Google Gemini Deep Research Agent - 장기 리서치 과제를 자동 수행하는 Interactions API

게시 2026/05/02 업데이트 2026/05/03

By Juho

8 분읽는 시간

개요

Google이 Gemini Deep Research Agent를 공개했다. 에이전트가 장기 리서치 과제를 자율적으로 계획, 검색, 종합해 인용이 포함된 상세 보고서를 생성한다. Deep Research는 백그라운드에서 실행되며 Interactions API를 통해서만 제공된다. 기존의 generate_content가 아니라 client.interactions.create로 호출하는 점이 중요한 차이다.

배경

두 가지 버전이 동시에 제공된다.

버전	특징
deep-research-preview-04-2026	속도·효율 중심. 클라이언트 UI 스트리밍에 적합
deep-research-max-preview-04-2026	자동 컨텍스트 수집·종합을 위한 최대 포괄성

이번 릴리스에서 함께 도입된 신규 역량은 다음과 같다.

Collaborative planning: 실행 전 리서치 계획을 검토하고 다듬는다
Native charts & infographics: 에이전트가 차트, 그래프, 인포그래픽을 직접 생성한다
Remote MCP server: Model Context Protocol로 외부 도구 연결
Extended tooling: Google Search, URL Context, Code Execution, MCP, File Search
Multimodal research grounding: 이미지, PDF, 오디오를 리서치 컨텍스트로 전달

핵심 내용

설정과 첫 실행

Python SDK를 설치하고 API 키를 환경 변수에 설정한다.

  
pip install google-genai
export GEMINI_API_KEY="your-api-key"

Deep Research는 비동기 실행이므로 background=True와 폴링을 함께 사용한다.

  
import time
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    input="Research the history of Google TPUs.",
    agent="deep-research-preview-04-2026",
    background=True,
)

while True:
    interaction = client.interactions.get(interaction.id)
    if interaction.status == "completed":
        print(interaction.outputs[-1].text)
        break
    elif interaction.status == "failed":
        print(f"Research failed: {interaction.error}")
        break
    time.sleep(10)

협업 계획 모드

collaborative_planning=True로 두면 즉시 실행 대신 리서치 계획만 반환된다. previous_interaction_id로 대화를 이어 계획을 수정할 수 있고, 준비되면 collaborative_planning=False로 전환해 실제 실행을 시작한다.

  
import time
from google import genai

client = genai.Client()

plan = client.interactions.create(
    agent="deep-research-preview-04-2026",
    input="Research Google TPUs vs competitor hardware.",
    agent_config={"type": "deep-research", "collaborative_planning": True},
    background=True,
)

while (result := client.interactions.get(id=plan.id)).status != "completed":
    time.sleep(5)

print(result.outputs[-1].text)

계획 수정은 다음과 같이 이어진다.

  
refined = client.interactions.create(
    agent="deep-research-preview-04-2026",
    input="Add a section comparing power efficiency.",
    agent_config={"type": "deep-research", "collaborative_planning": True},
    previous_interaction_id=plan.id,
    background=True,
)

마지막 턴에서 반드시 collaborative_planning=False로 바꿔야 보고서 생성이 시작된다. “go ahead” 같은 단순 승인 메시지만으로는 실행되지 않는다.

  
report = client.interactions.create(
    agent="deep-research-preview-04-2026",
    input="Plan looks good!",
    agent_config={"type": "deep-research", "collaborative_planning": False},
    previous_interaction_id=refined.id,
    background=True,
)

차트와 인포그래픽 자동 생성

visualization="auto"를 설정하면 에이전트가 base64 인코딩 이미지 형태로 차트와 인포그래픽을 반환한다.

  
import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    agent="deep-research-preview-04-2026",
    input="Analyze global semiconductor market trends. Include charts showing market share changes.",
    agent_config={"type": "deep-research", "visualization": "auto"},
    background=True,
)

while (result := client.interactions.get(id=interaction.id)).status != "completed":
    time.sleep(5)

for output in result.outputs:
    if output.type == "text":
        print(output.text)
    elif output.type == "image" and output.data:
        image_bytes = base64.b64decode(output.data)

기능을 켜는 것만으로는 최적 결과를 얻기 어려우며 프롬프트에서 원하는 시각화를 명시하는 것이 권장된다.

원격 MCP 서버와 도구 구성

원격 MCP 서버를 연결해 외부 도구에 접근할 수 있다. No-auth, bearer token, OAuth를 모두 지원하며 allowed_tools로 사용할 도구를 제한할 수 있다.

  
interaction = client.interactions.create(
    agent="deep-research-preview-04-2026",
    input="Research how recent geopolitical events influenced USD interest rates",
    tools=[
        {
            "type": "mcp_server",
            "name": "Finance Data Provider",
            "url": "https://finance.example.com/mcp",
            "headers": {"Authorization": "Bearer my-token"},
        }
    ],
    background=True,
)

기본 도구는 google_search, url_context, code_execution이다. 선택적으로 mcp_server와 file_search를 추가할 수 있다. 예를 들어 공용 웹 검색만 허용하려면 다음과 같이 제한한다.

  
interaction = client.interactions.create(
    agent="deep-research-preview-04-2026",
    input="Latest developments in quantum computing.",
    tools=[{"type": "google_search"}],
    background=True,
)

멀티모달 그라운딩

텍스트 프롬프트와 함께 이미지, PDF, 문서를 전달해 리서치의 근거로 삼을 수 있다.

  
interaction = client.interactions.create(
    agent="deep-research-preview-04-2026",
    input=[
        {"type": "text", "text": "What has been the impact of this research paper?"},
        {"type": "document", "uri": "https://arxiv.org/pdf/1706.03762", "mime_type": "application/pdf"},
    ],
    background=True,
)

실시간 스트리밍

stream=True와 thinking_summaries="auto"를 결합하면 중간 추론 요약, 텍스트, 생성 이미지를 실시간으로 받아볼 수 있다. 연결이 끊기면 last_event_id를 넘겨 재연결한다.

  
import base64
from google import genai
from IPython.display import Image, display

client = genai.Client()

interaction_id = None
last_event_id = None
is_complete = False

def process_stream(stream):
    global interaction_id, last_event_id, is_complete
    for chunk in stream:
        if chunk.event_type == "interaction.start":
            interaction_id = chunk.interaction.id
        if chunk.event_id:
            last_event_id = chunk.event_id
        if chunk.event_type == "content.delta":
            if chunk.delta.type == "text":
                print(chunk.delta.text, end="", flush=True)
            elif chunk.delta.type == "thought_summary":
                print(f"\n{chunk.delta.content.text}", flush=True)
            elif chunk.delta.type == "image" and chunk.delta.data:
                image_bytes = base64.b64decode(chunk.delta.data)
                display(Image(data=image_bytes))
        elif chunk.event_type in ("interaction.complete", "error"):
            is_complete = True

stream = client.interactions.create(
    input="Research AI chip market trends. Include charts comparing vendors.",
    agent="deep-research-preview-04-2026",
    background=True,
    stream=True,
    agent_config={
        "type": "deep-research",
        "thinking_summaries": "auto",
        "visualization": "auto",
    },
)
process_stream(stream)

while not is_complete and interaction_id:
    status = client.interactions.get(interaction_id)
    if status.status != "in_progress":
        break
    stream = client.interactions.get(
        id=interaction_id, stream=True, last_event_id=last_event_id,
    )
    process_stream(stream)

결론

Gemini Deep Research Agent는 단일 응답 대신 장기 실행 에이전트를 공식 API로 제공하는 사례다. 협업 계획, 네이티브 시각화, 원격 MCP 통합, 멀티모달 그라운딩은 리서치 전 과정을 한 에이전트 안에 담는 방향성을 보여준다. Interactions API라는 새로운 표층을 통해 Google은 generate_content와 별개로 상태 기반 장기 과제를 위한 공식 경로를 마련했다.

Reference

Google AI Studio - Deep Research Agent

AI Agent LLM MCP