"계획 먼저, 실행 나중" — Deep Research + Antigravity로 Plan-and-Execute 에이전트 만들기

 

ReAct 패턴으로 복잡한 태스크를 시키면 중간에 방향을 잃습니다. 한 단계씩 생각하면서 전체 그림을 놓치는 게 구조적 한계입니다. Plan-and-Execute는 이걸 분리해서 해결합니다.

---

한줄요약: Plan-and-Execute는 강력한 모델이 전체 계획을 먼저 세우고 가벼운 실행자가 단계별로 처리하는 에이전트 아키텍처로, Gemini Deep Research(플래너)와 Antigravity Agent(실행자)를 조합하면 2026년 기준 가장 실용적인 구현이 됩니다.

---

ReAct와 뭐가 다른가요?

둘 다 자주 언급되는데 레벨이 다릅니다.

ReAct (Reasoning + Acting)
  → 추론 패턴 — 생각하고 행동하는 루프를 한 스텝씩 반복
  → 매 스텝마다 LLM 호출 → 전체 그림 없이 즉흥적
  → 단순·중간 복잡도 태스크에 적합

Plan-and-Execute
  → 아키텍처 패턴 — 계획과 실행을 구조적으로 분리
  → 강력한 모델(플래너) 1번 + 가벼운 모델(실행자) N번
  → 장기 멀티스텝 태스크, 예측 가능성이 중요한 곳에 적합

핵심 장점은 두 가지입니다. 첫째, 전체 계획이 먼저 나오기 때문에 방향 이탈이 적습니다. 둘째, 플래너에는 비싼 모델, 실행자에는 싸고 빠른 모델을 쓸 수 있어 비용이 내려갑니다.

단점도 명확합니다. 실행 도중 예상 못 한 결과가 나와도 초기 계획을 쉽게 수정하지 못합니다. 중간 리플래닝 로직이 없으면 오답 위에 계속 쌓이는 일이 생깁니다.

---

2026년 구현 조합 — Deep Research + Antigravity

기존에는 플래너와 실행자를 모두 직접 구현해야 했습니다. 지금은 구글이 이 둘을 API로 제공합니다.

플래너: Deep Research API (collaborative_planning=True)
  → 멀티스텝 리서치 계획을 먼저 생성
  → 사람(또는 코드)이 검토·수정 가능
  → 승인 후 실행 트리거

실행자: Antigravity Agent (Managed Agents API)
  → 계획의 각 단계를 자율 실행
  → 코드 작성·파일 관리·웹 탐색 가능한 샌드박스
  → 결과 아티팩트(파일·로그) 반환

이 조합이 강력한 이유는 Deep Research가 "무엇을 어떤 순서로 조사하고 작성할지" 계획을 세우고, Antigravity가 "실제로 코드를 짜고 파일을 만들고 배포까지 처리"하는 역할을 맡기 때문입니다.

---

기본 구조 코드

import time
from google import genai
from google.genai import types

client = genai.Client()

# ──────────────────────────────────────
# STEP 1. 플래너 — Deep Research로 계획 생성
# ──────────────────────────────────────
def create_plan(objective: str) -> tuple[str, str]:
    """목표를 받아 리서치·실행 계획 반환"""
    plan_interaction = client.interactions.create(
        agent="deep-research-preview-04-2026",
        input=objective,
        agent_config={
            "type": "deep-research",
            "collaborative_planning": True,  # 계획만 반환, 실행 안 함
        },
        background=True,
    )

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

    return result.outputs[-1].text, plan_interaction.id


# ──────────────────────────────────────
# STEP 2. 계획 검토 및 수정 (선택)
# ──────────────────────────────────────
def refine_plan(feedback: str, previous_id: str) -> tuple[str, str]:
    """계획에 피드백 반영"""
    refined = client.interactions.create(
        agent="deep-research-preview-04-2026",
        input=feedback,
        agent_config={
            "type": "deep-research",
            "collaborative_planning": True,  # 수정 모드 유지
        },
        previous_interaction_id=previous_id,
        background=True,
    )

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

    return result.outputs[-1].text, refined.id


# ──────────────────────────────────────
# STEP 3. 플래너 실행 — 리서치 리포트 생성
# ──────────────────────────────────────
def execute_research(previous_id: str) -> str:
    """계획 승인 후 실제 리서치 실행"""
    report = client.interactions.create(
        agent="deep-research-max-preview-04-2026",  # Max 버전으로 정확도 높임
        input="계획 승인. 지금 바로 실행해줘.",
        agent_config={
            "type": "deep-research",
            "collaborative_planning": False,  # ⚠️ 반드시 False로 전환
            "visualization": "auto",
        },
        previous_interaction_id=previous_id,
        background=True,
    )

    while (result := client.interactions.get(
        id=report.id
    )).status != "completed":
        time.sleep(15)

    return result.output_text


# ──────────────────────────────────────
# STEP 4. 실행자 — Antigravity로 후속 작업
# ──────────────────────────────────────
def execute_with_antigravity(research_result: str, task: str) -> str:
    """리서치 결과를 기반으로 Antigravity 에이전트가 실제 작업 수행"""
    execution = client.interactions.create(
        agent="antigravity-preview-05-2026",
        input=f"""
다음 리서치 결과를 바탕으로 아래 작업을 수행해줘.

[리서치 결과]
{research_result[:3000]}  # 컨텍스트 절약을 위해 앞부분만 전달

[수행할 작업]
{task}
        """,
        background=True,
    )

    while (result := client.interactions.get(
        id=execution.id
    )).status != "completed":
        time.sleep(10)

    return result.output_text

---

실전 파이프라인 — 완전 자동화 예시

def plan_and_execute_pipeline(
    objective: str,
    execution_task: str,
    auto_approve: bool = False
):
    """
    Plan-and-Execute 전체 파이프라인

    Args:
        objective: 리서치할 목표
        execution_task: 리서치 후 실행할 작업
        auto_approve: True면 계획 검토 없이 자동 승인
    """

    print("=" * 50)
    print("📋 PHASE 1: 계획 수립")
    print("=" * 50)

    plan_text, plan_id = create_plan(objective)
    print(plan_text)

    # 자동 승인이 아닌 경우 사람이 검토
    if not auto_approve:
        feedback = input("\n계획 수정사항 입력 (없으면 Enter): ").strip()
        if feedback:
            print("\n🔄 계획 수정 중...")
            plan_text, plan_id = refine_plan(feedback, plan_id)
            print(plan_text)

    print("\n" + "=" * 50)
    print("🔍 PHASE 2: 리서치 실행 (Deep Research Max)")
    print("=" * 50)

    research_result = execute_research(plan_id)
    print(f"리서치 완료: {len(research_result)} 글자")

    print("\n" + "=" * 50)
    print("⚙️  PHASE 3: 후속 작업 실행 (Antigravity)")
    print("=" * 50)

    final_output = execute_with_antigravity(research_result, execution_task)
    print(final_output)

    return {
        "plan": plan_text,
        "research": research_result,
        "output": final_output,
    }


# 실행 예시
result = plan_and_execute_pipeline(
    objective="""
    2026년 하반기 AI 코딩 도구 시장 분석.
    Claude Code·Codex·Grok Build·Cursor·GitHub Copilot의
    가격·기능·점유율 비교 포함.
    """,
    execution_task="""
    리서치 결과를 바탕으로:
    1. 비교표를 포함한 마크다운 리포트 작성 (report.md)
    2. 주요 수치를 시각화한 Python 차트 코드 작성 (chart.py)
    3. 경영진 보고용 3줄 요약 작성
    """,
    auto_approve=False,
)

---

중간 리플래닝 — 실행 실패 시 계획 수정

순수 Plan-and-Execute의 약점은 실행 도중 오류가 나도 계획을 고치기 어렵다는 점입니다. 다음 패턴으로 보완할 수 있습니다.

def plan_execute_with_replan(objective: str, max_replans: int = 2):
    """실행 실패 시 자동 리플래닝"""

    plan_text, plan_id = create_plan(objective)
    replan_count = 0

    while replan_count <= max_replans:
        try:
            research_result = execute_research(plan_id)

            # 결과 품질 검증
            if len(research_result) < 500:
                raise ValueError("리서치 결과가 너무 짧습니다. 재계획이 필요합니다.")

            return research_result

        except Exception as e:
            replan_count += 1
            if replan_count > max_replans:
                raise

            print(f"⚠️  실행 실패 ({replan_count}/{max_replans}): {e}")
            print("🔄 자동 리플래닝 중...")

            # 실패 원인을 플래너에게 피드백으로 전달
            plan_text, plan_id = refine_plan(
                f"이전 실행이 다음 이유로 실패했습니다: {e}. "
                f"계획을 더 구체적이고 실행 가능하게 수정해줘.",
                plan_id
            )

---

ReAct vs Plan-and-Execute vs 조합 — 언제 뭘 써야 하나요?

태스크 유형                          추천 패턴
─────────────────────────────────────────────────────────
실시간 도구 호출이 잦은 경우          ReAct
  (API 조회, DB 검색, 즉흥 판단)

계획이 먼저 필요한 멀티스텝 작업      Plan-and-Execute
  (리서치→분석→보고서, 코드→테스트→배포)

높은 정확도가 필요한 코딩 작업        Reflection 추가
  (출력 검토 후 자기 수정 루프)

복잡도가 높고 실패 비용이 큰 경우     P&E + Reflection 조합
  (프로덕션 배포, 중요 문서 작성)

2026년 기준 실용 공식은 이렇습니다.

단순 질의·검색         → ReAct (LangGraph ReAct)
리서치·분석·보고서     → Plan-and-Execute (Deep Research + Antigravity)
코드 품질 중요 시      → Reflection 루프 추가
장기 프로젝트 관리     → 세 패턴 조합

---

thinking_budget과 모델 선택 권장값

단계            모델                          thinking_budget
─────────────────────────────────────────────────────────────
계획 수립       deep-research-preview-04-2026   1024
계획 정제       deep-research-preview-04-2026   512
리서치 실행     deep-research-max-preview-04-2026  자동(Max 버전)
후속 실행       antigravity-preview-05-2026     필요시 설정

비용 최적화 팁: 계획 수립에는 preview(빠른 버전), 실제 실행에는 max(정확도 우선) 버전을 분리해서 쓰는 것이 토큰 효율이 좋습니다.

---

✅ collaborative_planning=True → False 전환이 이 패턴의 핵심 트리거입니다. 플래그를 빠뜨리면 계속 계획 수정 모드로 남아서 실행이 시작되지 않습니다. 실전에서 가장 자주 만나는 버그입니다.

❌ 계획 없이 바로 Antigravity에 복잡한 목표를 던지면 중간에 방향을 잃고 엉뚱한 결과물을 냅니다. 목표가 3단계 이상이면 반드시 플래닝 단계를 거치세요.

---