5. ADK (Agent Development Kit)
ADK는 Google이 2025년 4월에 오픈소스로 공개한 코드 중심(code-first) Agent 개발 프레임워크 입니다. LangGraph, CrewAI 등과 같은 카테고리이지만, Google의 Agent 인프라(Vertex AI, A2A)와의 긴밀한 통합이 차별점입니다.기본 정보
| 항목 | 내용 |
|---|---|
| 출시 | 2025년 4월 |
| 라이선스 | Apache 2.0 (오픈소스) |
| 언어 지원 | Python v1.0 (안정), TypeScript (안정), Java v0.1 (초기) |
| 모델 | 모델 비종속(model-agnostic). Gemini, GPT, Claude, Llama 등 모두 지원 |
| 핵심 철학 | 코드 중심, 모듈화, 멀티에이전트 네이티브 |
멀티에이전트 패턴 (4가지)
Sequential 패턴: researcher -> writer -> reviewer 순차 실행 Dispatcher 패턴: 입력을 분석하여 적절한 Agent로 라우팅 Generator-Critic 패턴: 생성 → 평가 반복으로 품질 개선 Parallel 패턴: 독립 작업을 동시 실행 후 결과 병합ADK vs 다른 프레임워크 비교
| 비교 항목 | ADK | LangGraph | CrewAI | OpenAI Agents SDK |
|---|---|---|---|---|
| 주도 | Google (OSS) | LangChain (OSS) | CrewAI (OSS) | OpenAI (OSS) |
| 모델 | 모델 비종속 | 모델 비종속 | 모델 비종속 | OpenAI 중심 |
| 멀티에이전트 | 네이티브 (4가지 패턴) | 그래프 기반 | 역할 기반 | 핸드오프 기반 |
| 상태 관리 | 세션 내장 | 체크포인트 내장 | 제한적 | 제한적 |
| A2A 통합 | 네이티브 | 커뮤니티 | 커뮤니티 | 미지원 |
| 엔터프라이즈 | Vertex AI 통합 | LangSmith 통합 | 제한적 | API 기반 |
| 학습 곡선 | 중간 | 높음 (그래프 개념) | 낮음 | 낮음 |
6. Agentspace / Gemini Enterprise
Google은 2025년 10월, 기존의 Agentspace 를 Gemini Enterprise 로 리브랜딩했습니다. 이는 단순한 이름 변경이 아니라, 기업 내 AI Agent 배포를 위한 통합 엔터프라이즈 플랫폼 으로의 전략적 확장을 의미합니다.핵심 기능
| 기능 | 설명 |
|---|---|
| Agent Gallery | 기업 내에서 사용 가능한 Agent 목록을 카탈로그 형태로 제공. IT 관리자가 승인한 Agent만 노출 |
| Agent Designer | 비개발자가 시각적 인터페이스로 커스텀 Agent를 생성. Vertex AI Agent Builder의 간소화 버전 |
| Enterprise Search | Google 검색 기술 기반의 기업 내부 검색. Google Drive, SharePoint, Confluence 등 100+ 커넥터 |
| 데이터 커넥터 | SAP, Salesforce, ServiceNow, Workday 등 주요 SaaS 및 온프레미스 시스템 연동 |
| 보안 & 컴플라이언스 | DLP, 접근 제어, 감사 로그. Google Workspace 보안 정책과 통합 |
포지셔닝 — Microsoft Copilot과의 비교
| 비교 항목 | Gemini Enterprise | Microsoft 365 Copilot |
|---|---|---|
| 기반 모델 | Gemini 2.5 Pro | GPT-4o |
| 검색 기술 | Google Search 기술 (강점) | Microsoft Graph + Bing |
| 오피스 통합 | Google Workspace 네이티브 | Microsoft 365 네이티브 |
| Agent 확장 | Agent Gallery + ADK | Copilot Studio + AI Agents |
| 타겟 고객 | Google Workspace 기업 | Microsoft 365 기업 |
| 커넥터 | 100+ (빠르게 확장 중) | 1000+ (성숙) |
7. 소비자 Agent 제품군
Jules — AI 코딩 Agent
| 항목 | 내용 |
|---|---|
| 발표 | 2024년 12월 (프리뷰), 2025년 8월 (GA) |
| 모델 | Gemini 2.5 Pro |
| 핵심 기능 | GitHub 이슈 자동 해결, 코드 변경 생성, PR 자동 생성 |
| 실행 환경 | 클라우드 VM (샌드박스) |
Project Mariner — 브라우저 Agent
| 항목 | 내용 |
|---|---|
| 발표 | 2024년 12월 |
| 핵심 기능 | 웹 브라우저를 자율적으로 조작하여 복잡한 웹 작업 수행 |
| 사용 가능 | AI Ultra 구독 ($249.99/월) 필요 |
Project Astra — 실시간 멀티모달 Agent
| 항목 | 내용 |
|---|---|
| 비전 | ”모든 것을 보고, 듣고, 이해하는” 범용 AI 비서 |
| 입력 | 카메라(실시간 영상), 마이크(음성), 화면 공유 |
| 디바이스 | 스마트폰, 스마트 글래스(프로토타입), 데스크톱 |
NotebookLM — 연구 워크스페이스
| 항목 | 내용 |
|---|---|
| 목적 | 문서 기반 AI 연구 도우미 |
| 컨텍스트 | 최대 1M 토큰 (약 100만 단어 분량) |
| 소스 | 최대 300개 소스 문서 |
| 핵심 기능 | 소스 기반 Q&A, 요약, 브리핑 문서 생성, 오디오 개요(Audio Overview) |
8. ADK 멀티에이전트 패턴 심화
패턴 선택 가이드
| 패턴 | 최적 유스케이스 | 핵심 특성 |
|---|---|---|
| Sequential | 명확한 단계별 파이프라인 | 예측 가능, 디버깅 용이, 순서 보장 |
| Dispatcher | 입력 유형에 따라 다른 전문가가 처리해야 하는 경우 | 라우팅 정확도가 핵심, 확장 용이 |
| Generator-Critic | 결과물의 품질을 반복적으로 개선해야 하는 경우 | 자기 개선, 품질 보장, 비용 증가 주의 |
| Parallel | 독립적인 여러 작업을 동시에 수행하여 응답 시간 단축 | 처리량 극대화, 결과 병합 전략 필요 |
참고 설계 원칙: 패턴 선택 시 다음을 고려하세요.
- 지연 시간(Latency): Sequential은 누적 지연, Parallel은 최대 Agent의 지연
- 비용: Generator-Critic은 반복 횟수에 비례하여 비용 증가
- 안정성: 각 Agent의 실패가 전체에 미치는 영향 분석 (blast radius)
- 관찰 가능성: 복잡한 조합일수록 모니터링/디버깅 도구 필수
9. Databricks 고객 관점의 시사점
Google Agent 생태계와 Databricks의 관계
| 영역 | Databricks | 관계 | |
|---|---|---|---|
| 모델 | Gemini 2.5 Pro | Foundation Model APIs (Gemini 포함) | Databricks에서 Gemini 호출 가능 |
| Agent 빌더 | Agent Builder + Agent Designer | Agent Bricks + Builder App | 동일 카테고리, 다른 강점 |
| 데이터 접근 | BigQuery, AlloyDB | Unity Catalog, Delta Lake | Databricks의 데이터 거버넌스가 더 성숙 |
| 프레임워크 | ADK | Agent Framework (LangGraph 기반) | 모두 오픈소스 프레임워크 위에 거버넌스 레이어 |
| 프로토콜 | A2A | MCP 지원 (A2A도 향후 고려) | 상호 보완적 |
핵심 시사점
성공 Databricks 고객을 위한 권장 사항:
- 모델 선택의 자유: Databricks Foundation Model APIs를 통해 Gemini 2.5 Pro를 호출할 수 있습니다.
- 데이터 레이어는 Databricks: Unity Catalog에 체계화된 데이터를 BigQuery로 옮길 이유는 없습니다.
- ADK는 참고, 실전은 LangGraph: ADK의 패턴은 설계 참고로 유용하지만 Databricks 환경에서는 LangGraph + Agent Framework가 더 성숙합니다.
- A2A는 관망: MCP 기반 도구 통합에 먼저 집중하세요.
- Jules/Mariner는 개인 생산성 도구: Databricks와 직접 관련되지 않지만 참고 사례로 활용 가능합니다.
10. 고객 FAQ
Q1. “Google의 AI Agent 전략이 우리 Databricks 환경에 어떤 영향을 미칩니까?”
직접적인 영향은 제한적입니다. Databricks는 모델 비종속(model-agnostic) 플랫폼이므로, Google의 Gemini 모델이 좋아질수록 Databricks 고객도 혜택을 받습니다.Q2. “A2A를 지금 도입해야 합니까?”
아닙니다. 먼저 MCP 기반의 도구 통합과 단일 Agent 성숙에 집중하세요.Q3. “ADK를 써야 합니까, LangGraph를 써야 합니까?”
Databricks 환경에서는 LangGraph를 권장 합니다. Databricks Agent Framework이 LangGraph를 네이티브로 지원하기 때문입니다.Q4. “Jules나 Mariner를 기업에서 활용할 수 있습니까?”
개인 생산성 도구로는 활용 가능하지만, 기업 워크플로에 통합하기에는 아직 이릅니다.Q5. “Gemini Enterprise와 Databricks 중 어느 것을 선택해야 합니까?”
역할이 다릅니다. Gemini Enterprise는 엔드유저를 위한 AI 비서, Databricks는 데이터 팀을 위한 AI/ML 플랫폼입니다. 두 플랫폼은 다른 레이어 에 위치합니다.Q6. “NotebookLM을 사내 지식 관리에 활용할 수 있습니까?”
기업 환경에서는 Databricks의 Vector Search + Agent Bricks(Knowledge Assistant)가 더 적합합니다.11. 참고 자료
공식 문서
- A2A Protocol Specification
- Google ADK Documentation
- Vertex AI Agent Builder
- Gemini 2.5 Pro Technical Report
- Jules
- NotebookLM
관련 가이드 (본 블로그 내)
- A2A (Agent-to-Agent) 프로토콜 — A2A 프로토콜 상세 가이드
- AI Agent 아키텍처 — Agent 아키텍처 기초
- Agent 프레임워크 생태계 — 프레임워크 비교
- MCP (Model Context Protocol) — MCP 가이드