Google Developers Blog 한국어 팔로우 Developers.googleblog.com은 Google의 개발자들을 위한 공식 블로그입니다. 여기에서, 그들은 Google의 다양한 개발자 도구 및 기능, 버그 수정, 개발 기술 향상 튜토리얼에 대한 포괄적인 정보를 제공합니다. 블로그는 또한 Google의 소프트웨어 개발 프로젝트와 관련된 사례 연구, 인터뷰 및 커뮤니티 뉴스를 게시합니다. Google Developers Blog developers.googleblog.com RSS developers.googleblog.com Google Developers Blog 한국어 RSS thenote.app
클라이언트 SDK 생성이 오픈 소스로 제공되어야 하는 이유 Google은 이전 독점 SDK 제공업체의 갑작스러운 폐쇄로 인해 Speakeasy와 협력하여 AGPLv3 라이선스 하에 OpenAPI 코드 생성 스위트를 오픈 소스로 공개했습니다. 새로 오픈 소스로 공개된 스위트는 개발자에게 엄격한 타입 지정 및 SSE 스트리밍을 네이티브로 지원하는 결정론적이고 다국어 SDK 생성기를 제공하며, 에이전트 네이티브 CLI 및 문서 MCP 서버를 컴파일하는 도구도 함께 제공합니다. 엔지니어링 팀은 이제 이 강력한 도구를 CI 파이프라인에 직접 안전하게 통합하여 자체 API에 대한 안정적인 클라이언트 라이브러리를 자동으로 생성할 수 있으며, 동시에 출력 코드에 대한 완전한 라이선스 제어권을 유지할 수 있습니다. Why client SDK generation belongs in the open developers.googleblog.com +1
Agent Anomaly Detection, 이제 Gemini Enterprise Agent Platform에서 Private Preview로 제공됩니다. Agent Anomaly Detection은 Gemini Enterprise Agent Platform을 위한 새로운 아웃오브밴드(out-of-band) 감독 계층으로, OpenTelemetry 트레이스와 도구 호출을 분석하여 실시간 요청에 런타임 지연을 추가하지 않고 행동 위험을 탐지합니다. 이는 OWASP Agentic Top 10에 기반한 논리적 이상 징후 및 정책 위반을 식별하기 위해 경량 통계 스캔과 심층 LLM 기반 추론을 결합한 다단계 탐지 파이프라인을 활용합니다. 개발자는 Security Command Center 내에서 이러한 자동화된 탐지 결과를 분류하거나, 에이전트가 정의된 위험 임계값을 위반할 때 후속 도구 호출을 프로그래밍 방식으로 차단하기 위해 노출된 API를 활용할 수 있습니다. Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform developers.googleblog.com +1
구문뿐만 아니라 의도를 판단하는 제로 트러스트 AI 에이전트 구축 이 블로그 게시물은 Gemini Enterprise Agent Platform을 사용하여 AI 에이전트를 정적 빌드 타임 보안 제어에서 동적 런타임 거버넌스로 전환하는 방법을 탐구합니다. 엣지 프롬프트를 스크리닝하는 Model Armor, 비즈니스 규칙에 대한 도구 의도를 평가하는 Semantic Governance Policies, 다중 턴 익스플로잇을 탐지하는 Agent Anomaly Detection이라는 세 가지 주요 관리형 방어를 강조합니다. 이러한 기능을 플랫폼 수준으로 전환함으로써 보안 관리자는 에이전트의 기본 코드를 수정하거나 재배포할 필요 없이 동적으로 정책을 시행하고 복잡한 공격을 무력화할 수 있습니다. Build zero-trust AI agents that judge intent, not just syntax developers.googleblog.com +1
TPU에서 Tunix를 이용한 자율 LLM 사후 훈련 마크다운 명세서 하나를 작성하고 잠자리에 들었다가 A...를 발견하고 깨어나는 것을 상상해 보세요. Autonomous LLM post-training with Tunix on TPUs developers.googleblog.com +1
하네스 엔지니어링의 해부학: AI 코딩 에이전트를 평가, 반복, 보호하는 방법 SWE-bench와 같은 엔드투엔드 벤치마크는 AI 에이전트에 대한 광범위한 성능 점수를 제공하지만, 종종 비용이 많이 들고 느리며 에이전트의 로직이 정확히 어디에서 실패했는지 설명하는 데 필요한 근본 원인 진단이 부족합니다. 이를 해결하기 위해 개발자는 최종 문자열 일치보다는 특정 도구 호출 또는 파일 수정 확인과 같은 개별 중간 작업에 대해 주장하는 빠르고 로컬이며 단위 스타일의 테스트인 행동 평가를 채택해야 합니다. 이러한 저렴한 마이크로 체크를 매크로 벤치마크와 함께 구축함으로써 엔지니어링 팀은 회귀 위험 없이 시스템 프롬프트를 자신 있게 반복하고 모델을 업그레이드할 수 있습니다. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents developers.googleblog.com +1
Kotlin용 ADK 1.0 발표: Kotlin, Android 등에서 프로덕션 준비된 AI 에이전트 구축 Google은 Kotlin용 Agent Development Kit(ADK)의 버전 1.0을 공식 출시했으며, Python 및 Java ADK 코어와 완전히 동일한 기능을 갖추어 관용적이고 다중 에이전트 AI 개발을 가능하게 합니다. Kotlin Multiplatform(KMP)을 기반으로 구축된 이 프레임워크는 제로 리플렉션, 타입 안전 함수 호출을 위한 Kotlin Symbol Processing(KSP)과 인간 참여 워크플로우 및 컨텍스트 압축과 같은 고급 오케스트레이션 기능을 활용합니다. 또한, 이번 릴리스는 LiteRT-LM을 통한 로컬 모델 통합, Firebase AI를 통한 클라우드 추론, Room을 사용한 세션 지속성, AppSearch를 통한 시맨틱 메모리 통합을 지원하는 강력한 Android 우선 확장 기능 제품군을 도입합니다. Announcing ADK for Kotlin 1.0: Building Production-Ready AI Agents in Kotlin, Android, and Beyond developers.googleblog.com +1
개발자 우수성 강화: 프로그램 스프린트 내부 Gemini Enterprise 개발자 경험(DevEx) 프로그램은 내부적인 지름길에 의존하지 않고 마찰 지점을 식별하고 신속하게 해결하기 위해 엔드투엔드 개발자 워크플로우에 대한 지속적인 스프린트 테스트를 수행합니다. 최근 스프린트는 엔터프라이즈 AI 거버넌스 최적화에 중점을 두었으며, 설정 필수 조건 개선, 확장 구성 보안 강화, 정책 시행 메커니즘 명확화 등을 포함하여 보다 원활하고 안정적인 배포를 보장했습니다. 개발자는 이제 업데이트된 문서와 표준화된 코드 샘플을 활용하여 Agent Gateway 및 Semantic Governance 구성 경험을 개선할 수 있습니다. Driving Developer Excellence: Inside the Program Sprints developers.googleblog.com +1
가장 강력한 AI 에이전트 챌린지 출품작 뒤에 숨겨진 4가지 엔지니어링 패턴 최근 Google for Startups AI Agents Challenge는 가장 성공적인 멀티 에이전트 시스템이 단순히 원시 모델 성능이 아닌 파운데이셔널 소프트웨어 엔지니어링 패턴에 의존한다는 것을 보여주었습니다. 우승 아키텍처는 에이전트 간의 원활한 통신을 위한 양방향 MCP, 병렬 실행을 위한 비동기 이벤트 버스, 모델 폴백을 위한 엄격한 통합 검증, 그리고 비용이 많이 드는 추론 호출을 최소화하기 위한 계층적 라우팅을 일관되게 구현했습니다. 단순한 선형 프롬프트 체인보다 이러한 구조적 관행을 우선시함으로써 개발자는 더 탄력적이고, 낮은 지연 시간을 가지며, 비용 효율적인 에이전트 워크플로우를 구축할 수 있습니다. 4 engineering patterns behind the strongest AI Agents Challenge submissions developers.googleblog.com +1
딥러닝과 Keras를 이용한 우주 신호 디코딩 천체 입자 물리학은 천체 물리학과 입자 물리학의 흥미로운 교차점에 자리하며 연구합니다... Decoding cosmic signals with deep learning and Keras developers.googleblog.com +1
클라우드 TPU에서 장문 맥락 다중 모달 임베딩 추론을 위한 엔터프라이즈급 정밀도 Google Cloud는 vLLM 서빙 엔진에 TPU 지원을 네이티브로 통합하여, 개발자들이 Google Kubernetes Engine(GKE)을 사용하여 높은 수요의 임베딩 파이프라인을 탄력적으로 확장할 수 있도록 했습니다. Qwen3-Embedding-8B와 같은 모델의 15K 이상의 대규모 토큰 컨텍스트를 처리하기 위해 엔지니어링 팀은 하드웨어 안전 텐서 정렬, JAX/XLA 컴파일 사전 워밍, 청크화된 프리필 관리를 위한 하이브리드 StepPool 아키텍처와 같은 TPU별 최적화를 구현했습니다. 이러한 개선 사항은 참조 GPU 기준선과 거의 완벽한 수치적 동등성을 달성하며, 개발자들은 AI-Hypercomputer GitHub의 오픈 소스 설정 레시피를 즉시 활용하여 자체 고처리량 의미 검색 애플리케이션을 구축할 수 있습니다. Enterprise-Grade Precision for Long-Context Multimodal Embedding Inference on Cloud TPU developers.googleblog.com +1
ADK에서 라이브 및 음성 에이전트 평가 방법 라이브 음성 에이전트를 데모에서 프로덕션으로 옮기려면 실제 다중 턴 대화의 예측 불가능성을 처리하기 위한 엄격하고 자동화된 테스트가 필요합니다. ADK는 이제 네이티브 라이브 평가를 제공하여 개발자가 Gemini TTS를 통해 실제 오디오를 생성하는 LLM 기반 시뮬레이션 사용자를 대상으로 그래프 기반 에이전트 워크플로를 테스트할 수 있도록 합니다. 평가 시나리오와 자연어 루브릭을 정의함으로써 오디오 응답 및 도구 실행을 자동으로 채점하고, ADK Web에서 결과 전사를 검사하거나, CI/CD 파이프라인에서 CLI를 직접 실행할 수 있습니다. How to Evaluate Live & Voice Agents in ADK developers.googleblog.com +1
Google의 Agent Development Kit으로 제로 트러스트 AI 에이전트 구축 프로덕션 상태를 변이시키는 자율 AI 에이전트를 구축하려면 소프트 시스템 프롬프트를 넘어 강력한 제로 트러스트 아키텍처로 나아가야 합니다. 프롬프트 주입 및 악의적인 실행으로부터 Google Agent Development Kit (ADK) 워크플로우를 보호하기 위해 개발자는 데이터베이스 쓰기를 위한 하드웨어 기반 암호화 서명, 동적 코드를 위한 gVisor를 사용한 커널 수준 샌드박싱, I/O 검증을 위한 결정론적 의미론적 게이트웨이를 구현해야 합니다. 인프라 수준에서 이러한 하드 보안 경계를 강제함으로써, 무단 데이터 조작이나 서버 침해의 위험 없이 멀티 툴 AI 에이전트를 안전하게 배포할 수 있습니다. Build zero-trust AI agents with Google's Agent Development Kit developers.googleblog.com +1
HeyGen x Google Cloud: 아바타 IV를 TPU로 가져오기 HeyGen은 torchax와 XLA를 통해 18B 이상의 파라미터를 가진 Avatar IV 비디오 생성 모델을 Google Cloud의 Trillium (v6e) TPU로 포팅했으며, 8개 칩 메쉬에 걸쳐 FSDP와 Ulysses 시퀀스 병렬 처리를 활용했습니다. 실시간 스트리밍을 위한 1.86배의 속도 향상을 달성하기 위해 엔지니어링 팀은 노출된 모든-투-모든 콜렉티브를 파이프라인화하고, 마스크 패딩을 제거하기 위해 희소 어텐션 블록 크기를 정렬했으며, 사전 계산된 코시-슈바르츠 상한을 사용하여 소프트맥스 직렬 종속성을 우회했습니다. 이러한 맞춤형 Pallas 커널 및 컴파일러 최적화는 바이트 동일하거나 수학적으로 동등한 픽셀 출력을 보장하기 위한 엄격한 2단계 품질 게이트를 통과한 후에만 배포되었습니다. HeyGen x Google Cloud: Bringing Avatar IV to TPUs developers.googleblog.com +1
Google의 C2PA 콘텐츠 크리덴셜을 위한 오픈 소스 C++ 라이브러리 Credentio 소개 Credentio는 Google에서 새로 출시된 오픈소스 C++ 라이브러리로, 개발자가 C2PA Content Credentials의 고성능 로컬 우선 검증을 클라이언트 및 서버 애플리케이션에 통합할 수 있도록 지원합니다. 이 라이브러리는 최적화된 메모리 사용량으로 에셋을 완전히 로컬에서 처리함으로써, 클라우드 지연, 대역폭 비용 또는 데이터 개인 정보 위험 없이 수 기가바이트 미디어 파일에 대한 즉각적인 검증 결과를 제공합니다. 이 라이브러리는 현재 구성 가능한 신뢰 목록 통합과 함께 심층적인 매니페스트 파싱 기능을 제공하며, 현재 Google Source에서 사용할 수 있으며 향후 전체 크리덴셜 생성 및 임베딩을 지원할 계획입니다. Introducing Credentio: Open Source C++ Library for C2PA Content Credentials from Google developers.googleblog.com +1
Go가 AI 지원 소프트웨어 엔지니어링에 이상적인 언어인 이유 AI 코딩 어시스턴트가 개발자의 주요 역할을 코드 작성에서 시스템 검토 및 유지보수로 전환함에 따라, 장기적인 아키텍처 무결성을 위해 언어 선택이 중요해집니다. Go는 엄격한 컴파일러, 통합 툴체인, 그리고 타협 없는 가독성을 활용하여 AI 모델이 자체 수정하고 매우 표준화된 코드를 생성하도록 돕는 결정론적 가드레일을 제공함으로써 이 새로운 패러다임을 직접적으로 해결합니다. Go 플랫폼은 생태계 전반의 일관성과 엄격한 하위 호환성을 강제함으로써, 엔지니어링 팀이 프로덕션 환경에서 고속으로 생성된 AI 결과물을 효율적으로 검증, 최적화 및 유지보수할 수 있도록 지원합니다. Why Go is an Ideal Language for AI-Assisted Software Engineering developers.googleblog.com +1
LiteRT와 Gemma를 이용한 라즈베리 파이에서의 엣지 AI 마스터링 LiteRT와 경량 Gemma 오픈 모델을 사용하여 Raspberry Pi에서 안전하고 실시간적인 엣지 AI를 배포하는 것이 이제 간편해졌습니다. LiteRT는 CPU 및 GPU 성능을 최적화하여 Gemma4와 같은 모델에 대한 빠른 토큰 속도를 제공하며, 로보틱스를 위한 실시간 로컬 추론을 가능하게 합니다. 개발자는 경량 LiteRT CLI 도구를 사용하여 이러한 모델을 신속하게 변환, 양자화 및 실행할 수 있습니다. Hailo AI 가속기에 대한 지원도 곧 제공될 예정입니다. Mastering Edge AI on Raspberry Pi with LiteRT and Gemma developers.googleblog.com +1
Agent Plugins는 귀하의 기술, 도구 등을 패키징합니다. Agent Plugins 1.0.0은 Google, Amazon, Microsoft 등이 지원하는 새롭고 공급업체 중립적인 디렉토리 사양으로, Agent Skills와 MCP 서버를 단일 휴대 가능한 단위로 패키징합니다. 매니페스트(plugin.json)를 표준화하고 고정된 디렉토리 레이아웃을 활용함으로써 개발자는 다양한 AI 코딩 에이전트 및 IDE를 지원하기 위해 별도의 래퍼나 구성을 유지할 필요가 없습니다. Google은 공식적으로 Core Maintainer로 합류했으며 이미 Agents CLI 및 Data Agent Kit에 지원을 출시하여 개발자가 오늘부터 상호 운용 가능한 플러그인을 구축하고 배포할 수 있도록 했습니다. Agent Plugins package your skills, tools, and more developers.googleblog.com +1
MCP 상태 비저장 업데이트를 통한 AI 에이전트 인프라 확장 2026-07-28 모델 컨텍스트 프로토콜(MCP) 사양은 레거시 상태 기반 제약 조건을 완전히 상태 없는 코어로 대체하여 클라우드 네이티브 수평 확장, 서버리스 배포 및 표준 라운드 로빈 로드 밸런싱을 가능하게 합니다. 이러한 아키텍처 전환은 딥 패킷 검사 없이 효율적인 라우팅을 위한 표준화된 HTTP 헤더, 캐싱 제어 및 연결을 차단하지 않고 대화형 및 장기 실행 작업을 처리하기 위한 Multi Round-Trip Requests(MRTR)를 도입합니다. 개발자는 Python, TypeScript, Go 및 C#용으로 새로 출시된 베타 SDK를 사용하여 에이전트 기반 애플리케이션을 이 고도로 확장 가능한 인프라로 즉시 마이그레이션할 수 있습니다. Scaling AI Agent Infrastructure with the MCP Stateless updates developers.googleblog.com +1
AI 모델 라우팅을 위한 통합 API Google Cloud API Gateway가 이제 Public Preview에서 모델 라우팅 기능을 제공하여, 개발자들이 Gemini, Claude, 또는 OpenAI OSS-GPT와 같은 모델에 엔드포인트를 하드코딩하거나 오픈소스 프록시를 관리할 필요 없이 동적으로 트래픽을 라우팅할 수 있게 되었습니다. 개발자들은 가상 모델 이름을 공유 호스트의 특정 백엔드 타겟에 매핑함으로써 OpenAPI 3.x 사양 내에서 이러한 라우팅 규칙을 쉽게 구성할 수 있습니다. 배포되면, 게이트웨이는 서버리스 인그레스 레이어 역할을 하여 표준 OpenAI 호환 요청을 수락하고, 페이로드를 대상 모델의 네이티브 스키마로 자동 트랜스코딩하며, 트래픽을 실시간으로 라우팅합니다. A unified API for AI model routing developers.googleblog.com +1
세션 인식 로드 밸런싱을 통한 실시간 AI 에이전트 확장 실시간 AI 에이전트는 장기적이고 상태를 유지하는 양방향 스트림에 의존하여 실제 서버 용량을 파악하기 어렵게 만들기 때문에 기존의 요청-응답 로드 밸런싱 패러다임을 벗어납니다. 이를 해결하기 위해 개발자는 런타임 내부에 직접 애플리케이션 레벨 세션 추적을 구현하여 활성 대화의 커밋된 동시 워크로드를 정확하게 측정해야 합니다. 이러한 정확한 세션 수를 표준 CPU 사용률 메트릭과 함께 하이브리드 라우팅 알고리즘에 제공함으로써, 인프라는 상태를 유지하는 AI 트래픽을 효과적으로 분산하고 개별 백엔드 병목 현상을 방지할 수 있습니다. Scaling real-time AI agents with session-aware load balancing developers.googleblog.com +1
Gemini Enterprise Agent Platform의 Agent 및 Model Evaluations가 이제 GA(General Availability)입니다. Agent Platform의 평가 서비스가 이제 일반에 공개되어, 개발자들에게 로컬 개발 실험 및 실제 프로덕션 트래픽 전반에 걸쳐 에이전트 품질을 일관되게 측정할 수 있는 통합 엔진을 제공합니다. 20개 이상의 사전 구축된 메트릭, DeepMind 기반의 적응형 루브릭, 또는 중앙 집중식 버전 관리 레지스트리에 저장된 사용자 정의 코드 기반 및 LLM-as-a-judge 메트릭을 사용하여 에이전트를 평가할 수 있습니다. 이 서비스는 Agent Platform SDK, agents-cli 및 ADK를 통해 기존 워크플로우에 직접 통합되며, 복잡한 다중 턴 테스트를 자동화하고 CI 파이프라인을 간소화하기 위한 내장 사용자 및 환경 시뮬레이터를 제공합니다. Agent and Model Evaluations in Gemini Enterprise Agent Platform are now GA developers.googleblog.com +1
Genkit Go의 Agent Skills로 온디맨드 전문 지식 활성화 컨텍스트 창 부풀림을 방지하고 토큰 소비를 줄이기 위해 Genkit Go는 점진적 공개 아키텍처를 기반으로 하는 Agent Skills를 도입합니다. 개발자는 전문화된 지침, 스크립트 및 참조를 모듈식 SKILL.md 번들로 패키징할 수 있으며, 여기서 프론트매터 메타데이터만 처음에 에이전트의 시스템 프롬프트에 노출됩니다. 작업이 스킬의 설명과 일치하면 Genkit의 미들웨어가 전체 지침 본문 및 관련 자산을 동적으로 로드하여 모델이 정확히 필요할 때 정확한 워크플로우에 액세스하도록 보장합니다. Enable on-demand expertise with Agent Skills in Genkit Go developers.googleblog.com +1
Google 마이크로벤치마크를 사용하여 TPU 성능 평가하는 방법 Google의 오픈 소스 TPU 마이크로벤치마크 스위트는 개발자에게 네트워크, 컴퓨팅, HBM, 호스트 전송 및 어텐션 구성 요소 전반에 걸쳐 세분화된 성능 메트릭을 제공하여 실제 하드웨어 기능을 검증할 수 있도록 합니다. 이러한 벤치마크를 활용하여 루프라인 모델을 구축함으로써 엔지니어는 머신러닝 워크로드가 컴퓨팅, 메모리 또는 네트워크 바운드인지 정확하게 진단할 수 있습니다. 이 경험적 기준선은 커널 튜닝, 메시 샤딩 및 재자료화와 같은 대상 소프트웨어 최적화를 직접적으로 안내하여 대규모 모델 배포를 위한 하드웨어 활용도를 극대화합니다. How to use Google microbenchmarks for evaluating TPU performance developers.googleblog.com +1
TPU에서 Ray 실행하기, 파트 2: Ray AI 라이브러리 이 두 번째 부분에서는 Ray의 상위 레벨 라이브러리인 Serve, Data, Train이 Google의 TPU 슬라이스에서 AI 워크로드를 실행하는 복잡성을 어떻게 추상화하는지 살펴봅니다. Ray Serve는 간단한 토폴로지 구성을 사용하여 대규모 멀티 호스트 모델을 올바르게 갱 스케줄링하는 반면, Ray Data는 네이티브 JAX 배치로 가속기에 직접 데이터를 공급하여 데이터 로딩 병목 현상을 제거합니다. 마지막으로 JaxTrainer는 크로스 슬라이스 조정, 체크포인팅 및 내결함성을 자동으로 처리하여 TPU 전반의 분산 학습을 간소화합니다. Run Ray on TPU, Part 2: Ray AI libraries developers.googleblog.com +1
Agentic RL 스케일링: Tunix를 이용한 고처리량 Agentic 학습 Tunix는 Google의 새로운 JAX 기반 후처리 라이브러리로, 멀티턴, 도구 사용 LLM 추론 에이전트 훈련 시 TPU 유휴 병목 현상을 제거하도록 설계되었습니다. 이는 고도로 동시적이고 비동기적인 롤아웃과 분리된 생산자-소비자 파이프라인을 결합하여 하드웨어 처리량을 극대화하며, 에이전트가 네트워크 I/O 또는 환경 단계를 기다리는 동안에도 트레이너가 지속적으로 데이터를 공급받도록 보장합니다. 또한 Tunix는 플러그 앤 플레이 추상화와 지속적인 매크로 수준 프로파일링을 제공하여 개발자가 사용자 정의 오픈 소스 환경을 쉽게 통합하고 대규모 코드 재작성 없이 복잡한 분산 워크플로우를 최적화할 수 있도록 합니다. Scaling Agentic RL: High-Throughput Agentic Training with Tunix developers.googleblog.com +1
TPU에서 Ray 실행하기, 1부: 기초 Ray 2.55는 Google Cloud TPU에 대한 공식적이고 일급 지원을 도입하여, 개발자들이 친숙한 Ray 작업 및 액터 API를 사용하여 Google의 가속기에서 분산 Python 워크로드를 실행할 수 있도록 합니다. 칩 간 상호 연결(ICI)을 통해 다중 호스트 TPU "슬라이스"를 함께 유지해야 하는 엄격한 네트워킹 요구 사항을 처리하기 위해, GKE의 KubeRay Operator는 기본 하드웨어 레이아웃을 자동으로 프로비저닝하고 레이블을 지정합니다. Ray Core는 slice_placement_group() 기본 요소를 통해 이러한 레이블을 활용하여 완전한 슬라이스를 원자적으로 예약함으로써, 개발자들이 사용자 지정 배치 코드를 작성하지 않고도 ("4x4"와 같은) 하드웨어 토폴로지를 선언하는 것만으로 KubeRay, Ray Train 또는 Ray Serve를 통해 작업을 배포할 수 있도록 합니다. Run Ray on TPU, Part 1: The foundations developers.googleblog.com +1
진화하는 Spec-Driven Development: Conductor, 이제 Antigravity 지원 Conductor는 Gemini CLI 확장 프로그램에서 휴대용 플러그인으로 발전하여 Antigravity CLI 및 Claude와 같은 생태계에 대화형 Spec-Driven Development(SDD)를 제공합니다. 개발자는 엄격한 명령 시퀀스에 의존하는 대신, AI 어시스턴트와 자연스럽게 대화하면서 백그라운드에서 spec.md 및 plan.md와 같은 지속적인 마크다운 아티팩트를 동적으로 관리할 수 있습니다. 이 업데이트는 워크플로우 마찰을 제거하는 동시에 리포지토리가 다양한 AI 도구에 걸쳐 프로젝트의 아키텍처 및 상태에 대한 버전 관리되는 단일 진실 공급원으로 유지되도록 보장합니다. Evolving Spec-Driven Development: Conductor Now Supports Antigravity developers.googleblog.com +1
모듈식 프롬프트 트랜스파일링을 이용한 확장 가능한 AI 에이전트 구축 모놀리식 시스템 프롬프트로 인해 발생하는 스케일링 병목 현상과 런타임 오류를 해결하기 위해 엔지니어링 팀은 재사용 가능한 템플릿으로 지침을 모듈화하여 프롬프트를 빌드 아티팩트로 취급해야 합니다. 이러한 모듈식 "스킬 파일"을 트랜스파일러를 통해 실행함으로써 개발자는 정적 유효성 검사를 강제하고, 빌드 시 누락된 종속성을 감지하며, 프롬프트 생성을 CI/CD 파이프라인에 직접 통합할 수 있습니다. 이 결정론적 접근 방식은 코드 드리프트를 방지하고 궁극적으로 에이전트가 표준 풀 리퀘스트를 통해 자체 로직에 대한 업데이트를 제안할 수 있는 안전한 프레임워크를 구축합니다. Building scalable AI agents with modular prompt transpilation developers.googleblog.com +1
Gemini Enterprise Agent Platform의 선택지 확장: 병렬 웹 검색을 통한 Grounding 도입 Google Cloud는 Gemini Enterprise Agent Platform에서 Parallel의 검색 인프라를 웹 그라운딩 제공업체로 네이티브 통합하기 위해 Parallel Web Systems와 파트너십을 맺었습니다. 이 통합을 통해 개발자는 검증 가능하고 실시간 웹 결과에 AI 에이전트를 고정하여 복잡한 엔터프라이즈 워크플로우의 사실적 정확성을 크게 향상시킬 수 있습니다. 또한, 이 파트너십은 확장된 아키텍처 유 Expanding Choice in Gemini Enterprise Agent Platform: Introducing Grounding with Parallel Web Search developers.googleblog.com +1
시스템 엔지니어링 플레이북: Ironwood (TPU7x)에서 Qwen 3.5-397B MoE 최적화 397B-매개변수 Qwen 3.5 Mixture-of-Experts (MoE) 모델을 Ironwood TPU에서 서비스하기 위해 엔지니어들은 모듈식 JAX/Pallas 최적화 스택을 개발하여 사전 채우기(prefill)가 많은 워크로드에서 최대 4.7배의 추론 속도 향상을 달성했습니다. 팀은 하이브리드 데이터 병렬화 및 전문가 병렬화(DP+EP) 토폴로지를 배포하여 심각한 하드웨어 샤딩 제약을 우회했으며, 계층적 reduce-scatter와 같은 사용자 정의 저수준 통신 융합을 페어링하여 디바이스 간 토큰 라우팅을 최적화했습니다. 마지막으로, Batched Ragged Page Attention 및 완전 융합된 Gated DeltaNet (GDN) 블록과 같은 하드웨어 인식 사용자 정의 커널을 실행하여 HBM 대역폭과 TensorCore MXU를 포화시켜 시스템 처리량을 이론적 루프라인 한계에 가깝게 끌어올렸습니다. Systems Engineering Playbook: Optimizing Qwen 3.5-397B MoE on Ironwood (TPU7x) developers.googleblog.com +1
Google Tensor와 Pixel로 온디바이스 AI의 다음 시대를 열다 Google I/O Connect India에서 Google은 새로운 Pixel 10 제품군을 위한 맞춤형 Tensor SoC 및 TPU로 구동되는 100% 개인 정보 보호, 온디바이스 AI의 미래를 선보였습니다. 이 행사에서는 경량 Gemma 4 E2B 모델이 처음 공개되었으며, 이 모델은 기기에서 네이티브로 실행되어 AI 채팅, 실시간 이미지 인식, 개인 에이전트 작업과 같은 완전한 오프라인 멀티모달 기능을 지원합니다. 개발자는 오늘 새로 발표된 Tensor SDK 베타 및 이에 수반되는 오픈 소스 리소스를 통해 이러한 안전한 엣지 기반 애플리케이션 구축을 시작할 수 있습니다. Unlocking the Next Era of On-Device AI with Google Tensor and Pixel developers.googleblog.com +1
LiteRT.js, Google의 고성능 웹 AI 추론 LiteRT 제품군의 최신 멤버인 LiteRT.js를 소개하게 되어 기쁩니다! LiteRT.js는 머신러닝 모델을 브라우저에서 직접 실행할 수 있는 강력한 솔루션으로, Google의 크로스 플랫폼 엣지 AI 런타임을 웹으로 확장합니다. JavaScript 개발자를 위해 구축된 LiteRT.js는 WebGPU 및 향후 WebNN에서 최첨단 ML 모델 추론 성능을 제공하며, CPU의 경우 WebAssembly로 대체됩니다. 이 게시물에서는 LiteRT.js를 간략하게 살펴보고 웹 개발자가 시작하는 데 필요한 모든 것을 제공합니다. LiteRT.js, Google's high performance Web AI Inference developers.googleblog.com +1
도메인 격차 해소: Antigravity와 Gemini로 구축된 AI 레이스 코치 2026년 5월 23일, Google I/O 무대에서 막 내려온 저희 Google Developer Experts(GDE)들이... Bridging the Domain Gap: AI Race Coach built with Antigravity and Gemini developers.googleblog.com +1
TPU를 훈련 중에 중단하고 몇 초 만에 복구했습니다: MaxText를 사용한 탄력적 훈련 소개 분산 AI 학습은 단일 머신의 손실이 일반적으로 전체 멀티노드 작업을 중단시켜 시간 소모적인 전체 워크로드 인프라 재시작을 강요하기 때문에 악명 높게 불안정합니다. 이를 해결하기 위해 Google의 JAX 생태계는 Pathways를 통한 탄력적 학습을 활용하며, 이는 하드웨어 오류를 잡을 수 있는 Python 예외로 변환하여 실행 중인 프로세스가 생존할 수 있도록 합니다. 계획되지 않은 오류가 발생하면 시스템은 손상된 워커만 자동으로 교체하고, Cloud Storage에서 마지막으로 유효한 체크포인트를 복원하며, 제자리에서 학습을 재개하여 총 다운타임을 2분 미만으로 최소화하고 메인 컨트롤러 프로세스를 전혀 재시작하지 않습니다. We terminated a TPU mid-training and it recovered in seconds: Introduction to elastic training with MaxText developers.googleblog.com +1
ADK 2.0을 개발한 이유 ADK 2.0을 구축한 이유에 대한 질문에 답합니다. 이는 ADK 2.0 출시 다음 날 게시될 예정이며, 개발 이유, 일부 기능 및 개발자가 업그레이드를 고려해야 하는 이유를 설명합니다. Why we built ADK 2.0 developers.googleblog.com +1
Genkit으로 에이전트 기반 풀스택 앱을 구축하세요 오픈 소스 Genkit 프레임워크가 대화형 AI의 복잡한 배관 작업을 메시지 기록, 도구 루프 및 스트리밍을 단일 인터페이스로 패키징하여 단순화하도록 설계된 풀스택 도구인 Agents API를 도입했습니다. 이 API는 유연한 서버 또는 클라이언트 관리 상태 지속성을 지원하여 기록 분기, 장기 실행 분리 작업 및 다중 에이전트 조정과 같은 고급 워크플로우를 허용하는 동시에 통합 와이어 프로토콜을 통해 백엔드를 프런트엔드에 원활하게 연결합니다. 현재 TypeScript 및 Go에 대한 미리 보기로 제공되며 Genkit 개발자 UI와 통합되어 개발자가 클라이언트 코드를 작성하지 않고도 에이전트 스냅샷을 쉽게 테스트, 디버그 및 검사할 수 있습니다. Build agentic full-stack apps with Genkit developers.googleblog.com +1
Google Cloud 파워를 활용한 VS Code에서의 ML 개발: Workbench 확장 프로그램 출시 VS Code용 Google Cloud Workbench Notebooks 확장 프로그램이 공식 출시되어 개발자들이 로컬 IDE를 확장 가능하고 클라우드 기반의 Jupyter 환경에 연결할 수 있게 되었습니다. 이 통합은 컨텍스트 전환을 제거하고 고성능 Google Cloud 인프라에 직접 액세스할 수 있도록 하여 머신러닝 라이프사이클을 간소화합니다. 투명성과 커뮤니티 주도 혁신을 지원하기 위해 새로 출시된 확장 프로그램은 완전히 오픈 소스로 GitHub 및 VS Code Marketplace에서 사용할 수 있습니다. ML Development in VS Code with Google Cloud Power: Workbench Extension Now Available developers.googleblog.com +1
ADK Go 2.0으로 안정적인 멀티 에이전트 애플리케이션을 구축하세요. 새로운 그래프 기반 워크플로우 엔진, 내장된 휴먼 인 더 루프, 동적 오케스트레이션을 살펴보세요. Go 2.0용 Agent Development Kit(ADK)가 출시되어, 개발자들이 복잡한 멀티 에이전트 애플리케이션을 구성할 수 있도록 돕는 최초의 그래프 기반 워크플로우 엔진을 선보입니다. 이번 업데이트는 human-in-the-loop(HITL) 오케스트레이션, 일반 Go 코드를 사용한 동적 실행, 그리고 지수 백오프 재시도와 같은 자동 복원력 기능을 위한 내장 프리미티브를 추가했습니다. 실행 모델을 통합함으로써, 단일 에이전트 애플리케이션과 복잡한 그래프 모두 동일한 런타임에서 실행되어 텔레메트리 및 상태 지속성을 단순화합니다. Build reliable multi-agent applications with ADK Go 2.0. Discover our new graph-based workflow engine, built-in human-in-the-loop, and dynamic orchestration developers.googleblog.com +1
코딩 에이전트로부터 에이전트 품질 플라이휠 추진하기 AI 에이전트 구축은 종종 개발자들에게 프롬프트 수정이 프로덕션에서 광범위한 회귀를 우연히 유발할지에 대한 불확실성을 남깁니다. 이 격차를 해소하기 위해 Google은 코딩 에이전트를 위한 새로운 개발자 스킬을 도입했습니다. 이 스킬은 5단계 평가 플라이휠을 자동화합니다: 데이터 준비, 추론 실행, 적응형 AutoRaters를 사용한 채점, 실패 클러스터 분석, 그리고 목표 최적화 실행. 프로덕션 트래픽에 대해 지속적으로 실행되거나 합성 시나리오를 통해 온디맨드로 실행되는 이 도구를 통해 개발자는 일반 언어로 테스트 목표를 설명할 수 있으며, 독립적인 평가 서비스는 실제 성능 개선을 안전하게 검증하고 집계합니다. Driving the Agent Quality Flywheel from Your Coding Agent developers.googleblog.com +1
Google의 Agent Development Kit 및 A2A를 사용하여 언어 간 다중 에이전트 팀 구축 Python 에이전트와 Go 에이전트가 Agent2Agent 프로토콜을 사용하여 계약 준수를 협업하는 방법Y... Build Cross-Language Multi-Agent Team with Google’s Agent Development Kit and A2A developers.googleblog.com +1
줄스와 함께 중요한 것을 측정하다 AI 코딩 에이전트는 프롬프트 시 작업을 완료하는 수동적인 조수에서 빠르게 변화하고 있습니다... Measuring What Matters with Jules developers.googleblog.com +1
A2A가 협업 에이전트의 세계를 구축하는 방법 Agent-to-Agent(A2A) 프로토콜 출시 1주년을 기념하며, 이 블로그 게시물은 이 프레임워크가 어떻게 전통적인 API의 경직성 없이 자율 AI 에이전트가 안전하게 협업하고 작업을 인계할 수 있도록 하는지 강조합니다. 복잡한 워크플로우를 전문화된 피어 에이전트에게 위임함으로써, A2A는 컨텍스트 오염을 방지하고, 데이터 프라이버시를 보장하며, 모듈성을 통해 애플리케이션 설계를 단순화합니다. 이 생태계를 실제 작동하는 모습으로 보여주기 위해, 게시물은 생명 과학 분야의 에이전트 인터페이스인 FoldRun을 조명합니다. FoldRun은 복잡한 단백질 구조 예측을 조율하며, 상거래, 데이터 스트리밍, DevOps, 통신 전반에 걸친 다양한 A2A 사용 사례를 선보입니다. How A2A is Building a World of Collaborative Agents developers.googleblog.com +1
A2UI + MCP 앱: 선언형 및 맞춤형 에이전트 UI의 장점을 결합 이 게시물은 Model Context Protocol (MCP) 앱과 Agent-to-User Interface (A2UI)를 통합하기 위해 설계된 세 가지 아키텍처 패턴을 소개하며, 이는 고도로 맞춤화된 iframe 환경과 네이티브, 선언적 렌더링 간의 절충점을 해결합니다. 이러한 접근 방식을 결합함으로써 개발자는 MCP 서버를 통해 직접 네이티브와 같은 느낌의 UI를 제공하거나, 선언적 뷰 내에 복잡하고 상태적인 iframe 앱을 안전하게 포함시키거나, 레거시 시스템에 생성적 UI 구성 요소를 주입할 수 있습니다. 궁극적으로 이러한 하이브리드 프레임워크는 엔지니어링 팀이 특정 프로젝트 제약 조건에 맞춰 안전하고 성능이 뛰어나며 브랜드 일관성을 유지하는 에이전트형 사용자 경험을 제공할 수 있도록 지원합니다. A2UI + MCP Apps: Combining the best of declarative and custom agentic UIs developers.googleblog.com +1
Agentic Resource Discovery 사양 발표 웹 전반에 걸쳐 도구, 기술 및 에이전트를 찾고 검증하기 위한 개방형 사양입니다. 에이전트는... Announcing the Agentic Resource Discovery specification developers.googleblog.com +1
TPU 스택의 힘을 열다: 새로운 개발자 허브 소개 Google이 모델 빌더와 개발자가 Google Cloud TPU의 성능을 극대화하도록 돕기 위해 설계된 중앙 집중식 교육 리소스인 TPU 개발자 허브를 공식 출시했습니다. 이 허브는 코드 우선 리소스, 오픈 소스 레시피, 하드웨어 아키텍처, 소프트웨어 최적화, 디버깅, 병렬 처리 및 네트워킹을 다루는 심층 문서 등을 제공합니다. 이러한 자료는 대규모 학습부터 저지연 추론 워크로드까지 모든 것을 간소화하기 위해 인간 개발자와 AI 지원 도구 모두에게 맞춰져 있습니다. Unlocking the Power of the TPU Stack: Introducing our new Developer Hub developers.googleblog.com +1
보안 및 신뢰 강화: Google 로그인에 새로운 세션 메타데이터 도입 Google은 개발자에게 더 깊은 세션 메타데이터를 제공하기 위해 새로운 OIDC 표준 클레임, 특히 auth_time 및 amr(Authentication Methods Reference)을 도입하여 Sign in with Google을 강화하고 있습니다. 이러한 업데이트를 통해 검증된 앱은 사용자의 로그인 "신선도"와 사용된 특정 인증 방법(예: MFA 또는 하드웨어 키)을 확인할 수 있어, 보다 동적이고 위험 기반의 액세스 제어가 가능해집니다. 이러한 연합 ID 신호를 활용함으로써 플랫폼은 계정 탈취 및 사기를 더 잘 방지하는 동시에 민감한 작업에 대한 단계별 인증과 같은 세분화된 보안 정책을 구현할 수 있습니다. Enhance Security and Trust: New Session Metadata in Sign in with Google developers.googleblog.com +1
DiffusionGemma: 개발자 가이드 DiffusionGemma는 Gemma 4 아키텍처를 기반으로 구축된 실험적인 텍스트 생성 모델로, 토큰별 자기회귀 대신 확산 기반 병렬 생성을 사용하여 추론 속도를 훨씬 빠르게 하고, 양방향 컨텍스트 인식을 가능하게 하며, 실시간 자체 수정을 지원하면서도 소비자용 GPU에 배포할 수 있습니다. 이 아키텍처는 반복적인 노이즈 제거를 통해 256개 토큰 블록을 병렬로 생성하고 개선하여, 스도쿠와 같은 복잡한 제약 기반 작업을 기존 언어 모델보다 더 효과적으로 처리할 수 있게 하고 미세 조정을 통한 강력한 성능 향상을 보여줍니다. 이 모델은 vLLM 및 기타 인기 있는 추론 프레임워크와 통합되어 개발자들에게 고성능, 효율적인 긴 컨텍스트 확장, 그리고 간단한 사용자 정의 및 배포를 결합한 새로운 비자기회귀 접근 방식을 제공합니다. DiffusionGemma: The Developer Guide developers.googleblog.com +1
Google Colab CLI 소개 Google은 개발자와 AI 에이전트가 로컬 터미널을 원격 Colab 런타임에 연결하여 원활하게 실행할 수 있도록 하는 새로운 도구인 Google Colab Command-Line Interface(CLI)를 발표했습니다. 이 경량 CLI를 통해 사용자는 고성능 GPU를 쉽게 요청하고, 로컬 Python 스크립트를 원격으로 실행하며, fine-tuned Gemma 3 어댑터와 같은 아티팩트 로그 또는 모델을 원활하게 검색할 수 있습니다. 표준 터미널 환경에 직접 통합함으로써 이 도구는 프로그래밍 가능성이 높으며 Antigravity 또는 Claude Code와 같은 AI 에이전트가 복잡한 머신러닝 파이프라인을 관리하는 데 사용할 준비가 되어 있습니다. Introducing the Google Colab CLI developers.googleblog.com +1
Gemma 4 12B: 개발자 가이드 새롭게 출시된 Gemma 4 12B는 소비자 기기에서 고성능 로컬 AI 실행을 위해 설계된 밀집형 멀티모달 모델입니다. 새로운 인코더 없는 아키텍처를 도입하여, 전통적인 시각 및 오디오 인코더를 우회하고 멀티모달 데이터를 LLM 백본에 직접 공급합니다. Gemma 4 12B: The Developer Guide developers.googleblog.com +1
Google AI Edge를 사용하여 노트북에서 Gemma 4 12B를 실행하고 로컬 에이전트 워크플로우를 활용하는 방법 Google DeepMind의 Gemma 4 12B 모델은 16GB RAM을 갖춘 일반 노트북에 에이전트 기반의 멀티모달 AI 기능을 제공하여 로컬 데이터 처리 및 시각적 인사이트 생성을 가능하게 합니다. 사용자는 Google AI Edge Gallery를 통해 macOS에서 이 모델을 활용하여 동적인 Python 코드 실행 및 시각화를 할 수 있으며, Google AI Edge Eloquent를 통해 완전히 오프라인 상태에서 음성 받아쓰기 및 텍스트 편집도 가능합니다. 또한, LiteRT-LM CLI의 새로운 serve 명령어를 통해 개발자 워크플로우가 향상되어, 완전 로컬 AI 도구 및 에이전트를 구동하기 위한 업계 호환 로컬 엔드포인트를 생성할 수 있습니다. Bringing Gemma 4 12B to your Laptop: Unlocking Local, Agentic Workflows with Google AI Edge developers.googleblog.com +1
