Google ADK — 에이전트 개발 키트

Google 이 2025 년에 공개한 Agent Development Kit (ADK) 는 LLM 기반 에이전트와 멀티에이전트 시스템을 만들기 위한 오픈소스 프레임워크입니다. Vertex AI 와의 통합을 의식하지만 모델·런타임에 대해 비교적 중립적이라는 점이 특징.

1. ADK 에 대한 이야기

Google ADK 는 2025 년 4 월 9 일 Cloud Next 발표 시점에 처음 공개됐습니다. 공식 문서는 google.github.io/adk-docs, 코드는 github.com/google/adk-python. Apache 2.0 라이선스 오픈소스.

같은 이름·약어가 다른 분야 (Android · 개발 키트) 에서도 쓰입니다. 이 문서의 ADK 는 Google 의 에이전트 개발 키트.

2. ADK 의 위치

ADK 는 다음 자리를 한 묶음으로 다루려는 시도:

단일 에이전트의 정의 (모델 · 도구 · 프롬프트).
도구 통합 (function · API · MCP).
멀티에이전트 (계층 · 위임 · 협업).
평가·디버깅 (트레이스 · 세션).
배포 (로컬 · Cloud Run · Vertex AI Agent Engine).

Vertex AI Agent Builder 에 ADK 가 결합되어 GCP 위에서 매니지드 형태의 운영이 가능. 동시에 자체 호스팅 · 다른 클라우드에서도 동작하도록 설계됐습니다.

3. 핵심 개념

개념	의미
Agent	모델·도구·지시를 묶은 단위.
Tool	함수·API·MCP 서버 등 외부 능력.
Session	대화·실행 컨텍스트.
Runner	에이전트를 실제로 굴리는 실행 환경.
Workflow Agent	순차·병렬·루프 같은 고정 흐름.
LLM Agent	모델이 다음 행동을 결정하는 자유 흐름.

순수 코드 흐름과 LLM 자율 흐름을 같은 추상 위에서 섞을 수 있는 모양.

4. 모델 · 도구 결합

모델 선택 — Gemini (AI Studio · Vertex AI) 를 1 차 지원하지만 다른 모델도 통합할 수 있는 어댑터 모양. LiteLLM 같은 라이브러리를 통한 다중 모델 백엔드.

도구 결합:

Python 함수 데코레이션으로 직접 도구 정의.
OpenAPI 명세 기반 자동 도구.
MCP 서버를 ADK 도구로 가져오는 통합.
LangChain · LlamaIndex 의 도구를 ADK 에 매핑.

5. 멀티에이전트

ADK 는 다음 모양을 명시적으로 다룹니다:

Sequential — 정해진 순서로 단계 진행.
Parallel — 독립 작업 병렬.
Loop — 조건·종료까지 반복.
Hierarchical · Sub-agent — 상위 에이전트가 하위 에이전트를 도구처럼 호출.

상위 에이전트가 라우터·코디네이터 역할을 하고 하위 에이전트가 도메인을 담당하는 패턴.

6. 평가·디버깅

ADK 는 자체 dev UI · 트레이스 뷰어를 포함. 세션 단위로 도구 호출 · 메시지 · 중간 추론을 보고 실패 자리를 분석. Vertex AI 측에서는 Agent Engine 의 매니지드 로깅·평가가 결합.

7. 다른 프레임워크 비교

프레임워크	출자 · 시기	위치
LangChain · LangGraph	LangChain Inc., 2022~	가장 대중적. LangGraph 는 상태 그래프.
LlamaIndex	2022~	RAG 에서 시작해 에이전트 모듈.
AutoGen	Microsoft Research, 2023	다중 에이전트 대화. 0.4 부터 큰 리팩터.
CrewAI	João Moura, 2024	역할 중심 협업.
Semantic Kernel	Microsoft, 2023	C# · Python · Java. 플러그인 모델.
Smolagents	Hugging Face, 2024	코드 에이전트 중심 작은 프레임워크.
Haystack	deepset, 2020~	검색·NLP + 에이전트.
Google ADK	Google, 2025	Vertex AI 통합 + 모델 중립 지향.

선택의 결정 요인:

클라우드·런타임 선호 (GCP · Azure · 자체 호스팅).
단일 에이전트인지 멀티에이전트인지.
멀티에이전트의 협업 방식 (supervisor · 역할 · 그래프).
모델 선택의 자유도.
운영 도구 (평가 · 트레이스 · 배포) 결합 정도.

8. 단일 에이전트 골격

from google.adk.agents import LlmAgent
from google.adk.tools import tool

@tool
def get_weather(city: str) -> dict:
    """도시 이름으로 현재 날씨를 조회한다."""
    ...

agent = LlmAgent(
    name="weather_agent",
    model="gemini-2.0-flash",
    instruction="간결한 한국어로 날씨를 답한다.",
    tools=[get_weather],
)

실제 API 는 버전·릴리스에 따라 달라질 수 있어 공식 문서를 따릅니다.

9. 멀티에이전트 패턴

root_agent (라우터)
 ├── search_agent  (검색 도구)
 ├── coder_agent   (코드 작성·실행)
 └── reviewer_agent (검토·요약)

상위 에이전트는 사용자 의도를 분석해 적절한 하위 에이전트를 선택·호출. 하위 에이전트는 자기 컨텍스트만 봅니다.

Vertex AI Agent Engine — ADK 로 만든 에이전트를 배포하면 매니지드 런타임·세션 저장·트레이스를 GCP 에서. 자체 호스팅 (Cloud Run · GKE · 자가) 도 가능.

MCP 와의 결합 — ADK 측에서 MCP 클라이언트로 외부 MCP 서버에 붙거나, ADK 에이전트를 MCP 서버로 노출하는 양방향 모양.

10. 자주 걸리는 자리

빠른 변화 — 공개된 지 얼마 되지 않아 API 가 바뀝니다. 버전 핀과 변경 로그 추적.

GCP 종속의 정도 — Vertex AI 통합 기능을 쓰면 그 부분은 GCP 가 전제. 자체 호스팅 경로를 처음부터 함께 설계.

모델 어댑터의 안정성 — Gemini 외 모델은 어댑터 품질이 모델·시점에 따라 다릅니다. 평가 후 결정.

프레임워크 비교 피로 — LangChain · AutoGen · CrewAI · ADK 사이에서 결정 마비가 흔합니다. 작은 프로토타입을 두 후보 정도로 만들어 비교.

트레이스의 양 — 멀티에이전트는 로그·트레이스가 빠르게 증가. 보존 정책·요약 필요.

무한 루프 — Loop 에이전트의 종료 조건을 잘못 설계하면 비용 폭주. 단계 한도·예산 한도.

평가 부재 — 개발은 빠르지만 평가가 늦어지면 회귀를 못 봅니다. 작은 평가셋부터.

MCP 의 신뢰 경계 — 외부 MCP 서버 결과를 그대로 신뢰하지 말고 권한·승인 단계 설계.

하고픈 말

ADK 는 멀티에이전트의 명시적 패턴 (Sequential · Parallel · Loop · Hierarchical) + Vertex AI Agent Engine 매니지드 런타임이 매력입니다. 다만 공개된 지 얼마 되지 않아 API 변경이 잦으니 운영에서는 버전 핀 고정 + 작은 평가셋 + 트레이스 보존 정책이 안전한 출발점입니다.

claude-code-skills
subagents

Google ADK Docs · google/adk-python · google/adk-java · Cloud Next Agent Builder · LangGraph · AutoGen · CrewAI · LlamaIndex Agents 를 참고합니다.