24장에서 프레임워크를 추상화 수준으로 줄 세웠다면, 이 장은 그 줄의 가장 오른쪽 끝입니다. LangChain은 체인을, LangGraph는 노드와 엣지를, ADK와 CrewAI는 에이전트와 역할을 코드로 정의했습니다. AgentSpace에서는 코드를 한 줄도 쓰지 않습니다. 콘솔 화면에서 데이터 소스를 연결하고, 프롬프트를 고르고, 스위치를 켜면 에이전트가 만들어집니다.
책에서 가장 짧은 장(6쪽)이고 대부분이 화면 캡처라서, 이 글도 개념 → 화면 흐름 순으로 간단히 정리합니다.
개요
AgentSpace는 인공지능을 일상 워크플로에 녹여 넣어 ‘에이전트가 주도하는 기업(agent-driven enterprise)’ 을 원활히 실현하도록 설계된 플랫폼입니다. 핵심은 문서, 이메일, 데이터베이스를 비롯해 조직의 디지털 공간 전반을 아우르는 통합 검색 기능입니다. 이 시스템은 구글의 제미나이 같은 고급 AI 모델을 활용해 다양한 출처의 정보를 이해하고 종합합니다.
이 플랫폼에서는 복잡한 작업을 수행하고 프로세스를 자동화할 수 있는 특화된 AI 에이전트를 만들고 배포할 수 있습니다. 이런 에이전트는 단순한 챗봇이 아닙니다. 스스로 추론하고 계획을 세우며 다단계 동작을 자율적으로 실행할 수 있습니다. 예를 들어 특정 주제를 조사하고, 인용을 포함한 보고서를 작성하고, 오디오 요약까지 만들 수 있습니다.
AgentSpace를 이루는 요소를 정리하면 이렇습니다.
| 구성 요소 | 역할 | 연결되는 장 |
|---|---|---|
| 통합 검색 | 문서·이메일·데이터베이스 등 조직의 디지털 공간 전반을 한 번에 검색하고, 제미나이로 여러 출처의 정보를 종합 | 14장 지식 검색 |
| 기업용 지식 그래프 | 사람, 문서, 데이터 사이의 관계를 매핑해 AI가 맥락을 이해하고 더 적합하고 개인화된 결과를 내게 함 | 22장 컨텍스트 엔지니어링 |
| Agent Designer | 노코드 인터페이스. 깊이 있는 기술 전문성이 없어도 직접 정의한 에이전트를 만들 수 있음 | — |
| 멀티 에이전트 지원 | 서로 다른 AI 에이전트가 A2A라는 개방형 프로토콜로 소통하고 협업해, 더 복잡하고 조율된 워크플로를 구성 | 15장 에이전트 간 통신 |
| 보안 | 역할 기반 접근 제어와 데이터 암호화 같은 기능으로 민감한 기업 정보를 보호 | 18장 가드레일/안전 패턴 |
지식 그래프가 눈여겨볼 부분입니다. “지난주 회의록 찾아 줘”라는 요청은 단순 검색으로는 모호하지만, 누가 요청했는지, 그 사람이 어느 팀이고 어떤 회의에 참석했는지를 알면 정확히 좁힐 수 있습니다. 22장에서 말한 암묵적 데이터(사용자 신원, 관계, 이력)를 플랫폼이 미리 구조화해 두는 셈입니다.
결국 AgentSpace의 목표는 지능형·자율 시스템을 조직의 운영 체계에 직접 접목해 생산성과 의사결정 능력을 높이는 데 있다.
AgentSpace UI로 에이전트를 구축하는 방법
책은 여섯 개의 화면으로 에이전트 하나를 만드는 과정을 보여 줍니다.
① 앱 유형 선택 ─▶ ② 서비스 연동 ─▶ ③ 프롬프트 선택 ─▶ ④ 프롬프트 직접 작성 ─▶ ⑤ 고급 설정 ─▶ ⑥ 채팅
(콘솔) (Gmail·Jira 등) (갤러리) (선택 사항) (지식 그래프 등) (사용)
① 앱 유형 선택 (그림 25.1)
구글 클라우드 콘솔에서 AI Applications를 선택해 AgentSpace에 접근합니다. “Which app type do you want to build?” 화면에서 Search and assistant 범주의 두 가지 앱 중 하나를 고릅니다.
| 앱 유형 | 화면 설명 |
|---|---|
| Agentspace (Preview) | 기업 규정을 준수하는 검색 및 어시스턴트 도구. 제미나이로 구동되며, 직원이 방대한 회사 데이터에서 답을 쉽게 찾고, 콘텐츠 생성을 자동화하고, 연결된 앱으로 작업을 실행하는 일을 하나의 인터페이스에서 할 수 있게 함 |
| Custom search (general) | 사이트, 콘텐츠, 카탈로그, 혼합 데이터에 맞춤형 검색·개인화·생성형 경험을 구축. 데이터 소스: 정형 카탈로그(예: 호텔, 디렉터리), 비정형(예: 메타데이터가 있는 문서), 커넥터(예: Google Workspace), 공개 사이트 |
에이전트를 만들려면 왼쪽의 Agentspace를 고릅니다.
② 서비스 연동 (그림 25.2)
에이전트는 캘린더, 구글 메일, 워크데이, 지라, 아웃룩, 서비스나우 등 다양한 서비스와 연결할 수 있습니다. “Add an action” 화면은 Source → Configuration 두 단계로 이루어져 있고, 첫 단계에서 “Connect a service for your action”을 고릅니다.
| 구분 | 서비스 |
|---|---|
| Google sources | Calendar, Google Gmail |
| Third-party sources | Jira, Workday, Outlook, ServiceNow |
여기서 연결하는 것은 에이전트가 실행할 수 있는 행동(action) 입니다. 5장의 도구 사용에서 함수 정의와 API 키 설정을 코드로 하던 일을, 여기서는 Connect 버튼 하나로 합니다. 지라 티켓을 만들거나 캘린더에 일정을 잡는 도구가 이렇게 에이전트에게 주어집니다.
③ 프롬프트 갤러리에서 선택 (그림 25.3)
그런 다음 에이전트는 구글이 미리 만들어 둔 프롬프트 갤러리에서 하나를 골라 사용할 수 있습니다. 갤러리에는 All, Google-made, Our prompts 탭이 있고, 구글이 만든 프롬프트로는 다음과 같은 것이 보입니다.
| 이름 | 표시 이름 | 상태 |
|---|---|---|
goog_analyze_data |
Analyze Data | Enabled |
goog_book_time_off |
Book Time Off | Enabled |
goog_chat_with_content |
Chat with Content | Enabled |
goog_chat_with_documents |
Chat with Documents | Enabled |
goog_create_jira_ticket |
Create Jira Ticket | Enabled |
goog_deep_research |
Deep Research | Enabled |
goog_draft_an_email |
Draft Email | Disabled |
goog_draft_email |
Draft Email | Enabled |
goog_explain_technical_documentation |
Explain Technical Documentation | Enabled |
goog_find_information |
Find Information | Enabled |
goog_generate_code |
Generate Code | Enabled |
goog_generate_image |
Generate Image | Enabled |
goog_generate_marketing_copy |
Generate Marketing Copy | Enabled |
목록을 보면 성격이 두 가지로 나뉩니다. Book Time Off, Create Jira Ticket처럼 ②에서 연결한 서비스로 행동하는 프롬프트와, Analyze Data, Explain Technical Documentation처럼 ①의 통합 검색 위에서 이해하고 생성하는 프롬프트입니다. 각 항목에 Enabled/Disabled 스위치가 있어, 조직에서 쓸 프롬프트만 골라 켤 수 있습니다.
④ 프롬프트 직접 작성 (그림 25.4)
또는 프롬프트를 직접 만들 수 있고, 이렇게 만든 프롬프트는 에이전트가 사용합니다. “Create prompt” 화면의 필드는 다음과 같습니다(책의 예시 값 포함).
Name * write
Display name * writing assistant
Title * My personal writing assistant
Description * Help me to write concise sentences
Prompt type User query
User query * You are a writing assistant who helps me to write concise sentences
Activation behavior New session
Icon (아이콘 선택)
[●] Enabled
User query 칸이 실제 프롬프트이고, 나머지는 이 프롬프트를 어떻게 부르고 보여 줄지에 대한 메타데이터입니다. 22장 관점에서 보면 User query의 “You are a writing assistant…”는 역할 프롬프팅이고, Description은 사용자가 갤러리에서 이 프롬프트를 고를 때 보는 설명입니다. 22장의 구글 Gems가 개인용 사전 정의 지시였다면, 이 화면은 그것을 조직 단위로 배포하는 버전에 가깝습니다.
⑤ 고급 설정 (그림 25.5)
AgentSpace는 다양한 고급 기능을 갖추고 있습니다. 자체 데이터를 저장할 수 있는 데이터 저장소 연동, 구글 지식 그래프나 자체 지식 그래프 연동, 에이전트를 웹에 공개하는 웹 인터페이스, 사용량을 모니터링하는 애널리틱스 등입니다.
왼쪽 메뉴와 Configurations → Knowledge Graph 탭의 설정은 이렇습니다.
| 왼쪽 메뉴 | 내용 |
|---|---|
| Connected data stores | 연결된 데이터 저장소 |
| Actions | ②에서 연결한 행동 |
| Prompt gallery | ③·④의 프롬프트 |
| Preview | 미리 보기 |
| Configurations | Autocomplete, Search UI, Control, Assistant, Knowledge Graph, Feature Management 탭 |
| Integration | 웹 인터페이스 등 외부 공개 |
| Analytics | 사용량 모니터링 |
Knowledge Graph 탭에는 두 개의 스위치가 있습니다.
- Enable Google Cloud Knowledge Graph: 외부 데이터 소스를 통합해 검색 결과를 확장하고, 추가 인사이트로 검색 결과의 관련성을 높인다.
- Enable Private Knowledge Graph: 조직 내부 데이터를 활용해 더 풍부한 검색 결과와 더 맥락에 맞는 정확한 질의 주석을 제공한다. 화면에는 “이 기능을 켠 뒤 데이터를 다시 생성하는 데 최대 24시간이 걸릴 수 있다”는 안내가 붙어 있다.
개요에서 말한 “사람, 문서, 데이터 사이의 관계를 매핑하는 기업용 지식 그래프”가 바로 두 번째 스위치입니다. 켜자마자 반영되지 않고 하루 가까이 걸린다는 점에서, 이것이 질의 시점에 즉석으로 만드는 것이 아니라 미리 색인해 두는 구조라는 것을 알 수 있습니다.
⑥ 채팅 인터페이스 (그림 25.6)
설정을 마치면 AgentSpace 채팅 인터페이스를 사용할 수 있습니다. 화면에는 “Google Agentspace” 제목 아래 “Hello, student” 인사말과 “Search your data and ask questions” 입력창, 그리고 Sources 버튼이 있습니다.
인사말에 사용자 이름이 들어가고 입력창 문구가 “질문하세요”가 아니라 “당신의 데이터를 검색하고 질문하세요” 라는 점이, 이것이 범용 챗봇이 아니라 조직 데이터와 연결된 에이전트라는 것을 보여 줍니다. Sources 버튼으로 답변이 어느 데이터에서 왔는지 확인하거나 검색 범위를 고를 수 있습니다.
코드로 만들 때와 무엇이 다른가
24장의 프레임워크와 나란히 놓으면, AgentSpace가 무엇을 대신 해 주는지가 분명해집니다.
| 해야 할 일 | 코드 기반 (예: ADK) | AgentSpace |
|---|---|---|
| 모델 연결 | model="gemini-2.0-flash-exp" |
플랫폼이 제미나이를 기본 제공 |
| 도구 정의 | 함수 작성 또는 tools=[google_search] |
② 서비스 Connect 버튼 |
| 지시문 | instruction="""...""" |
③ 갤러리 선택 또는 ④ 폼 작성 |
| 지식 검색(RAG) | 벡터 DB, 청킹, 임베딩 파이프라인 구축 | 통합 검색 + ⑤ 지식 그래프 스위치 |
| 권한·보안 | 직접 구현 | 역할 기반 접근 제어, 암호화 내장 |
| 배포·UI | 서버와 프런트엔드 구축 | ⑥ 채팅 인터페이스, Integration |
| 모니터링 | 로깅·트레이싱 직접 구성 | Analytics 메뉴 |
대신 치르는 비용도 24장의 결론 그대로입니다. 플랫폼이 정해 둔 모양 안에서는 매우 빠르지만, 루프의 조건이나 에이전트 간 배선을 세밀하게 바꾸고 싶어지는 순간 할 수 있는 일이 급격히 줄어듭니다. 또한 모든 데이터가 한 벤더의 플랫폼을 거친다는 점도 조직 입장에서는 따져 볼 문제입니다.
정리
정리하면 AgentSpace는 조직의 기존 디지털 인프라 안에서 AI 에이전트를 개발하고 배포할 수 있는 프레임워크를 마련해 줍니다. 이 시스템의 아키텍처는 자율 추론, 기업 지식 그래프 매핑 같은 복잡한 백엔드 프로세스를 에이전트 구축용 그래픽 사용자 인터페이스와 연결합니다. 사용자는 이 인터페이스를 통해 다양한 데이터 서비스를 연동하고 프롬프트로 운영 파라미터를 정의해 에이전트를 설정할 수 있으며, 그 결과 맥락을 이해하는 맞춤형 자동화 시스템을 만들 수 있습니다.
이러한 접근 방식은 기저의 기술적 복잡성을 감춰 주므로, 깊이 있는 프로그래밍 전문성이 없어도 특화된 멀티 에이전트 시스템을 만들 수 있다. 이는 자동화된 분석·운영 역량을 워크플로에 곧바로 탑재해 프로세스 효율을 높이고 데이터 기반 분석을 강화하는 것을 목표로 한다.
직접 해 보며 익히려면 Google Cloud Skills Boost의 ‘Build a Gen AI Agent with Agentspace’ 같은 실습형 학습 모듈을 이용할 수 있습니다. 이런 모듈은 기술을 체계적으로 익히도록 돕는 환경을 마련해 줍니다.
마치며
책의 본문은 여기서 끝납니다. 1장의 프롬프트 체이닝에서 출발해 21개의 패턴을 거쳤고, 22장에서 그 모든 것의 바닥인 프롬프트를, 23장에서 에이전트의 손과 눈이 닿는 범위를, 24장에서 패턴을 코드로 옮기는 프레임워크를, 그리고 25장에서 코드마저 사라진 플랫폼을 봤습니다.
추상화가 올라갈수록 화면에 보이는 것은 줄어들지만, 그 아래에서 돌아가는 것은 같습니다. ③의 프롬프트 갤러리는 22장의 역할 프롬프팅이고, ②의 Connect 버튼은 5장의 도구 사용이며, ⑤의 지식 그래프는 14장의 지식 검색이고, 개요의 A2A는 15장의 에이전트 간 통신입니다. 노코드 플랫폼을 쓰더라도 어떤 패턴이 어디서 동작하는지 알고 있어야 에이전트가 이상하게 굴 때 어느 스위치를 봐야 할지 알 수 있습니다. 그것이 이 책이 패턴부터 가르친 이유일 것입니다.