본문으로 건너뛰기

Google Antigravity에서 Orchestrator와 멀티 에이전트 명령은 언제 나눠 쓸까

일상적인 기능 개발과 단일 세션 디버깅은 에이전트를 여러 개 띄우지 않고 모델 선택 메뉴의 Orchestrator를 고르는 편이 맞습니다. 한 대화 안에서 계획 모델과 실행 모델을 번갈아 쓰면 속도와 쿼터를 함께 줄일 수 있기 때문입니다.

작업을 여러 에이전트 컨텍스트로 쪼개야 할 때만 슬래시 명령을 고릅니다. 이때도 순서와 출력 형식이 고정된 반복 작업인지(/run-workflow), 작업자들이 공유 게시판에서 서로 맞추어야 하는 넓은 작업인지(/swarm), 한 문제의 난도가 높아 앞선 시도를 반증하며 다시 검증해야 하는지(/boost)에 따라 선택이 갈립니다.

한 대화의 모델 전환과 멀티 에이전트 컨텍스트 분리의 차이​

Orchestrator와 나머지 세 슬래시 명령(/run-workflow, /swarm, /boost)은 서로 대신 고르는 경쟁 기능이 아닙니다. Orchestrator는 한 대화 세션 안에서 역할을 맡는 모델만 바꾸는 모델 페어링 옵션이고, 세 슬래시 명령은 각자 독립된 컨텍스트가 있는 여러 에이전트를 새로 띄우는 구조입니다. 따라서 Orchestrator로 기본 작업을 진행하다가 한 대화에 담기 어려운 조건이 생길 때 슬래시 명령을 호출할 수 있습니다.

Gemini 4 Hydrogen 출시 글(2026년 11월 12일)에 따르면, 일상 작업의 매 단계마다 Gemini 4 Carbon 같은 프런티어 추론 모델과 병렬 에이전트를 동원하면 응답 루프가 느려지고 쿼터가 빨리 닳습니다. 그렇다고 첫 프롬프트만 보고 모델 난이도를 결정하는 정적 라우터를 쓰면, 작업이 길어지면서 중간에 복잡도가 올라갈 때 대응하기 어렵습니다.

Orchestrator는 이 문제를 한 대화 경로(trajectory) 안에서 양방향으로 모델을 전환해 풉니다. 먼저 계획 모델(Carbon 또는 Argon)이 읽기 전용 단계에서 의존성을 살피고 재계획 조건(re-planning triggers)을 포함한 계획을 세운 뒤, 실행 모델(Hydrogen)에 코드 수정과 패키지 업데이트, 테스트 실행을 넘깁니다. 실행 중 테스트가 실패하거나 막히는 지점이 나오면 제어권을 다시 계획 모델로 돌려 상태를 점검하고 계획을 고칩니다.

Terminal-Bench 4.1 기준으로 공개된 측정 결과에서 Orchestrator는 Carbon 단독 실행에 가까운 성공률을 유지하면서 평균 쿼터 사용량을 24% 줄이고 완료 시간을 19% 단축했습니다. Google 공식 블로그에서는 같은 수치를 Terminal-Bench 4.0 기준으로 표기했습니다. 다만 모든 도구 출력과 파일 읽기 기록이 여전히 한 대화 컨텍스트에 쌓이므로, 대량 로그를 격리하거나 여러 파일을 동시에 수정해야 할 때는 에이전트를 나누는 명령이 필요합니다.

작업이 넓게 갈라질 때: 스크립트 통제(/run-workflow)와 게시판 조율(/swarm)​

여러 파일이나 패키지에 걸친 작업은 병렬로 나눌 수 있지만, 작업 도중 에이전트끼리 대화해야 하는지에 따라 /run-workflow와 /swarm의 동작이 갈립니다.

순서와 입출력이 정해진 반복 작업: /run-workflow​

/run-workflow(Dynamic Workflows)는 에이전트끼리 직접 대화하지 않는 구조입니다. 메인 에이전트가 내장 run-workflow 스킬을 읽어 Python 스크립트를 작성하면, 별도의 내장 Python 프로세스가 백그라운드에서 하위 에이전트들을 호출합니다. 필요하면 ANTIGRAVITY_PYTHON 환경 변수로 Python 3.8 이상을 직접 지정할 수 있습니다. 각 에이전트는 스크립트 코드나 다른 에이전트의 존재를 보지 못하므로 프롬프트에 필요한 맥락을 모두 받아 작업하고, 대량의 파일 읽기나 테스트 로그는 자기 대화 안에만 남깁니다.

결과를 보호하는 계약은 Python 제어 흐름과 JSON Schema입니다. 스크립트는 parallel()로 목록의 항목을 동시에 돌리거나 pipeline()으로 공유 파일이 겹치는 작업을 한 번에 하나씩 실행하며, agent()에 넘긴 JSON Schema(schema)에 맞춰 finish 도구를 호출해야 결과를 반환할 수 있습니다. finish 없이 끝나면 워크플로가 실패하고, parallel() 안의 에이전트 중 하나가 실패하면 나머지 실행 중인 에이전트도 모두 취소됩니다.

이 구조 덕분에 정형화된 반복 점검이나 고정된 2단계 루프를 코드로 재사용할 수 있습니다. 공식 문서는 main 브랜치 이후 바뀐 Python 파일 목록을 뽑아 model="flash"로 파일별 예외 처리를 병렬 점검하는 사례와, reviewer = agent(...)로 대화 상태를 유지한 채 버그를 찾고 parallel() 수정 에이전트들이 고친 뒤 같은 reviewer가 재검증하는 사례를 듭니다. 여기서 사람이 판단하고 승인할 지점은 두 곳입니다. Turbo 같은 권한 프리셋으로 미리 허용하지 않았다면 실행 전에 생성된 Python 스크립트를 직접 검토해 승인해야 합니다. 하위 에이전트가 보호된 도구나 명령을 실행할 때는 개별 에이전트 대화에서 승인 요청을 처리해야 하며, CLI(Command Line Interface)에서는 Alt+J와 Ctrl+K로 이 요청을 처리합니다.

작업자 간 조율과 교차 검증이 필요한 작업: /swarm​

/swarm은 작업자들이 진행 중에 인터페이스를 맞추거나 조사 단서를 합쳐야 할 때 씁니다. 명령을 실행하면 현재 대화가 coordinator로 전환되어 직접 코드를 고치지 않고 작업을 겹치지 않는 단위로 나눕니다. @parser나 @api-tests, 혹은 @fix-1부터 @fix-4처럼 이름 붙은 작업자들은 깨끗한 컨텍스트로 시작해 하나의 공유 게시판(shared message board)에서 @mention으로 대화합니다.

/swarm의 검증 계약은 공개 브리프(public brief)와 전담 검증자(@verifier)에 있습니다. 작업자별 소유 범위와 건드리지 말아야 할 경계, 완료 기준이 게시판에 공개되어 모든 구성원이 전체 분담 상태를 봅니다. 보통 작업자 2명에서 4명당 하나씩 붙는 @verifier는 diff를 읽고 테스트를 실행해 결함을 찾으면 작성자를 @이름으로 불러 수정을 돌리며, 프롬프트에서 지시하면 작업자와 다른 모델로 @verifier를 고정해 교차 모델 검증을 할 수도 있습니다. 작업이 끝나기 전에 모든 구성원이 조용히 멈춰 있으면 잠들어 있던 @monitor가 깨어나 진행을 재촉합니다.

비용과 상태 관리는 /run-workflow보다 신경 쓸 조건이 많습니다. Waiting 상태의 작업자는 게시판에서 잠들어 토큰을 쓰지 않지만, 작업자마다 독립 에이전트이므로 전체적으로는 단일 대화보다 쿼터를 훨씬 빠르게 소모하며, 현재 프리뷰 단계로 제공됩니다. 구성원이 쿼터를 다 쓰면 재시도 없이 멈추며 쿼터가 갱신되어도 자동으로 다시 시작하지 않으므로 새 게시글로 깨우거나 모델을 전환해야 합니다. 또한 동시 편집을 위해 작업자별 사본을 두었다면 Killed 상태로 제거할 때 그 작업 사본도 영구 삭제되므로, 제거 전에 작업자가 변경 사항을 먼저 반영했는지 사람이 확인해야 합니다.

작업이 넓지 않아도 한 문제가 까다로울 때: 반증 루프(/boost)​

작업이 여러 파일로 나뉘지 않더라도 경쟁 상태(race condition), 간헐적 데드락, 고성능 알고리즘 최적화, 강하게 얽힌 모듈 리팩토링은 한 번의 시도로 통과하기 어렵습니다. 공식 문서는 /boost를 일상 코딩과 수 시간에서 수일 단위 장기 프로젝트(/teamwork) 사이의 고난도 문제를 푸는 다단계 추론 파이프라인으로 구분합니다.

/boost는 세 단계 위계로 결과를 검증합니다. 먼저 주 오케스트레이터(primary orchestrator)가 구현 중심(DeepCoder)인지 근본 원인 추적(DeepInvestigator)인지 판별해 파이프라인 코디네이터에 넘기면, 첫 작업자가 수정 후보나 원인 추적을 마치고 테스트를 돌립니다. 이어서 후속 개선 작업자(improvement workers)가 격리된 서브에이전트 컨텍스트에서 원래 요구사항을 독립적으로 다시 읽고, 앞선 결과에서 놓친 예외 조건이나 결함을 찾아 수정한 뒤 테스트를 재실행합니다. 마지막으로 주 오케스트레이터가 코드 변경과 테스트 기록을 프롬프트의 모든 요구사항과 직접 대조해, 빠진 조건이 남았으면 진행 맥락을 붙여 다음 라운드를 다시 돌립니다.

이 과정에서 사람이 보는 메인 대화창은 깨끗하게 남습니다. 시행착오와 디버그 로그는 하위 서브에이전트 메모리에만 남고 검증을 통과한 결과 요약만 전달되며, 파일 접근이나 명령 승인 정책은 현재 작업 공간의 권한 설정을 그대로 따릅니다.

멀티 에이전트 선택지별 위임 구조와 비용 조건​

앞의 단일 대화 옵션(Orchestrator)을 빼고, 실제로 에이전트를 여러 개 띄우는 슬래시 명령만 같은 층위에서 비교하면 검증 계약과 실패 동작에서 차이가 분명하게 드러납니다. 공식 문서의 비교 표에 따라 일반 서브에이전트와 장기 프로젝트용 /teamwork도 경계 참고용으로 함께 두었습니다.

구분일반 서브에이전트/run-workflow/swarm/boost/teamwork
위임 대상독립된 부수 작업 1건스크립트 목록의 반복 작업과 단계파일, 패키지, 조사 트랙별 작업자고난도 단일 문제의 구현, 분석, 반증마일스톤 단위 장기 프로젝트
검증 계약부모 에이전트가 응답 확인finish 도구와 JSON Schema, parallel() 일괄 취소공개 브리프, @verifier diff와 테스트 검토개선 작업자의 반증 수정 후 주 오케스트레이터 대조Critic, Challenger, Auditor, Success Auditor 게이트
작업 공간현재 작업 공간 (요청 시 분기)inherit, branch(Git worktree), share기본 공유, 동시 편집 시 별도 사본격리된 서브에이전트 컨텍스트로 현재 공간 공유전용 디렉터리(~/teamwork_projects/{PROJECT_NAME})와 배타 소유권
시간 범위와 요금제수 초에서 수 분, 전체 요금제수 분에서 수 시간, Pro와 Ultra수 분에서 수 시간, Pro와 Ultra (프리뷰)수 초에서 수 시간, 유료 요금제수 시간에서 수일, 유료 요금제

표에서 결정을 가르는 핵심 원리는 컨텍스트 격리와 검증 계약이 쿼터 소모 및 실패 비용으로 이어지는 방식에 있습니다. 스키마로 출력을 고정하고 오류가 나면 일괄 취소할수록 불필요한 토큰 낭비는 줄지만 작업자 간 중간 합의는 불가능해지며, 반대로 공유 게시판이나 반복 반증 루프로 조율과 검증을 늘릴수록 에이전트 수와 라운드 수에 비례해 쿼터가 빠르게 줄고 사본 병합이나 수동 재개처럼 사람이 확인할 지점이 늘어납니다.

한편 경계 밖의 선택지도 명확합니다. 탐색이나 브라우저 확인처럼 한 가지 부수 작업만 메인 대화 밖으로 빼둘 때는 일반 서브에이전트로 충분합니다. 반면 시작 전에 요구사항 인터뷰를 거치고 전용 디렉터리에서 마일스톤 감사 게이트를 통과해야 하는 저장소 마이그레이션은 수 시간에서 수일이 걸리므로 /teamwork가 맡습니다. 모델 선택 수준에서도 Google AI Ultra는 Orchestrator (Carbon)과 Orchestrator (Argon)을, 유료 Google AI Pro는 Orchestrator (Argon)을 지원하며, 역할별 모델 배치를 코드로 직접 통제하려면 Antigravity Python SDK를 쓸 수 있습니다.

판단 기준​

공식 문서의 슬래시 명령 선택 가이드와 검증 계약, 비용 조건을 질문 순서로 정리한 체크리스트입니다.

한 대화에서 모델을 나눌지, 스크립트나 게시판, 반증 루프로 에이전트를 나눌지 고르는 흐름

  1. 한 대화 안에서 끝낼 수 있는 일상 기능 개발과 디버깅인가? 그렇다면 모델 선택 메뉴에서 Orchestrator를 고릅니다.
  2. 여러 파일이나 단계에 같은 작업을 적용하고, 순서와 JSON 출력 형식을 Python 코드로 고정할 수 있는가? 그렇다면 /run-workflow를 쓰고, 실행 전 스크립트 내용을 검토해 승인합니다.
  3. 작업이 독립 파일이나 패키지, 조사 트랙으로 넓게 나뉘고, 작업자 간 대화나 다른 모델의 @verifier 교차 검증이 필요한가? 그렇다면 /swarm을 쓰고, 작업자 제거 전에 별도 작업 사본의 변경을 반영했는지 확인합니다.
  4. 넓게 나뉘는 일은 아니지만 경쟁 상태, 데드락, 복잡한 리팩토링처럼 첫 시도를 반증하고 요구사항과 다시 대조해야 하는가? 그렇다면 /boost를 씁니다.
  5. 위 네 가지에 들지 않는 단일 부수 작업은 일반 서브에이전트에 맡기고, 사전 범위 인터뷰와 마일스톤 감사 게이트가 필요한 수 시간에서 수일 단위 마이그레이션은 /teamwork를 고릅니다.

출처​