Why AI Agents Should Have Their Own Sandbox — Philipp Schmid, Google DeepMind

한 줄 핵심

AI 에이전트는 단순 응답이 아니라 장시간 작업을 수행하는 실행 주체이므로, 각자 분리된 샌드박스와 서버 측 상태를 가진 관리형 환경에서 돌아가야 개발과 운영이 훨씬 단순해진다.

시간별 요약

1. 0:00
   소개 Google DeepMind의 AI Studio와 Gemini API를 중심으로, AI 에이전트가 왜 별도의 샌드박스를 가져야 하는지와 실습·데모를 통해 이를 보여주겠다는 흐름이 제시된다.
2. 0:52
   Nano Banana Lite와 Omni Flash의 신규 출시 Nano Banana Lite라는 새 이미지 생성 모델이 초저가·초고속으로 출시됐고, Interactions API에서 Omni Flash를 통해 영상 생성과 편집 같은 멀티모달 작업도 프로그램 방식으로 다룰 수 있게 됐다.
3. 1:17
   텍스트 완성에서 에이전트로 초기 언어모델은 문장 완성에 강했지만 활용성이 제한적이었고, 지시 따르기와 대화형 사용을 거쳐 함수 호출이 추가되면서 이제는 목표를 주고 여러 시간 동안 작업하게 하는 에이전트 단계로 넘어왔다.
4. 2:47
   AI Studio에서 API 키 발급 AI Studio나 toi.dev에서 Gmail 계정으로 바로 API 키를 만들 수 있고, 별도 Google Cloud 이동 없이 예산 설정과 사용량 관리까지 한곳에서 처리할 수 있어 실험 진입 장벽이 낮다.
5. 3:21
   Interactions API Interactions API는 모델과 에이전트를 더 단순하고 웹 개발 친화적인 방식으로 다루는 새 인터페이스이며, 입력·도구·환경을 같은 패턴으로 처리해 모델 호출과 에이전트 호출의 형태를 거의 통일한다.
6. 4:21
   서버 측 상태와 백그라운드 작업 대화 상태를 클라이언트가 아닌 서버에 맡길 수 있고, 긴 작업은 비동기 요청으로 시작해 ID를 받아 스트리밍이나 폴링으로 완료를 기다리는 구조라 에이전트와 도구 사용이 훨씬 단순해진다.
7. 4:56
   상태, 오디오, 이미지 코드 예시 이전 턴의 ID만 넘기면 서버가 입력을 누적해 맥락을 유지하고, 같은 패턴으로 오디오 생성과 이미지 생성도 처리할 수 있어 멀티모달 작업이 하나의 일관된 흐름으로 묶인다.
8. 5:56
   도구 사용: CVE 에이전트 Google search, URL context, 사용자 함수 호출을 결합해 React의 CVE를 찾는 작은 에이전트를 쉽게 구성할 수 있으며, 모델이 스스로 검색 여부와 함수 호출 순서를 결정하는 방식이 강조된다.
9. 6:45
   턴에서 단계로 기존의 user/model 턴 구조는 함수 결과를 사용자 입력처럼 우회해 넣는 점이 어색했지만, 이제는 액션과 생성 자체를 단계(step)로 정의하는 방식으로 바뀌어 확장성과 표현력이 좋아졌다.
10. 8:10
    Antigravity 에이전트 Antigravity 에이전트는 Gemini API 안에서도 별도 harness 위에서 동작하며, 같은 harness를 공유하더라도 IDE와 API 제품은 도구와 시스템 지시문이 다를 수 있다는 점이 구분된다.
11. 9:14
    모든 에이전트에 고유한 샌드박스 각 API 호출마다 클라우드 샌드박스가 자동 생성되어 코드 실행, 파일 생성·수정, 의존성 설치, API 호출이 가능하고, 환경은 지속되므로 멀티턴 작업을 같은 공간에서 이어갈 수 있다.
12. 10:04
    에이전트 간 환경 공유 여러 에이전트가 같은 환경을 공유하면 파일시스템을 통해 맥락을 주고받을 수 있고, 서브에이전트가 다른 에이전트의 작업을 이어받는 협업 구조도 자연스럽게 만들 수 있다.
13. 10:29
    소스, 스킬, AGENTS.md GCS 버킷, GitHub 저장소, 인라인 파일을 소스로 넣을 수 있고, skills 디렉터리와 AGENTS.md를 자동으로 시스템 프롬프트에 반영해 에이전트가 필요한 지침과 도구를 파일 기반으로 읽게 한다.
14. 11:14
    Agents API Agents API는 기본 두뇌 역할의 지시문과 환경을 정의하고, 먼저 환경을 구성한 뒤 그 환경 ID를 재사용해 여러 에이전트를 손쉽게 배포·공유할 수 있게 해준다.
15. 12:23
    Gemini API CLI Gemini API를 호출하는 데 특화된 CLI를 제공해 Nano Banana나 Omni 같은 모델 호출, 에이전트 생성, 반복 개선을 명령줄에서 할 수 있고, 관련 작업용 스킬도 함께 제공된다.
16. 12:58
    AI Talk Radio 데모 AI Talk Radio는 여러 Gemini 기능을 묶어 썸네일, 음성, 음악, 조사까지 수행하는 관리형 에이전트 기반 앱으로, 주제를 주면 하나의 토크쇼형 오디오 콘텐츠를 자동 생성한다.
17. 14:43
    쇼 청취 데모 생성된 방송은 단순 낭독이 아니라 여러 인물이 의견을 주고받는 라디오 형식으로 구성되며, 대화의 설득력과 진행 감각이 멀티모달 생성의 완성도를 좌우한다는 점이 드러난다.
18. 16:46
    에이전트 내부는 파일뿐 에이전트의 핵심은 결국 환경 안의 AGENTS.md와 skills, 그리고 이를 호출하는 Python 파일 같은 단순한 파일 구조이며, UI에서 보던 동작도 백엔드로 옮기려면 이 파일들을 복사하면 된다.
19. 18:05
    샌드박스 탐색 데모 에이전트가 자신이 실행 중인 Ubuntu, CPU, 메모리, 설치된 도구를 스스로 확인하면서 작업하고, 후속 질문에도 같은 환경을 이어받아 점진적으로 탐색을 확장한다.
20. 19:00
    환경 다운로드 에이전트가 생성한 파일은 오른쪽 패널이나 API로 쉽게 내려받을 수 있어, 샌드박스 안에서 나온 결과물을 외부로 추출하고 공유하는 흐름이 간단하다.
21. 19:29
    관리형 에이전트 루프의 동작 방식 함수 호출과 실행, 결과 반환, 루프 제어가 전부 서버의 원격 샌드박스 안에서 단일 API 호출로 처리되며, 원격 또는 로컬 MCP 서버도 연결할 수 있어 에이전트 운영 부담이 크게 줄어든다.

실무 인사이트

• 에이전트를 만들 때는 프롬프트보다 먼저 샌드박스, 상태 유지, 파일 공유 방식부터 설계해야 운영 복잡도를 크게 줄일 수 있다.
• 멀티턴 작업이 핵심인 에이전트는 user/model 턴보다 step 기반 구조가 더 적합하므로, 함수 결과·도구 실행·환경 상태를 명시적으로 분리하는 편이 안전하다.
• 실무에서는 AGENTS.md와 skills를 파일로 표준화해 두면, 팀 간 재사용성과 배포 가능성이 높아지고 동일한 에이전트 환경을 반복 재현하기 쉬워진다.