An Interaction Is All You Need — Ivan Leo, Google DeepMind

한 줄 핵심

Gemini의 새 Interactions API와 Managed Agents는 단일 응답 중심의 API를 대화·도구 사용·장기 실행 에이전트까지 아우르는 상태 기반 실행 모델로 바꿔, 더 복잡한 멀티모달·에이전트 워크플로를 쉽게 만든다.

시간별 요약

1. 0:00
   소개 영상은 Google DeepMind의 새 Interactions API와 Managed Agents를 중심으로, 모델을 더 에이전트답게 쓰는 방식의 변화를 설명한다.
2. 0:12
   Interactions API와 Managed Agents 새 API와 관리형 에이전트는 모델을 단일 요청-응답 도구가 아니라 실제 작업을 수행하는 실행 단위로 다루기 위한 기반이다.
3. 0:27
   단일 응답에서 에이전트로 초기에는 한 번의 completion으로 끝났지만, 모델이 강력해질수록 앱에 넣기 위한 안정성과 반복 실행 구조가 필요해졌다.
4. 1:02
   함수 호출 함수 호출은 모델이 예측 가능한 JSON 구조를 내보내도록 해 백엔드와 안정적으로 연결되게 만들었고, 정보 추출·파싱 같은 작업을 가능하게 했다.
5. 1:32
   추론하고 행동하는 모델 이제 모델은 여러 도구를 호출하고, 결과를 반영해 다시 생각하며, 환경과 상호작용한 뒤 최종 응답을 만드는 흐름으로 확장되고 있다.
6. 2:02
   에이전트란 무엇인가 에이전트는 본질적으로 모델이 중심이 되는 실행 시스템이며, 단순한 루프뿐 아니라 도구, 단기·장기 기억, 실행 환경이 함께 필요하다.
7. 3:02
   AI Studio에서 모델 체험하기 AI Studio는 모델을 가장 쉽게 시험해 볼 수 있는 장소로, 짧은 지시만으로도 웹앱을 만들고 다양한 모델과 파라미터를 바로 실험할 수 있다.
8. 4:07
   새 API가 필요한 이유 이미지 생성, 심층 연구, 장시간 에이전트처럼 성격이 다른 작업이 섞이면서, 여러 엔드포인트보다 하나의 일관된 인터페이스가 필요해졌다.
9. 5:31
   서버 측 상태와 thought signatures interaction ID와 이전 interaction ID를 통해 상태를 서버에서 보존하면, thought signatures를 잃지 않고 성능 저하도 줄일 수 있다.
10. 6:21
    이미지와 비디오 생성을 연결하는 데모 하나의 사진에서 여러 변형 이미지를 만들고, 같은 interaction ID를 이어받아 비디오까지 생성하는 흐름이 실제로 가능함을 보여준다.
11. 7:01
    코드가 동작하는 방식 같은 interaction ID를 다음 호출에 넘기고 모델만 바꾸면, 이미지 생성 결과와 문맥을 유지한 채 연속적인 생성 작업을 이어갈 수 있다.
12. 7:36
    강한 타입의 출력 audio, image 같은 출력이 명확한 타입으로 구분되어, 복잡한 중첩 객체를 해석하지 않아도 결과를 안정적으로 처리할 수 있다.
13. 8:21
    내장 도구와 커스텀 도구의 혼합 Google search, URL context, 사용자 정의 도구를 함께 쓰면 모델이 필요한 정보를 스스로 조합해 한 번의 호출로 결과를 만들 수 있다.
14. 9:01
    steps 데이터 모델 기존의 outputs 배열 대신 steps 모델로 바꾸어, 각 단계의 출력, thought signatures, 호출된 함수, 멀티모달 콘텐츠를 더 명확하게 추적한다.
15. 9:46
    클라우드의 Managed Agents: Antigravity Antigravity 관리형 에이전트는 사전 구성된 하네스와 지속되는 샌드박스를 제공해, 코딩 에이전트 인프라를 직접 조립하지 않아도 되게 한다.
16. 10:36
    GitHub 저장소 분석 데모 에이전트가 원격 샌드박스에서 파일 목록을 확인하고 개별 파일을 읽으며 저장소를 분석해 최종 보고서를 생성하는 흐름을 보여준다.
17. 11:06
    환경 ID로 유지되는 지속 샌드박스 environment ID를 다시 넘기면 같은 샌드박스로 돌아갈 수 있어, 상태 보존을 애플리케이션이 직접 관리하지 않아도 된다.
18. 11:41
    소스 로딩: GCS, GitHub, 인라인 파일 GCS, GitHub, 인라인 파일을 입력 소스로 넣을 수 있으며, interaction ID와 environment ID를 함께 유지하면 같은 파일 집합을 계속 사용할 수 있다.
19. 12:16
    2M 토큰짜리 저장소 분석 2M 토큰을 소모하는 대규모 저장소 분석도 가능해, 맞춤 DSL과 웹페이지, 스키마, RL 루프가 섞인 복잡한 코드베이스도 한 번에 다룰 수 있다.
20. 12:56
    로컬과 클라우드에서 같은 에이전트 로컬에서 검증한 skills와 프롬프트를 폴더 형태로 패키징해 업로드하면, 같은 에이전트를 로컬과 클라우드에서 동일하게 재사용할 수 있다.
21. 13:36
    자격 증명을 주입하는 프록시 중간 프록시가 외부 호출의 헤더를 가로채 자격 증명을 주입하므로, 모델이 토큰을 직접 보지 못한 채 안전하게 네트워크 작업을 수행할 수 있다.
22. 14:26
    이름 있는 에이전트 설정 파일과 네트워크 소스를 고정하거나 대화로 환경을 다듬어 이름 있는 에이전트로 저장할 수 있으며, 최대 1000개까지 관리 가능하다.
23. 15:26
    Gemini API CLI 새 CLI는 로컬에서 Gemini 모델을 빠르게 시험하고, 개발 중인 코딩 에이전트나 Antigravity 에이전트를 폴더 단위로 패키징해 올리는 데 유용하다.
24. 15:56
    Interactions API 스킬로 마이그레이션하기 기존 코딩 에이전트에 새 스킬을 넣으면 최신 모델과 메서드를 따라가며 Interactions API로의 이전 작업을 더 수월하게 진행할 수 있다.
25. 16:36
    마무리 새 API와 관리형 에이전트는 더 복잡한 멀티모달·에이전트 워크플로를 단순한 호출 구조로 만들며, 이제 실제 구축을 시작할 시점임을 강조한다.

실무 인사이트

• 이 발표의 핵심은 ‘모델 호출’보다 ‘상태가 유지되는 상호작용’이 중요해졌다는 점이므로, 복잡한 워크플로는 interaction ID와 environment ID 같은 상태 키를 설계의 중심에 둬야 한다.
• 에이전트를 직접 만들 때는 모델 성능보다도 하네스, 샌드박스, 도구 주입, 권한 통제가 품질을 좌우하므로, 실행 환경을 표준화하는 것이 우선이다.
• 멀티모달 생성이나 장기 분석처럼 중간 결과를 이어 붙이는 작업은 강한 타입의 출력과 단계별 데이터 모델이 있어야 운영과 디버깅이 가능하다.