Your AI Team Starts Here: A Practical Guide to Subagents in Antigravity IDE

AI Teamwork Developer

안티그래비티 IDE의 독보적 스펙, 하위 에이전트(Subagent) 개념 및 실무 응용 꿀팁

내 지시를 수행하는 부사수 AI: 안티그래비티 IDE의 Subagent(하위 에이전트) 활용법

코딩을 돕는 일반적인 인공지능 도구(예: GitHub Copilot 등)를 다뤄보신 분들이라면 한 번쯤 느껴봤을 명확한 아쉬움이 있습니다. AI가 한 번에 방대한 분량의 코드를 짜지 못하고 중간에 버벅대며 멈추거나, 개발자가 아직 업로드해 주지 않은 외부 문서나 라이브러리 명세를 알지 못해 엉뚱한 가상의 코드를 지어내는 현상입니다. 결국 사람이 수동으로 다른 문서들을 찾아 긁어서 AI에게 다시 떠먹여 주는 번거로운 과정을 거쳐야 했죠.

이런 맥락 단절과 지능 저하의 한계를 근본적으로 극복하기 위해 안티그래비티 IDE(Antigravity IDE)가 장착한 핵심 병기가 바로 Subagent(하위 에이전트) 시스템입니다.

쉽게 비유하자면, 나와 직접 대화를 나누는 메인 AI 코파일럿이 팀의 수석 개발자(사수) 역할을 수행하고, 그 밑에 리서치 전문 에이전트, 유닛 테스트 작성 에이전트 등 다양한 주특기를 가진 부사수(하위 에이전트)들을 백그라운드에 자율 생성해 업무를 쪼개어 하청을 주는 구조입니다.

이번 글에서는 안티그래비티 IDE의 기둥이 되는 하위 에이전트가 과연 어떤 원리로 작동하며, 이를 실무에 어떻게 매핑해 개발 속도를 기하급수적으로 단축할 수 있는지 상세히 정리해 드릴게요.

🧭 AI 팀워크 코딩의 핵심 요소
  • 자율적 일감 분배(Delegation): 메인 AI가 복잡한 기능을 처리할 때 스스로 전용 부사수 비서를 깨워 병렬 검색 및 분석 지시
  • 안전한 독립 샌드박스(Sandbox): 메인 소스코드가 훼손되지 않도록 격리된 복사 공간(Branch/Share)에서 안전하게 하위 작업 및 검증 가동
  • 비동기 메시징 보고(Report): 백그라운드 에이전트가 임무 완료를 상신하면 메인 AI가 병합 계획서를 꾸려 최종 사용자에게 피드백

1. 하위 에이전트(Subagent)가 필요한 진짜 이유

단일 챗창 구조에서는 코딩 빌드, 디버깅 에러 추적, 구글 검색 등의 상이한 논리 연산들이 하나의 대화창(Context)에 마구 엉켜버립니다. 대화 분량이 늘어날수록 AI가 과거의 코드를 깜빡하는 '기억력 상실(Context Window 초과)' 현상이 찾아와 개발 품질이 급락하게 됩니다.

안티그래비티 IDE는 이 병목 현상을 '독립된 업무 분장'으로 타파합니다.

검색 에이전트는 사용되지 않는 무거운 라이브러리 규격만 웹에서 찾아 요약본을 도출해 오고, 코딩 에이전트는 쓸데없는 텍스트 낭비 없이 오로지 완성해야 할 파일 편집에만 신경 씁니다. 업무 공간과 자원이 물리적으로 구획되어 있으므로 컴퓨터 자원 낭비가 획기적으로 줄고 결과물의 신뢰도가 급증합니다.

2. [실전] 하위 에이전트 활용 시나리오 2선

안티그래비티 IDE 내부에서는 개발 과정 중에 자연스럽게 다음과 같은 자율 분업 루틴이 활성화됩니다.

🔍 시나리오 A: 라이브러리 규격 리서치 (Research Subagent)

사용자가 "증권사 실시간 웹소켓 끊김 방지 기능을 적용해 줘"라고 지시하면, 메인 AI는 즉시 research 에이전트를 가동합니다. 이 리서치 에이전트는 백그라운드에서 조용히 내 컴퓨터 내 엑셀 가이드북을 읽어내고, 구글 검색을 결합하여 끊김 방지용 ping-pong 패킷 송수신 주기(예: 30초)를 정확히 명세로 뽑아냅니다. 메인 AI는 이 정제된 팩트 리포트만 전달받아 즉각 완벽한 연동 코드를 구현해 냅니다.

🧪 시나리오 B: 격리된 유닛 테스트 코드 작성 (Self-Branching Subagent)

메인 브랜치에서 주요 기능 수정이 한창 진행되는 도중, 메인 AI가 self 에이전트를 깨워 별도의 격리된 branch 작업 공간을 만들어 던져줍니다. 이 테스트 에이전트는 메인 소스코드를 건드리지 않는 모사 환경에서 독립적으로 가상 데이터를 주입하며 유닛 테스트 케이스들을 코딩하고 pytest 검증까지 실행해 봅니다. 테스트가 완벽히 통과하면 해당 결괏값만 수거해 마스터 브랜치로 가져오므로, 미완성 상태의 기존 파일이 꼬이거나 망가질 리스크가 제로에 수렴합니다.

3. 자주 묻는 질문 (FAQ)

Q: 하위 에이전트들이 마음대로 소스코드를 헤집어 놓지 않을까요?

걱정하실 필요 없습니다. 하위 에이전트들은 항상 격리된 전용 샌드박스 공간에서 작업을 이행하며, 메인 브랜치로 소스코드를 반영할 때는 메인 에이전트의 중재와 검수를 거쳐 [Implementation Plan] 마크다운 계획서 형태로 최종 인간 사용자에게 결재(Proceed 승인 버튼)를 맡긴 후 비로소 병합이 실행되므로 높은 안전성을 지닙니다.

Q: 에이전트를 여러 마리 호출하면 토큰 요금이 과하게 청구되나요?

병렬적으로 여러 에이전트를 돌리게 되므로 단일 챗창보다는 토큰 회전수가 증가할 수 있습니다. 이를 예방하기 위해 오타 수정이나 간단한 메서드명 변경 같은 초급 태스크는 일반 코파일럿 창에서 단발성 수정으로 마무리 짓고, 대단위 신규 아키텍처 연동이나 라이브러리 신규 이식 같은 무거운 패키지 개발 단계에서만 에이전트 팀워크를 발현시키는 것이 현명한 비용 조율법입니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

Gemini Many-Shot Prompting: Why 500 Examples Beat Fine-Tuning

💻 Tech & AI Deep Dive Guide 본 문서의 검증된 팩트 및 가이드는 실시간 최신 라인업을 기반으로 작성되었습니다. Gemini Many-Shot Prompting: Why 500 Examples Beat Fine-Tuning You've built an AI agent with five carefully crafted examples, and it handles the happy path beautifully. Then a slightly weird edge case shows up in production, and the model confidently returns garbage. The usual advice is "just fine-tune it," but spinning up a training pipeline for what is essentially a formatting problem feels like using a sledgehammer to crack a nut. Gemini 3.1 Pro changes this calculus entirely. Its context window doesn't just fit a long PDF, it fits hundreds of full examples in a single call. This turns prompt engineering into something closer to database-style context loading than the trial-and-error tweaking most of us grew up with. This guide walks through Gemini Many-Shot Prompting , the research behind why it...
자세한 내용 보기

No More Git Conflicts: Automate PR Reviews with Cline

📌 Key Takeaways Autonomous PR Reviews: Cline is a free, open-source VS Code agent that reads PR diffs, flags risky changes, and leaves comments using Claude Sonnet 5, Gemini 3.6 Flash, or GPT-5.6. Built-in Safety Nets: The Plan/Act split ensures you review blueprints before execution, while shadow Git Checkpoints allow instant 1-click rollbacks. Automated Team Standards: Set up repository rules once via .clinerules and the GitHub MCP server to enforce consistent code reviews automatically. It's 5:47 PM on a Friday. A teammate pushes a PR right before logging off. Nobody reviews it over the weekend. Monday morning, you pull the branch and three files are screaming with merge conflicts, touching legacy code nobody remembers writing context for. Sound familiar? You're not the only reviewer on the team, but somehow you're always the one untangling this mess. What if something had already scann...
자세한 내용 보기

기밀 유출 없는 DeepSeek R1 무료 로컬 실행법

💻 Tech & AI Deep Dive Guide 본 문서의 검증된 팩트 및 가이드는 실시간 최신 라인업을 기반으로 작성되었습니다. 📌 3초 핵심 결과 요약 DeepSeek 웹·앱은 입력 데이터가 중국 서버로 전송되지만, Ollama로 로컬 실행하면 인터넷 연결 없이 100% 내 PC 안에서만 처리 돼 유출 자체가 불가능합니다. 사양에 맞는 경량 모델(7B~14B)만 골라도 GPU 없는 노트북에서 무료로 돌아갑니다. 방화벽으로 Ollama의 외부 통신을 막는 설정까지 마쳐야 "진짜 완전 오프라인" 보안이 완성됩니다. 사내 회의록을 요약하려고 DeepSeek 웹사이트에 텍스트를 붙여넣던 순간, 보안팀 슬랙 메시지가 날아왔습니다. "이거 중국 서버로 나가는 거 아시죠?" 등에서 식은땀이 흘렀습니다. 급하게 찾아보니 진짜였습니다. 2025년 초 이탈리아 개인정보보호청(Garante)은 DeepSeek 앱 접속을 아예 차단했고, 한국 개인정보보호위원회도 신규 다운로드를 일시 중단시켰습니다. DeepSeek 공식 개인정보처리방침에는 사용자 입력 데이터와 키 입력 패턴까지 중국 내 서버에 저장된다고 명시돼 있습니다. 그렇다고 성능 좋은 추론 특화 오픈소스 모델 을 포기하기는 아까웠습니다. 결국 답은 하나였습니다. 클라우드로 보내지 말고, 내 PC 안에서 직접 돌리면 됩니다. 이 글은 그 과정을 그대로 정리한 실전 기록입니다. 왜 DeepSeek 클라우드는 위험하고, 로컬 실행이 답인가 클라우드 DeepSeek에 문서를 붙여넣는 건 택배 상자를 뜯어서 남의 창고에 맡기는 것과 비슷합니다. 내 물건이지만 일단 남의 공간에 들어가는 순간, 그 안에서 무...
자세한 내용 보기