2026년 10월 19일 AI 뉴스 — 딥시크 검색 API, 안드로이드 에이전트 스킬, 리눅스 7.2 LLM 패치
딥시크가 에이전트용 검색·페치 API를 내고, 구글은 안드로이드 공식 에이전트 스킬을 공개했습니다. 리눅스 7.2의 LLM 지원 패치 1,111건, AI 코드 이해도를 묻는 깃 훅 Sphinx, 앤트로픽 AI 안전 법안까지 정리했습니다.
오늘은 에이전트가 쓰는 도구와, 에이전트가 쓴 코드를 사람이 어떻게 감당할지에 관한 소식이 많습니다. 딥시크가 에이전트용 검색·페치 API를 내놨고, 구글은 안드로이드 개발용 공식 에이전트 스킬을 공개했습니다. 리눅스 7.2 커널에는 LLM 지원 패치가 전 버전의 네 배 가까이 들어갔고, 에이전트가 쓴 코드를 푸시 전에 개발자에게 퀴즈로 묻는 깃 훅도 나왔습니다. 앤트로픽은 AI 안전 법안 초안을 직접 내밀었습니다.
딥시크, 에이전트용 검색·페치 API 출시
딥시크가 에이전트와 RAG 애플리케이션을 위한 Search API와 Fetch API를 공개했습니다. Search API는 딥시크 자체 검색 엔진으로 쿼리에 맞는 웹 페이지를 구조화된 결과로 돌려주고, Fetch API는 웹 페이지 하나를 가져와 마크다운으로 바꿔 줍니다. 기존 딥시크 API와 같은 베어러 토큰으로 인증하고, 엔드포인트는 /v1/tools/search와 /v1/tools/fetch입니다.
가격은 두 API 모두 성공한 요청 1,000건당 0.75달러입니다. HTTP 200으로 결과가 나온 요청만 과금하고, 빈 검색 결과나 타임아웃은 돈을 받지 않습니다. 검색 쿼리에는 site:, -site:, 정확한 구문 일치, lang: 같은 연산자를 그대로 쓸 수 있어서, 에이전트에 웹 검색을 붙일 때 별도 검색 API 계약 없이 모델 공급자 하나로 해결할 수 있게 됐습니다.
앤트로픽, AI 안전 법안 초안 직접 제안
앤트로픽이 지난 6월부터 연방·주 의원들에게 설명해 온 'Advanced AI Framework'가 법안 형태로 나왔습니다. 톰스 하드웨어에 따르면 이 법안의 강제 조항은 AI로 인한 사망자가 50명 이상이거나 피해액이 10억 달러 이상인 경우에만 발동하고, AI 모델을 멈출 수 있는 권한은 사실상 상무부 한 곳에 몰립니다.
앤트로픽 대변인은 "6월부터 주장해 온 제안을 담은 법안이며, 의회가 처리해야 할 합리적인 정책"이라고 밝혔습니다. 의회에서는 이미 가장 강력한 모델에 킬 스위치를 의무화하는 안이 논의 중이고, 버니 샌더스 상원의원은 초지능 개발에 최대 20년 징역형을 매기자고까지 제안한 상황입니다. 발동 기준이 너무 높다는 비판과 함께, 프런티어 기업이 규제 설계에 직접 뛰어드는 흐름이 더 뚜렷해졌습니다.
구글, 안드로이드 공식 에이전트 스킬 공개
안드로이드 팀이 코딩 에이전트용 스킬 저장소 android/skills를 운영하고 있습니다. 오픈 표준 에이전트 스킬 형식(SKILL.md)으로, developer.android.com의 모범 사례를 에이전트가 따라 하도록 작업 단위 지침을 묶었습니다. 깃허브 스타는 8,700개를 넘었습니다.
흥미로운 건 선정 기준입니다. 기본 Jetpack Compose처럼 LLM이 이미 잘하는 영역은 건너뛰고, 평가에서 LLM 성능이 떨어지는 작업과 워크플로에 집중했다고 합니다. Android CLI에서 android skills add --all로 감지된 에이전트 디렉터리 전부에 설치할 수 있고, 클로드 코드에서는 /plugin install android-skills --marketplace android/skills 한 줄이면 됩니다.
에이전트가 쓴 코드를 퀴즈로 묻는 깃 훅, Sphinx
Sphinx는 에이전트와 함께 개발할 때 쓰는 깃 훅입니다. 에이전트가 쓴 코드를 푸시하기 전에, 대화 맥락을 모르는 리뷰어 모델이 diff를 읽고 "이 변경이 실패 상황에서 어떻게 동작하는지"를 개발자에게 묻습니다. 예를 들어 웹훅 핸들러가 charge() 호출 전에 이벤트 ID를 저장하도록 바뀌었다면, 결제가 실패한 뒤 재시도가 들어오면 어떻게 되는지를 묻는 식입니다. 틀리면 이유를 설명하고 새 시나리오를 내고, 맞히면 푸시가 그대로 진행됩니다.
npm install -g sphinx-understand 후 sphinx install로 설치하고, 코덱스·클로드 코드·커서·오픈코드·Pi와 함께 쓸 수 있습니다. 답변은 코딩 에이전트에 전달되지 않고 .env와 키 파일은 열지 않습니다. 급할 때는 sphinx yolo로 넘길 수 있지만 건너뛴 기록은 모두 남습니다. "생각은 외주 줄 수 있어도 이해는 외주 줄 수 없다"는 문구가 이 도구의 문제의식을 그대로 보여 줍니다.
리눅스 7.2, LLM 지원 패치 1,111건
LWN이 리눅스 7.2 커널 개발 통계를 정리했습니다. 비병합 커밋 16,418개로 커널 역사상 두 번째로 바쁜 릴리스였고, 기여자는 2,652명으로 직전 기록(7.1의 2,479명)을 크게 넘었습니다. 처음 기여한 개발자도 613명으로 세 릴리스 연속 기록을 깼습니다.
AI 쪽 숫자가 눈에 띕니다. Assisted-by 태그가 붙은 변경이 1,111건으로 7.1의 301건에서 네 배 가까이 늘었습니다. 태그를 달지 않는 개발자가 많아 실제 LLM 지원 패치는 훨씬 많을 거라고 LWN은 봅니다. 리뷰에도 LLM이 들어왔습니다. Sashiko 리뷰 시스템을 Reported-by로 기록한 패치가 252건, 변경 로그에 Sashiko를 언급한 커밋이 568건입니다. 커밋 수 2위인 로젠 페네프는 아키텍처·드라이버·네트워킹·암호화 서브시스템에 걸쳐 LLM이 작성한 버그 수정을 대량으로 올렸습니다.
로펌 설리번 앤 크롬웰, 코덱스로 계약 검토 툴 제작
미국 대형 로펌 설리번 앤 크롬웰의 존 사바 파트너가 계약서 검토 도구 Agreement Analyzer를 직접 만들었습니다. 시작은 코덱스로 만든 1인용 개념 증명이었고, 이후 오픈AI와 함께 출력 품질을 다듬고 병렬 처리를 붙여 여러 변호사가 동시에 쓰는 도구로 키웠습니다.
변호사가 계약서 초안을 넣고 직접 고른 선례, 회사·고객 입장을 담은 협상 플레이북, 시장 관행 정보를 더하면, 도구가 조항별로 선례와 비교하고 조항 간 상호작용을 추적해 수정안을 제시합니다. 사바는 "AI가 시장 관행에 대해 주장한다면 그 출처를 볼 수 있어야 한다"며 투명성을 신뢰의 조건으로 꼽았고, 에이전트들이 결론을 내면 다른 에이전트가 반박하는 적대적 검토 구조도 구상하고 있다고 했습니다. 개발자가 아닌 전문직이 코덱스로 업무 도구를 만드는 사례로 볼 만합니다.
블록, 오픈AI 데이브레이크로 보안 업무 자동화
스퀘어·캐시앱·애프터페이를 운영하는 블록의 보안팀이 오픈AI 데이브레이크 기반 하네스로 취약점 탐지와 대응을 돌리고 있습니다. 트리아지 처리량과 위협 조사량이 각각 50% 늘었고, 자율 헌팅 기능이 분기당 약 1,100 분석가 시간 분량의 조사를 수행합니다. 오탐 처리에 쓰던 시간도 분기당 600시간가량 돌려받았습니다.
레드팀 훈련에서는 내부 시스템에 대한 힌트 몇 개만 받은 모델이 SQL 인젝션, 권한 상승, 거점 확보, 자격증명 열거, 다른 시스템으로의 이동까지 전체 공격 경로를 2시간 만에 엮어 냈습니다. 노트북 한 대의 사소한 경보에서 시작해 신원 로그와 대조하다가 공격 캠페인 전체를 잡아낸 사례도 있습니다. CISO 제임스 네테샤임은 "예전엔 최신 모델만 썼지만 이제는 작업별로 다른 모델을 고른다"며, 모든 결과는 여전히 사람이 검증한다고 강조했습니다.
에이전트 코딩 이후, 멀어진 예전 일
한 개발자가 챗GPT를 처음 '더 나은 구글'로 쓰던 때부터 지금의 에이전트 코딩까지 일하는 방식이 어떻게 바뀌었는지 돌아본 글입니다. 탭 자동완성과 복사·붙여넣기 단계를 지나, 오퍼스 4.5·4.6부터는 작업을 잘게 쪼개 설명할 필요가 줄면서 몇 달간 병합된 PR 기준 생산성이 약 3배가 됐다고 합니다.
오퍼스 5.5 이후에는 다시 원점에 선 기분이라고 털어놓습니다. 이제는 코드 리뷰보다 어떤 QA를 할지를 먼저 생각하고, 클로드가 계획·진행 상황·프로젝트 노트를 메모 앱에 쏟아내게 한 뒤 거기서 작업합니다. 에이전트의 작업 상태를 추적하는 대시보드와 번다운 차트를 사람과 모델이 함께 씁니다. 두려움을 내려놓을수록 더 신이 난다는 고백이 AI를 매일 쓰는 개발자들의 요즘 감각을 잘 보여 줍니다.
마치며
에이전트가 쓰는 코드의 양은 커널 통계에서 보듯 이미 숫자로 드러나고 있고, 이제 관심은 그 코드를 사람이 얼마나 이해하고 책임질 수 있느냐로 옮겨 가고 있습니다. Sphinx 같은 깃 훅, 블록의 사람 검증 원칙, 로펌의 출처 투명성 요구가 모두 같은 질문에 대한 답입니다. 나무숲(TreeSoop)은 이런 에이전트와 하네스를 실제 업무 자동화에 연결하는 AI 에이전트 개발을 돕습니다. 도입을 고민 중이라면 treesoop.com에서 문의해 주세요.