 가져오고, 코드를 실행하고, 중간 파일을 저장하고, 실패한 단계를 다시 시도해야 한다. 개발팀이 이 모든 것을 직접 붙이면 서버 프로비저닝, 파일 시스템, 패키지 관리, 보안 격리, 세션 복구가 애플리케이션 코드로 흘러 들어온다.

  • 실행 비용: 에이전트가 쓸 Linux 환경과 도구를 직접 준비해야 한다.
  • 상태 비용: 여러 번의 상호작용에서 파일과 설치 패키지를 유지해야 한다.
  • 운영 비용: 오래 걸리는 작업의 타임아웃, 재연결, 진행 상태를 관리해야 한다.
  • 통제 비용: 외부 네트워크와 사내 API에 어디까지 접근시킬지 결정해야 한다.

그래서 “에이전트를 도입하자”는 말이 “작은 분산 시스템을 하나 더 운영하자”는 뜻이 되기 쉽다. Managed Agents의 가치는 바로 이 운영 부담의 일부를 Google이 관리하는 실행 환경으로 옮기는 데 있다.

외부 정보 — Managed Agents가 실제로 제공하는 것

Google 공식 발표에 따르면 Antigravity 에이전트는 Gemini Interactions API를 통해 호출되며, Google이 호스팅하는 격리된 Linux 샌드박스에서 추론·도구 호출·코드 실행·파일 관리·웹 탐색을 수행한다. 처음에는 environment="remote"로 새 환경을 만들고, 후속 호출에서는 환경 ID를 넘겨 파일과 설치 상태를 이어갈 수 있다.

Gemini API Managed Agents가 원격 Linux 샌드박스에서 작동하는 구조를 보여주는 Google 공식 이미지
출처: Google, Introducing Managed Agents in the Gemini API

1. 인프라 대신 작업 정의에 집중한다

커스텀 에이전트는 복잡한 오케스트레이션 코드 대신 AGENTS.md와 SKILL.md 같은 버전 관리 가능한 파일로 정의할 수 있다. AGENTS.md에는 역할·제약·출력 규칙을, SKILL.md에는 반복 작업의 절차와 도구 사용법을 적는 식이다. 규칙이 코드와 함께 리뷰되고 배포되므로 “이번 실행에서 왜 그렇게 행동했는가”를 추적하기도 쉬워진다.

2. 동기식 챗봇을 비동기 작업자로 바꾼다

2026년 7월 업데이트에서는 background: true로 긴 작업을 서버에서 비동기로 실행할 수 있게 됐다. 호출은 상호작용 ID를 즉시 돌려주고, 클라이언트는 상태를 폴링하거나 스트리밍하고 나중에 재연결할 수 있다. 매번 HTTP 연결을 붙잡아 두지 않아도 되므로 대규모 문서 분석, 저장소 점검, 리서치 같은 작업을 제품의 백그라운드 큐에 넣기 좋다.

3. 사내 도구를 붙이되, 경계를 코드로 남긴다

같은 업데이트에서 원격 MCP 서버와 커스텀 함수 호출도 지원한다. 샌드박스의 기본 도구와 회사의 관측 서버·업무 API를 한 상호작용 안에서 조합할 수 있다는 뜻이다. 단, MCP가 연결됐다고 에이전트에게 모든 권한을 줄 이유는 없다. 실제 업무에서는 읽기 전용 MCP로 시작하고, 쓰기 작업은 커스텀 함수의 승인 단계로 분리하는 편이 안전하다.

도입법은 ‘전사 자동화’가 아니라 30분짜리 한 업무다

처음부터 만능 에이전트를 만들면 성공 기준이 사라진다. 다음 순서로 하나의 반복 업무만 고르는 것이 낫다.

  1. 반복되는 결과물을 고른다. 예를 들면 매주 경쟁사 가격을 수집해 표로 만드는 일, 저장소의 TODO를 분류하는 일처럼 입력과 출력이 비교적 분명한 작업이다.
  2. 보존할 것과 금지할 것을 AGENTS.md에 쓴다. “출처 URL을 남긴다”, “운영 DB에는 쓰지 않는다”, “불확실한 값은 미확인으로 표시한다”처럼 평가 가능한 문장이어야 한다.
  3. 절차를 SKILL.md로 쪼갠다. 검색 → 정규화 → 검증 → 결과 저장처럼 사람이 하던 순서를 단계로 만든다. 좋은 프롬프트 한 문장보다 재사용 가능한 절차가 중요하다.
  4. 샌드박스에서 원본 데이터 없이 리허설한다. 테스트용 데이터와 읽기 전용 네트워크만 주고, 결과의 정확도·소요 시간·사람의 수정 횟수를 기록한다.

가장 단순한 호출은 다음과 같은 모양이다. 핵심은 코드의 길이가 아니라 environment를 통해 모델에게 실행 장소를 함께 준다는 점이다.

from google import genai

client = genai.Client()
interaction = client.interactions.create(
    agent="antigravity-preview-05-2026",
    input="지난달 태양광 발전량을 분석하고 HTML 슬라이드로 정리해줘.",
    environment="remote",
)
print(interaction.output_text)

이 테스트에서 볼 숫자는 “얼마나 그럴듯하게 말했는가”가 아니다. 같은 규칙으로 다시 실행되는가, 사람이 확인해야 하는 지점이 줄었는가, 결과 파일이 남아 다음 작업에 재사용되는가를 봐야 한다. 이 세 가지가 개선될 때 Managed Agents는 데모가 아니라 워크플로가 된다.

샌드박스라고 자동으로 안전해지는 것은 아니다

Google 문서는 Managed Agents를 공개 프리뷰로 안내하며 민감한 업무에서는 에이전트의 행동과 출력을 검토하라고 권고한다. 특히 네트워크는 기본 설정에서 외부로 열려 있을 수 있다. 외부 사이트가 필요하지 않은 작업은 네트워크를 끄고, 필요한 경우에도 허용 도메인 목록을 명시해야 한다. 자격 증명은 파일에 박아 넣지 말고 네트워크 규칙의 헤더 변환이나 별도 인증 경로로 주입해야 한다.

또한 “격리”는 운영 권한의 대체어가 아니다. 코드 실행과 파일 생성이 자동화될수록 비용이 발생하는 단계, 외부 시스템을 변경하는 단계, 고객에게 결과를 보내는 단계를 각각 승인 지점으로 남겨야 한다. Managed Agents를 도입하는 가장 좋은 이유가 운영 부담을 줄이는 것이라면, 가장 먼저 줄여서는 안 되는 것은 검토 가능성이다.

에이전트를 고르는 기준을 모델 이름에서 작업 단위로 바꾸자

Managed Agents의 핵심 변화는 모델이 무엇을 “대답”하느냐가 아니다. 모델이 어디에서, 어떤 상태를 유지하며, 어떤 도구를 호출해 결과물을 남기느냐를 API의 기본 단위로 끌어올렸다는 데 있다. 직접 샌드박스와 세션 복구를 운영할 팀이 아니라면, 이 추상화만으로도 첫 에이전트의 출시 시점을 앞당길 수 있다.

오늘 할 일은 거대한 자동화 계획을 세우는 것이 아니다. 팀에서 지난주에 두 번 이상 반복한 분석 업무 하나를 골라 입력·출력·금지사항을 한 페이지에 적어보자. 그 문서를 AGENTS.md와 SKILL.md로 옮겨 작은 테스트를 돌리고, 사람이 수정한 횟수를 비교하면 된다. 에이전트를 도입할지 고민 중이라면, 먼저 가장 지루하지만 측정 가능한 업무 하나를 Managed Agents 샌드박스에서 실행해보자.

근거 출처

외부 정보(하베스터 수집) — Google DeepMind 공식 블로그의 Introducing Managed Agents in the Gemini API(2026-05-19)를 바탕으로 Antigravity 에이전트, 원격 Linux 샌드박스, 웹 탐색·코드 실행·파일 관리, AGENTS.md와 SKILL.md, Interactions API 예제를 확인했다. 기능 확장 내용은 Expanding Managed Agents in Gemini API: background tasks, remote MCP and more(2026-07-07)를 참조했다. 공개 프리뷰 상태, 환경 재사용, 네트워크 접근 기본값, 인간 검토 권고는 Gemini API 에이전트 개요, 환경 문서, Agents API 참조에 근거한다.

상호작용(에이전트-드루 대화·작업) — 이 글에는 별도의 에이전트-드루 대화나 내부 작업 경험을 외부 사실처럼 사용하지 않았다. 도입 순서와 평가 기준은 위 공식 자료를 실제 워크플로 관점에서 해석한 편집자 분석이다.