> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# Google 전략 개요 & A2A 프로토콜

> 이 문서는 **[GenAI 개념](/blog/guides/genai-concepts/overview)** 섹션의 일부입니다.

Google은 AI Agent 시대에 **Full-Stack Agent 플랫폼** 전략을 추구합니다. 모델(Gemini), 프로토콜(A2A), 프레임워크(ADK), 빌더 플랫폼(Vertex AI Agent Builder), 엔터프라이즈 배포(Agentspace/Gemini Enterprise), 소비자 에이전트(Jules, Mariner, Astra)까지 -- 에이전트의 전체 생애주기를 수직 통합하는 것이 핵심입니다.

> **참고**
> **학습 목표**

* Google의 AI Agent 전략이 다른 빅테크(Microsoft, Amazon, Anthropic)와 어떻게 다른지 설명할 수 있다
* A2A 프로토콜의 설계 원칙과 MCP와의 관계를 이해한다
* Vertex AI Agent Builder의 구성 요소와 엔터프라이즈 Agent 구축 방법을 파악한다
* ADK(Agent Development Kit)의 멀티에이전트 패턴을 코드 수준에서 이해한다
* Google의 소비자 에이전트(Jules, Mariner, Astra)의 현재 상태와 전략적 위치를 분석한다
* Databricks 고객 관점에서 Google Agent 생태계의 시사점을 도출한다

***

## 1. 전략 개요 -- Google의 Full-Stack Agent 비전

Google의 AI Agent 전략은 **"모델에서 프로토콜까지, 하나의 생태계로"** 라는 비전 아래 설계되었습니다. 이는 OpenAI(모델 + API 중심), Microsoft(Copilot + Azure 통합 중심), Anthropic(모델 품질 + 안전성 중심)과는 근본적으로 다른 접근입니다.

### Google Agent 스택 전체 구조

| 레이어        | 구성 요소                             | 역할                           |
| ---------- | --------------------------------- | ---------------------------- |
| **모델**     | Gemini 2.5 Pro, Deep Think        | Agent의 두뇌. 추론, 계획, 코드 생성     |
| **프로토콜**   | A2A (Agent-to-Agent)              | Agent 간 통신 표준. MCP와 상호 보완    |
| **프레임워크**  | ADK (Agent Development Kit)       | 코드 중심 Agent 개발. 멀티에이전트 패턴 내장 |
| **빌더**     | Vertex AI Agent Builder           | 노코드/로우코드 Agent 구축 + 거버넌스     |
| **엔터프라이즈** | Agentspace / Gemini Enterprise    | 기업 내 Agent 배포, 검색, 갤러리       |
| **소비자**    | Jules, Mariner, Astra, NotebookLM | 특화 도메인별 에이전트 제품              |

> **주의**
> **전략적 맥락**: Google은 검색 시장에서의 지배력이 AI Agent 시대에 약화될 수 있다는 위기감을 갖고 있습니다. 사용자가 "검색" 대신 "에이전트에게 질문"하는 패턴으로 이동하면, 광고 기반 수익 모델의 근간이 흔들립니다. 이것이 Google이 Agent 생태계 전체를 수직 통합하려는 핵심 동기입니다.

### 타임라인

| 시기      | 이벤트                                           | 의미                       |
| ------- | --------------------------------------------- | ------------------------ |
| 2024.12 | Gemini 2.0 Flash + Project Mariner, Jules 발표  | 소비자 Agent 시장 진출 선언       |
| 2024.12 | Project Astra 데모                              | 실시간 멀티모달 Agent 비전        |
| 2025.03 | Gemini 2.5 Pro 출시, Vertex AI Agent Builder GA | Agent의 두뇌 + 빌더 플랫폼 동시 완성 |
| 2025.04 | A2A 프로토콜 v0.2 공개, ADK v1.0(Python) 출시         | 프로토콜 + 프레임워크 레이어 확립      |
| 2025.06 | A2A v0.3 (gRPC 지원)                            | 프로토콜 성능 강화               |
| 2025.08 | Jules GA 출시                                   | 코딩 Agent 상용화             |
| 2025.10 | Agentspace -> Gemini Enterprise 리브랜딩          | 엔터프라이즈 Agent 플랫폼 본격화     |
| 2025.11 | A2A, Linux Foundation에 기부                     | 개방형 표준으로의 전환             |

***

## 2. A2A 프로토콜 (Agent-to-Agent)

A2A는 Google이 2025년 4월에 공개한 **Agent 간 통신을 위한 개방형 프로토콜** 입니다. 서로 다른 프레임워크, 벤더, 언어로 구현된 Agent들이 상호 운용(interoperate)할 수 있도록 하는 것이 목표입니다.

### 핵심 설계 원칙

| 원칙                    | 설명                                                                                 |
| --------------------- | ---------------------------------------------------------------------------------- |
| **Agent Card**        | 각 Agent가 자신의 능력(capabilities), 입력/출력 형식, 인증 방식을 JSON으로 기술하는 자기 소개서                 |
| **Task 기반 통신**        | Agent 간 상호작용은 Task(작업) 단위로 이루어짐. 상태 머신: `submitted -> working -> completed/failed` |
| **Streaming 지원**      | SSE(Server-Sent Events) 기반 실시간 스트리밍. v0.3부터 gRPC도 지원                               |
| **Push Notification** | 장시간 실행 Task에 대한 비동기 알림 지원                                                          |
| **Opaque 실행**         | 요청하는 Agent는 실행 Agent의 내부 구현을 알 필요 없음 (캡슐화)                                         |

### A2A vs MCP -- 상호 보완 관계

> **참고**
> **핵심**: A2A와 MCP는 경쟁이 아닌 **상호 보완** 관계입니다. MCP는 "Agent가 도구를 어떻게 사용하는가"(수직적), A2A는 "Agent가 다른 Agent와 어떻게 대화하는가"(수평적)를 정의합니다.

| 비교 항목      | A2A                           | MCP (Anthropic)            |
| ---------- | ----------------------------- | -------------------------- |
| **목적**     | Agent-to-Agent 통신             | Agent-to-Tool 연결           |
| **관계 유형**  | 대등한 피어(peer-to-peer)          | 클라이언트-서버 (Agent가 Tool을 호출) |
| **추상화 수준** | 고수준 (Task, 대화, 협업)            | 저수준 (함수 호출, 데이터 조회)        |
| **상태 관리**  | Task 상태 머신 내장                 | 상태 없음 (stateless)          |
| **스트리밍**   | SSE + gRPC                    | SSE                        |
| **표준화 기구** | Linux Foundation 기부 (2025.11) | 오픈 소스 (Anthropic 주도)       |
| **생태계 규모** | 150+ 참여 조직                    | 수천 개 커뮤니티 서버               |

### Agent Card 예시

```json theme={null}
{
  "name": "expense-report-agent",
  "description": "경비 보고서를 자동으로 생성하고 승인 워크플로를 관리합니다",
  "url": "https://agents.example.com/expense",
  "version": "1.2.0",
  "capabilities": {
    "streaming": true,
    "pushNotifications": true,
    "stateTransitionHistory": true
  },
  "authentication": {
    "schemes": ["OAuth2"],
    "credentials": "https://auth.example.com/.well-known/oauth"
  },
  "defaultInputModes": ["text/plain", "application/json"],
  "defaultOutputModes": ["text/plain", "application/json", "image/png"],
  "skills": [
    {
      "id": "create-report",
      "name": "경비 보고서 생성",
      "description": "영수증 이미지와 설명을 받아 경비 보고서를 생성합니다",
      "tags": ["finance", "expense", "report"]
    },
    {
      "id": "approval-workflow",
      "name": "승인 워크플로",
      "description": "생성된 보고서에 대한 다단계 승인을 관리합니다",
      "tags": ["workflow", "approval"]
    }
  ]
}
```

### 현실적 평가

> **주의**
> **솔직한 평가**: A2A는 비전은 매력적이나, 2025년 말 현재 실제 도입 속도는 예상보다 느립니다.

* **150+ 참여 조직** 이라는 숫자는 "관심 표명" 수준이며, 프로덕션 배포는 소수
* MCP가 "도구 연결"이라는 즉각적인 실용성으로 빠르게 확산된 반면, A2A의 "Agent 간 협업"은 아직 대부분의 기업에서 필요 단계에 도달하지 않음
* Linux Foundation 기부는 중립성을 높이려는 시도이나, 실제 거버넌스 주도권은 여전히 Google에 집중
* gRPC 지원(v0.3)은 대규모 배포에서의 성능 문제를 해결하려는 진전

**결론**: A2A는 "필요할 때 알아야 하는 기술"이지, "지금 당장 도입해야 하는 기술"은 아닙니다. 하지만 멀티에이전트 시스템이 보편화되면 핵심 인프라가 될 가능성이 높습니다.

***

## 3. Vertex AI Agent Builder

Vertex AI Agent Builder는 Google Cloud의 **엔터프라이즈 Agent 구축 플랫폼** 으로, 2025년 3월 GA(General Availability)되었습니다. "코드를 모르는 비즈니스 사용자부터 코드를 선호하는 개발자까지" 모두를 타겟으로 합니다.

### 핵심 구성 요소

| 구성 요소               | 역할             | 상세                                                     |
| ------------------- | -------------- | ------------------------------------------------------ |
| **Agent Engine**    | Agent 런타임 + 관리 | Agent 실행, 세션 관리, 메모리, 로깅. ADK/LangGraph 등 다양한 프레임워크 지원 |
| **Agent Designer**  | 노코드 Agent 빌더   | 드래그 앤 드롭으로 Agent 워크플로 설계. 비개발자용                        |
| **Tool Governance** | 도구 접근 제어       | 어떤 Agent가 어떤 Tool을 사용할 수 있는지 중앙에서 관리. IAM 연동           |
| **Context Layers**  | 문맥 관리          | 세션 문맥, 사용자 프로필, 조직 정책 등 다층 문맥 주입                       |
| **Agent Identity**  | Agent 인증/인가    | 각 Agent에 고유 ID 부여. OAuth, OIDC 기반 인증. 감사 추적            |

### Tool Governance -- 핵심 차별점

Tool Governance는 엔터프라이즈 환경에서 **"어떤 Agent가 어떤 Tool을 언제 사용할 수 있는가"** 를 중앙에서 관리합니다.

| 정책 유형       | 예시                                 |
| ----------- | ---------------------------------- |
| **접근 제어**   | "경비 에이전트는 SAP API만 호출 가능"          |
| **승인 워크플로** | "1000만원 이상 결제 Tool 호출 시 관리자 승인 필요" |
| **사용량 제한**  | "분당 최대 100회 외부 API 호출"             |
| **데이터 분류**  | "PII 데이터를 포함하는 Tool은 특정 Agent만 접근" |
| **감사 로그**   | "모든 Tool 호출을 Cloud Audit Logs에 기록" |

***

## 4. Gemini 2.5 Pro & Deep Research

Gemini 2.5 Pro는 2025년 3월 출시된 Google의 최신 플래그십 모델로, **Agent의 두뇌** 역할을 합니다.

### 핵심 역량

| 역량                 | 설명                                                        |
| ------------------ | --------------------------------------------------------- |
| **Thinking Model** | 답변 전에 내부적으로 추론 과정(chain-of-thought)을 수행. "생각하는 모델"        |
| **Deep Think**     | 복잡한 문제에 대해 더 깊은 추론을 수행하는 모드. 수학, 코딩, 과학 문제에서 탁월           |
| **1M+ Context**    | 100만 토큰 이상의 컨텍스트 윈도우. 대규모 코드베이스, 긴 문서 전체를 한 번에 처리         |
| **네이티브 Tool Use**  | Function Calling이 모델 학습 과정에 내장. 별도의 프롬프트 엔지니어링 없이 Tool 사용 |
| **멀티모달**           | 텍스트, 이미지, 오디오, 비디오를 동시에 처리                                |

### Deep Research Agent

Deep Research는 Gemini 2.5 Pro 위에 구축된 **연구 특화 Agent** 입니다.

**작동 방식:**

1. **연구 계획 수립**: 사용자의 질문을 분석하여 다단계 연구 계획을 자동 생성
2. **반복적 검색 & 분석**: 수십 개의 웹 소스를 자동으로 검색, 읽기, 분석
3. **교차 검증**: 여러 소스의 정보를 교차 비교하여 정확성 검증
4. **구조화된 보고서 생성**: 참고 문헌이 포함된 종합 보고서를 자동 작성