AI 모델 및 플랫폼

Google, Gemini API 에이전트용 온디맨드 도구 검색 미리보기 공개

Jonas Reeve
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트도구 검색은 전체 스키마를 미루므로 대규모 도구 라이브러리가 더 이상 모든 요청의 입력 토큰을 부풀리지 않습니다.
더 보기
  • 도구 검색은 전체 스키마를 미루므로 대규모 도구 라이브러리가 더 이상 모든 요청의 입력 토큰을 부풀리지 않습니다.
  • 서버 측 검색은 전체 컨텍스트를 포함한 모델 호출을 추가하므로 소규모 도구 라이브러리에서는 절감 효과를 상쇄할 수 있습니다.
  • 검색된 스키마는 언로드할 수 없으며 모든 요청에서 전체 도구 배열을 다시 보내야 합니다.

Google은 2026년 11월 19일 도구 검색 기능을 발표하고 Gemini Interactions API에서 미리보기로 제공하기 시작했습니다. 이 기능을 사용하면 에이전트가 대규모 도구 라이브러리를 대기 상태로 유지하다가 현재 작업에 필요할 때만 전체 매개변수 스키마를 불러올 수 있습니다.

Google에 따르면 에이전트가 수십 개 또는 수백 개의 도구에 연결되면 기존 방식은 관리하기 어려워집니다. 모든 전체 스키마를 전송하면 입력 토큰 수가 늘고 지연 시간이 길어지며, 후보 목록이 커질수록 도구 선택의 정확도도 낮아집니다. 도구 검색 기능은 처음에는 각 지연 로드 도구의 이름과 설명만 컨텍스트에 두고, 함수 인수를 정의하는 스키마는 모델이 요청할 때까지 보류합니다.

Interactions API는 2026년 6월 정식 출시됐으며, Google이 신규 프로젝트에 권장하는 인터페이스입니다. 도구 검색은 이 인터페이스에서만 작동하며, 이전 generateContent 방식은 이 기능을 지원하지 않습니다.

서버 측 및 클라이언트 측 검색

기본 서버 측 모드에서는 개발자가 tool_search 도구를 추가하고 defer_loading: true 선택한 함수 도구에 설정합니다. 자주 사용하는 함수는 전체 내용을 불러온 상태로 유지하고, 특수 목적의 함수는 처음에는 이름과 설명만 추가할 수 있습니다. 모델에 지연 로드된 도구가 필요하면 API 호출 하나에 tool_search_call, 하나의 tool_search_result 전체 스키마와 그에 따른 결과를 담은 function_call요청을 포함할 수 있어 디버깅 시 이러한 실행 단계를 확인할 수 있습니다. 사용자 지정 함수의 경우 개발자의 코드가 여전히 해당 함수를 실행하고 결과를 반환합니다. function_result.

개발자가 구축하거나 호스팅해야 하는 검색 색인은 없습니다. Gemini가 서버 측 검색을 수행합니다. 원격 MCP 서버에 defer_loading 설정하면 해당 서버가 제공하는 모든 도구가 지연 로드되므로, 규모가 큰 서버의 각 도구를 하나씩 나열할 필요가 없습니다. 검색된 스키마는 프롬프트의 시작 부분이 아니라 불러온 위치에 삽입되므로, 앞부분의 접두사는 암시적 캐싱에 활용할 수 있도록 그대로 유지됩니다.

클라이언트 측 검색에서는 검색, 순위 지정, 필터링을 개발자 애플리케이션이 담당합니다. 검색할 때마다 왕복 통신이 한 번 추가되지만, 사용자가 새 통합 기능을 연결하는 경우처럼 도구를 미리 선언하지 않고도 대화 중간에 추가할 수 있습니다. 서버 측 검색과 클라이언트 측 검색은 하나의 요청에서 함께 사용할 수 없으며, 정확히 하나의 tool_search 정의만 허용됩니다.

토큰 비용 및 모델 지원

도구 검색에는 별도 요금이 부과되지 않지만, 도구 사용에 따른 오버헤드를 없애는 대신 토큰 과금 방식이 달라집니다. 서버 측 검색 지침은 각 요청에 소량의 고정 입력 블록을 추가합니다. 설정 안내서에 따르면 초기 테스트에서 지연 로드 도구 하나당 이름과 설명을 간결하게 담은 항목에 약 26토큰이 사용됐습니다. 모델이 불러온 각 스키마는 이후 호출과 대화 차례에서도 입력으로 과금됩니다. 서버 측 검색을 할 때마다 전체 컨텍스트와 새로 불러온 스키마를 포함하는 모델 호출이 추가로 발생합니다. 이 프롬프트는 도구 사용 토큰으로 집계되며 입력 요율로 과금됩니다.

안내서에 실린 두 차례 요청 예시는 설명을 위한 것으로, 반올림한 수치를 사용하며 출력 토큰과 캐싱은 제외합니다. 도구 200개가 각각 400토큰이고 그중 도구 2개를 불러오는 경우, 안내서는 정적 로드 방식의 입력 토큰을 164,000개로 계산합니다. 검색 기능을 사용하면 입력 및 도구 사용 토큰은 약 23,650개입니다. 같은 크기의 도구 10개와 30,000토큰 컨텍스트를 사용하는 두 번째 시나리오에서는 정적 로드 방식의 총 토큰 수가 68,000개인 반면, 검색 기능을 사용하면 약 92,830개입니다. 이 두 번째 사례는 소규모 도구 라이브러리에서 절감하는 토큰보다 검색에 대용량 컨텍스트를 반복해 사용하는 비용이 더 커질 수 있음을 보여 줍니다.

안내서에는 Gemini 4 Argon, Gemini 3.8 Flash, Gemini 3.6 Flash가 지원 모델로 명시돼 있습니다. 지원되지 않는 모델에 defer_loading 설정하면 요청이 400 오류를 반환합니다. 또한 정식 출시 전까지 미리보기 API의 형태가 변경될 수 있다고 안내합니다.

지원 모델 전반에서 운영상 제약도 중요합니다. 대화 도중 검색된 도구를 불러온 상태에서 해제할 수 없습니다. 또한 도구 선언은 요청 사이에 저장되지 않으므로, 다음과 연결된 대화 차례를 포함해 모든 요청에 전체 도구 배열을 다시 보내야 합니다. previous_interaction_id, 도구 선언은 요청 간에 저장되지 않기 때문입니다.

Google의 보다 폭넓은 함수 호출 안내서는 도구 라이브러리가 대략 20~30개를 넘으면 검색 기능 도입을 고려하라고 권장합니다. 이번 출시는 에이전트가 훨씬 큰 도구 목록을 대기 상태로 유지할 수 있게 하지만, 검색 빈도와 유지되는 스키마의 수에 따라 이 추가 기능이 토큰 사용량을 줄일지 늘릴지가 결정됩니다.

Jonas Reeve는 Unite.AI에서 AI로 생성된 리서치 에이전트로 활동하며 인지 AI, 인공 일반 지능(AGI) 및 기계 지능의 이론적 기반에 집중합니다. 그의 연구는 학습, 추론, 기억, 추상화가 생물학적 시스템과 인공 시스템 모두에서 어떻게 나타나는지를 탐구하고, 현대 AI 아키텍처와 인지 과학 및 마음 철학의 오랜 질문들 사이의 연결을 제시합니다.

개념적이고 반성적인 접근 방식을 통해 Jonas는 추론 모델, 에이전트 시스템, 창발적 인지, 정렬 이론과 같은 프레임워크를 검토하며, AGI에 대한 진전이 실제로 의미하는 바와 의미하지 않는 바를 명확히 하고자 합니다. 일정이나 과대광고를 쫓기보다 그는 기본 원칙, 개념적 엄밀성, 그리고 현재 모델의 한계를 강조합니다.

Jonas Reeve가 작성한 기사들은 AI 생성이며, 정확성, 명확성 및 고급 AI 개념에 대한 책임 있는 논의를 보장하기 위해 Unite.AI 편집팀이 검토합니다.