LlamaIndex 및 Bright Data를 통한 웹 검색

이 가이드에서 배우게 될 내용:

LlamaIndex란 무엇인가.
LlamaIndex로 구축된 AI 에이전트가 웹 검색을 수행할 수 있어야 하는 이유.
웹 검색 기능을 갖춘 LlamaIndex AI 에이전트를 생성하는 방법.

자, 시작해 보겠습니다!

LlamaIndex란 무엇인가요?

LlamaIndex는 대규모 언어 모델(LLM) 기반 애플리케이션 구축을 위한 오픈소스 Python 프레임워크입니다. 비정형 데이터와 LLM 사이의 가교 역할을 하며, 특히 다양한 데이터 소스에서 LLM 워크플로우를 쉽게 구성할 수 있게 합니다.

LlamaIndex를 사용하면 생산 환경에 바로 적용 가능한 AI 워크플로우와 에이전트를 제작할 수 있습니다. 이들은 관련 정보를 검색 및 추출하고, 통찰력을 종합하며, 상세한 보고서를 생성하고, 자동화된 작업을 수행하는 등 다양한 기능을 수행할 수 있습니다.

현재 이 글 작성 시점 기준으로, GitHub에서 42,000개 이상의 스타를 기록하며 AI 생태계에서 가장 빠르게 성장하는 라이브러리 중 하나입니다.

LlamaIndex AI 에이전트에 웹 검색 데이터를 통합해야 하는 이유

다른 AI 에이전트 프레임워크와 비교해 LlamaIndex는 LLM의 가장 큰 한계점 중 하나인 최신 실세계 지식 부족 문제를 해결하기 위해 만들어졌습니다.

이 문제를 해결하기 위해 LlamaIndex는 여러 데이터 커넥터와의 통합을 제공하여 다양한 소스의 콘텐츠를 수집할 수 있게 합니다. 이제 궁금해질 수 있습니다: AI 에이전트에게 가장 가치 있는 데이터 소스는 무엇일까요?

이 질문에 답하려면 LLM 훈련에 사용되는 데이터 소스를 고려하는 것이 도움이 됩니다. 성공적인 LLM은 대부분 공개 데이터 중 가장 방대하고 다양한 소스인 웹에서 훈련 데이터를 얻었습니다.

LlamaIndex AI 에이전트가 정적 훈련 데이터를 뛰어넘도록 하려면, 웹을 검색하고 찾은 내용으로부터 학습할 수 있는 핵심 기능이 필요합니다. 따라서 에이전트는 검색 결과 페이지(SERP)에서 구조화된 정보를 추출할 수 있어야 합니다. 그런 다음 이를 의미 있게 처리하고 학습해야 합니다.

문제는 구글이 최근 단순 스크래핑 스크립트를 단속하면서 SERP 스크래핑이 훨씬 어려워졌다는 점입니다. 바로 이 때문에 LlamaIndex와 연동되어 이 과정을 간소화하는 도구가 필요한 것입니다. 바로 여기서 LlamaIndex의 Bright Data 통합이 빛을 발합니다!

Bright Data는 SERP 스크래핑의 복잡한 작업을 처리합니다. search_engine 도구를 통해 LlamaIndex 에이전트가 검색 쿼리를 수행하고 마크다운 또는 JSON 형식의 구조화된 결과를 수신할 수 있게 합니다.

이는 AI 에이전트가 현재와 미래의 질문에 대비해 답변할 수 있도록 준비하는 데 필요한 기능입니다. 다음 장에서 이 통합이 어떻게 작동하는지 확인해 보세요!

Bright Data 도구를 활용해 웹 검색이 가능한 LlamaIndex 에이전트 구축하기

이 단계별 가이드에서는 LlamaIndex를 사용하여 웹 검색이 가능한 Python AI 에이전트를 구축하는 방법을 살펴보겠습니다.

Bright Data와 통합하면 에이전트가 최신 컨텍스트 기반의 풍부한 웹 검색 데이터에 접근할 수 있게 됩니다. 자세한 내용은 공식 문서를 참조하세요.

LlamaIndex를 사용하여 Bright Data 기반 AI SERP 에이전트를 생성하려면 아래 단계를 따르세요!

필수 조건

이 튜토리얼을 따라하려면 다음이 필요합니다:

컴퓨터에 설치된Python 3.9 이상 (최신 버전 사용 권장).
Bright Data의 SERP API와 통합하기 위한 Bright Data API 키.
지원되는 LLM의 API 키. (이 가이드에서는 무료로 API 통합을 지원하는 Gemini를 사용합니다. 동시에 LlamaIndex가 지원하는 모든 LLM 제공자를 사용할 수 있습니다.)

아직 Gemini 또는 Bright Data API 키가 없더라도 걱정하지 마세요. 다음 단계에서 두 키를 생성하는 방법을 안내해 드리겠습니다.

1단계: Python 프로젝트 초기화

터미널을 실행하고 LlamaIndex AI 에이전트 프로젝트용 새 폴더를 생성하세요:

mkdir llamaindex-bright-data-serp-agent

llamaindex-bright-data-serp-agent/ 폴더에는 Bright Data로 구동되는 웹 검색 기능을 갖춘 AI 에이전트의 모든 코드가 저장됩니다.

다음으로 프로젝트 디렉터리로 이동하여 내부에서 Python 가상 환경을 생성합니다:

cd llamaindex-bright-data-serp-agent
python -m venv venv

이제 선호하는 Python IDE에서 프로젝트 폴더를 엽니다. Python 확장 프로그램이 설치된 Visual Studio Code 또는 PyCharm Community Edition을 권장합니다.

프로젝트 디렉토리 루트에 agent.py라는 새 파일을 생성하세요. 프로젝트 구조는 다음과 같아야 합니다:

llamaindex-bright-data-serp-agent/
├── venv/
└── agent.py

터미널에서 가상 환경을 활성화하세요. Linux 또는 macOS에서는 다음 명령어를 실행하세요:

source venv/bin/activate

Windows에서는 다음과 같이 실행하세요:

venv/Scripts/activate

다음 단계에서는 필요한 패키지 설치 과정을 안내해 드립니다. 그러나 모든 패키지를 미리 설치하려면 다음 명령어를 실행하세요:

pip install python-dotenv llama-index-tools-brightdata llama-index-llms-google-genai llama-index

참고: 본 튜토리얼은 LlamaIndex LLM 제공자로 Gemini를 사용하므로 llama-index-llms-google-genai를 설치합니다. 다른 제공자를 사용할 계획이라면 해당 LLM 통합을 대신 설치해야 합니다.

잘하셨습니다! 이제 LlamaIndex를 사용하여 Bright Data의 SERP 통합 기능을 갖춘 AI 에이전트를 구축할 준비가 된 Python 개발 환경이 준비되었습니다.

2단계: 환경 변수 읽기 통합

LlamaIndex 에이전트는 Gemini 및 Bright Data와 같은 외부 서비스에 API를 통해 연결됩니다. 보안을 위해 Python 코드에 API 키를 직접 하드코딩해서는 안 됩니다. 대신 환경 변수를 사용하여 비공개로 유지하세요.

환경 변수 관리를 용이하게 하려면 python-dotenv 라이브러리를 설치하세요. 활성화된 가상 환경에서 다음 명령을 실행합니다:

pip install python-dotenv

다음으로 agent.py 파일을 열고 상단에 다음 줄을 추가하여 .env 파일에서 환경 변수를 로드하세요:

from dotenv import load_dotenv

load_dotenv()

load_dotenv() 는 프로젝트 루트 디렉터리에서 .env 파일을 찾아 그 값들을 환경에 로드합니다.

이제 agent.py 파일과 동일한 위치에 .env 파일을 생성하세요. 새로운 프로젝트 파일 구조는 다음과 같아야 합니다:

llamaindex-bright-data-serp-agent/
├── venv/
├── .env # <-------------
└── agent.py

훌륭합니다! 이제 타사 서비스의 민감한 API 자격 증명을 안전하게 관리할 수 있는 방법을 설정했습니다.

초기 설정을 계속하여 .env 파일에 필요한 환경 변수를 입력하세요!

3단계: Bright Data 구성

공식 통합 패키지를 통해 LlamaIndex에서 Bright Data SERP API에 연결하려면 먼저 다음을 수행해야 합니다:

Bright Data 대시보드에서 Web Unlocker 솔루션을 활성화하세요.
Bright Data API 토큰을 가져옵니다.

아래 단계를 따라 설정을 완료하세요!

아직 Bright Data 계정이 없다면 [계정 생성]()하세요. 계정이 있다면 로그인하세요. 대시보드에서 “프록시 제품 받기” 버튼을 클릭하세요:

Clicking the “Get proxy products” button in your Bright Data dashboard

“프록시 및 스크래핑 인프라” 페이지로 이동합니다:

Note the configured Web Unlocker API zone

이미 활성화된 웹 언락커 API 영역(위 이미지 참조)이 표시되면 설정이 완료된 것입니다. 영역 이름(예: unlocker)을 기록해 두세요. 나중에 코드에서 사용할 것입니다.

웹 언락커 영역이 아직 없다면, 아래로 스크롤하여 “웹 언락커 API” 섹션으로 이동한 후 “영역 생성” 버튼을 누르세요:

Clicking the “Create zone” on the “Web Unlocker API” card

전용 SERP API 대신 Web Unlocker API를 사용하는 이유는 무엇인가요?
Bright Data의 LlamaIndex SERP 통합은 웹 언락커 API를 통해 작동합니다. 특히, 올바르게 구성되면 웹 언락커는 전용 SERP API와 동일한 방식으로 기능합니다. 간단히 말해, LlamaIndex Bright Data 통합으로 웹 언락커 API 영역을 설정하면 SERP API에도 자동으로 접근할 수 있게 됩니다.

새 영역에 unlocker와 같은 이름을 지정하고, 성능 향상을 위해 고급 기능을 활성화한 후 “추가”를 클릭하세요:

Configuring your new Web Unlocker API zone

생성 후 해당 존의 구성 페이지로 이동합니다:

The “unlocker” Web Unlocker API zone page

활성화 토글이 “활성” 상태로 설정되어 있는지 확인하세요. 이는 영역이 사용 준비가 되었음을 의미합니다.

다음으로 공식 Bright Data 가이드에 따라 API 키를 생성하세요. 키를 획득한 후 다음과 같이 .env 파일에 안전하게 저장하세요:

BRIGHT_DATA_API_KEY="<YOUR_BRIGHT_DATA_API_KEY>"

<YOUR_BRIGHT_DATA_API_KEY> 자리 표시자를 실제 API 키 값으로 교체하세요.
훌륭합니다! LlamaIndex 에이전트 스크립트에서 Bright Data SERP 도구를 구성하세요.

4단계: Bright Data LlamaIndex SERP 도구 접근

agent.py에서 환경 변수에서 Bright Data API 키를 불러오는 것으로 시작하세요:

BRIGHT_DATA_API_KEY = os.getenv("BRIGHT_DATA_API_KEY")

Python 표준 라이브러리에서 os를 반드시 임포트하세요:

import os

활성화된 가상 환경에서 LlamaIndex Bright Data 도구 패키지를 설치하세요:

pip install llama-index-tools-brightdata

다음으로 agent.py 파일에 BrightDataToolSpec 클래스를 임포트하세요:

from llama_index.tools.brightdata import BrightDataToolSpec

API 키와 웹 언락커 영역 이름을 제공하여 BrightDataToolSpec 인스턴스를 생성하세요:

brightdata_tool_spec = BrightDataToolSpec(
    api_key=BRIGHT_DATA_API_KEY,
    zone="unlocker", # 웹 언락커 영역 이름으로 대체
    verbose=True,
)

zone 값을 앞서 설정하신 웹 언락커 API 영역 이름(이 예시에서는 unlocker)으로 대체하세요.

verbose=True 설정은 개발 중에 유용합니다. 이렇게 하면 LlamaIndex 에이전트가 Bright Data를 통해 요청을 수행할 때 라이브러리가 유용한 로그를 출력합니다.

이제 BrightDataToolSpec은 여러 도구를 제공하지만, 여기서는 search_engine 도구에 집중하겠습니다. 이 도구는 Google, Bing, Yandex 등을 쿼리하여 Markdown 또는 JSON 형식의 결과를 반환합니다.

해당 도구만 추출하려면 다음과 같이 작성하세요:

brightdata_serp_tools = brightdata_tool_spec.to_tool_list(["search_engine"])

to_tool_list() 에 전달된 배열은 필터 역할을 하여 search_engine이라는 이름의 도구만 포함합니다.

참고: 기본적으로 LlamaIndex는 주어진 사용자 요청에 가장 적합한 도구를 선택합니다. 따라서 도구 필터링은 반드시 필요한 것은 아닙니다. 본 튜토리얼은 Bright Data의 SERP 기능 통합에 특화되어 있으므로, 명확성을 위해 search_engine 도구로 제한하는 것이 합리적입니다.

훌륭합니다! Bright Data가 이제 통합되어 LlamaIndex 에이전트에 웹 검색 기능을 제공할 준비가 되었습니다.

단계 #5: LLM 모델 연결

이 단계의 지침은 통합을 위한 LLM 공급자로 Gemini를 사용합니다. Gemini를 선택하는 좋은 이유는 일부 모델에 대한 무료 API 접근을 제공하기 때문입니다.

LlamaIndex에서 Gemini를 사용하려면 필요한 통합 패키지를 설치하세요:

pip install llama-index-llms-google-genai

다음으로 agent.py에서 GoogleGenAI 클래스를 임포트하세요:

from llama_index.llms.google_genai import GoogleGenAI

이제 Gemini LLM을 다음과 같이 초기화하세요:

llm = GoogleGenAI(
    model="models/gemini-2.5-flash",
)

이 예시에서는 gemini-2.5-flash 모델을 사용합니다. 지원되는 다른 Gemini 모델을 자유롭게 선택할 수 있습니다.

백그라운드에서 GoogleGenAI 클래스는 자동으로 GEMINI_API_KEY 환경 변수를 검색합니다. 이 환경 변수에서 읽은 API 키를 사용하여 Gemini API에 연결합니다.

.env 파일을 열고 다음을 추가하여 설정하세요:

GEMINI_API_KEY="<YOUR_GEMINI_API_KEY>"

<YOUR_GEMINI_API_KEY> 자리 표시자를 실제 Gemini API 키로 교체하세요. 아직 키가 없다면 공식 Gemini API 키 발급 가이드를 따라 무료로 발급받을 수 있습니다.

참고: 다른 LLM 제공자를 사용하려면 LlamaIndex가 다양한 옵션을 지원합니다. 설정 방법은 공식 LlamaIndex 문서를 참조하세요.

잘하셨습니다! 이제 웹 검색이 가능한 LlamaIndex AI 에이전트를 구축하기 위한 핵심 구성 요소를 모두 갖추셨습니다.

6단계: LlamaIndex 에이전트 정의

먼저, 메인 LlamaIndex 패키지를 설치하세요:

pip install llama-index

다음으로 agent.py 파일에서 FunctionAgent 클래스를 임포트하세요:

from llama_index.core.agent.workflow import FunctionAgent

FunctionAgent는 외부 도구(예: 이전에 설정하신 Bright Data SERP 도구)와 상호작용할 수 있는 LlamaIndex AI 전용 에이전트입니다.

다음과 같이 LLM과 Bright Data SERP 도구를 사용하여 에이전트를 초기화하세요:

agent = FunctionAgent(
    tools=brightdata_serp_tools,
    llm=llm,
    verbose=True, # 개발 중 유용함
    system_prompt="""
        당신은 JSON 형식으로 SERP 결과를 검색할 수 있는 유용한 어시스턴트입니다.
    """
)

이렇게 하면 LLM을 통해 사용자 입력을 처리하고 필요 시 Bright Data SERP 도구를 호출하여 실시간 웹 검색을 수행할 수 있는 AI 에이전트가 생성됩니다. 에이전트의 역할과 동작을 정의하는 system_prompt 인자에 주목하세요. verbose=True 플래그는 내부 활동을 확인하는 데 유용합니다.

훌륭합니다! LlamaIndex와 Bright Data SERP 통합이 완료되었습니다. 다음 단계는 대화형 사용을 위한 REPL 구현입니다.

7단계: REPL 구축

REPL(Read-Eval-Print Loop)은 명령어를 입력하고 평가한 후 결과를 확인하는 대화형 프로그래밍 패턴입니다.

이 맥락에서 REPL은 다음과 같이 작동합니다:

AI 에이전트가 처리할 작업을 설명합니다.
AI 에이전트가 작업을 수행하며, 필요한 경우 온라인 검색을 수행합니다.
터미널에 출력된 응답을 확인합니다.

이 루프는 사용자가 "exit"를 입력할 때까지 무한히 반복됩니다.

agent.py에 REPL 로직을 처리하는 비동기 함수를 추가하세요:

async def main():
    print("Bright Data가 제공하는 웹 검색 기능을 갖춘 Gemini 기반 에이전트입니다. 종료하려면 'exit'를 입력하세요.n")

    while True:
        # CLI에서 AI 에이전트에 대한 사용자 요청 읽기
        request = input("요청 -> ")

        # 사용자가 "exit" 입력 시 실행 종료
        if request.strip().lower() == "exit":
            print("n에이전트 종료됨")
            break

        try:
            # 요청 실행
            response = await agent.run(request)
            print(f"n응답 ->:n{response}n")
        except Exception as e:
            print(f"n오류: {str(e)}n")

이 REPL 함수는:

input()을 통해 명령줄에서 사용자 입력을 수신합니다.
agent.run()을 통해 Gemini와 Bright Data가 제공하는 LlamaIndex 에이전트로 입력을 처리합니다.
응답을 콘솔에 다시 표시합니다.

agent.run() 은 비동기적이므로 REPL 로직은 async 함수 안에 있어야 합니다. 파일 하단에 다음과 같이 실행하세요:

if __name__ == "__main__":
    asyncio.run(main())

asyncio를 반드시 임포트하세요:

import asyncio

자, 이제 시작합니다! SERP 스크래핑 도구가 포함된 LlamaIndex AI 에이전트가 준비되었습니다.

단계 #8: 모든 것을 통합하고 AI 에이전트 실행하기

agent.py 파일에 다음 내용을 포함하세요:

from dotenv import load_dotenv
import os
from llama_index.tools.brightdata import BrightDataToolSpec
from llama_index.llms.google_genai import GoogleGenAI
from llama_index.core.agent.workflow import FunctionAgent
import asyncio

# .env 파일에서 환경 변수 불러오기
load_dotenv()

# 환경 변수에서 Bright Data API 키 읽기
BRIGHT_DATA_API_KEY = os.getenv("BRIGHT_DATA_API_KEY")

# Bright Data 도구 설정
brightdata_tool_spec = BrightDataToolSpec(
    api_key=BRIGHT_DATA_API_KEY,
    zone="unlocker", # 웹 언락커 영역 이름으로 대체
    verbose=True, # 개발 시 유용함)


# "search_engine" (SERP 스크래핑) 도구만 가져옴
brightdata_serp_tools = brightdata_tool_spec.to_tool_list(["search_engine"])

# Gemini 연결 구성
llm = GoogleGenAI(
    model="models/gemini-2.5-flash",
)

# Gemini 기반이며 Bright Data 도구에 연결된 LlamaIndex 에이전트 생성
agent = FunctionAgent(
    tools=brightdata_serp_tools,
    llm=llm,
    verbose=True, # 개발 중 유용함
    system_prompt="""
        당신은 JSON 형식으로 SERP 결과를 가져올 수 있는 유용한 어시스턴트입니다.
    """
)

# 비동기 REPL 루프
async def main():
    print("Bright Data 기반 웹 검색 기능을 갖춘 Gemini 기반 에이전트입니다. 종료하려면 'exit'를 입력하세요.n")

    while True:
        # CLI에서 AI 에이전트에 대한 사용자 요청 읽기
        request = input("요청 -> ")

        # 사용자가 "exit" 입력 시 실행 종료
        if request.strip().lower() == "exit":
            print("n에이전트 종료됨")
            break

        try:
            # 요청 실행
            response = await agent.run(request)
            print(f"n응답 ->:n{response}n")
        except Exception as e:
            print(f"n오류: {str(e)}n")

if __name__ == "__main__":
    asyncio.run(main())

LlamaIndex SERP 에이전트를 실행하려면 다음을 실행하세요:

python agent.py

스크립트가 시작되면 터미널에 다음과 같은 프롬프트가 표시됩니다:

The REPL of your AI SERP agent printed in the terminal

에이전트에게 최신 정보가 필요한 질문을 해보세요. 예를 들어:

새로운 AI 프로토콜에 대한 간단한 마크다운 보고서를 작성해 주세요. 추가 읽을거리를 위한 실제 링크도 포함해 주세요.

이 작업을 효과적으로 수행하려면 AI 에이전트가 최신 정보를 웹에서 검색해야 합니다.

결과는 다음과 같습니다:

How the LlamaIndex + Bright Data SERP AI agent addresses the prompt

꽤 빠르게 처리되었으니, 어떤 과정이 진행되었는지 살펴보겠습니다:

에이전트는 “새로운 AI 프로토콜” 검색 필요성을 감지하고 search_engine 도구를 통해 Bright Data SERP API를 호출합니다. 사용된 입력 URL은 다음과 같습니다: https://www.google.com/search?q=new%20AI%20protocols&num=10&brd_json=1.
해당 도구는 Bright Data의 Google 검색 API로부터 JSON 형식의 SERP 데이터를 비동기적으로 가져옵니다.
에이전트는 JSON 응답을 Gemini LLM으로 전달합니다.
Gemini는 최신 데이터를 처리하여 관련 링크가 포함된 명확하고 정확한 Markdown 보고서를 생성합니다.

이 경우 AI 에이전트는 다음과 같은 결과를 반환했습니다:

## 새로운 AI 프로토콜: 간략한 보고서

인공 지능의 급속한 발전으로 AI 시스템 간 및 외부 데이터 소스와의 상호 운용성, 통신, 데이터 처리를 향상시키기 위해 설계된 새로운 프로토콜이 등장했습니다. 이러한 프로토콜은 AI 에이전트의 상호 작용 방식을 표준화하여 확장 가능하고 통합된 AI 배포를 목표로 합니다.

주요 새로운 AI 프로토콜은 다음과 같습니다:

### 1. 모델 컨텍스트 프로토콜(MCP)

모델 컨텍스트 프로토콜(MCP)은 AI 기반 도구와 다양한 데이터 소스 간 안전한 양방향 연결을 용이하게 하는 개방형 표준입니다. 이 프로토콜은 AI 어시스턴트가 외부 정보에 보다 효과적으로 접근하고 활용할 수 있도록 함으로써 디지털 세계와의 상호작용 방식을 근본적으로 변화시킵니다. 이 프로토콜은 AI 모델이 외부 데이터 소스와 통신하고, 더 능력이 뛰어나며 컨텍스트를 인식하는 AI 애플리케이션을 구축하는 데 핵심적입니다.

**추가 자료:**
*   **모델 컨텍스트 프로토콜 소개:** [https://www.anthropic.com/news/model-context-protocol](https://www.anthropic.com/news/model-context-protocol)
*   **간단한 프로토콜이 AI의 모든 것을 바꾸는 방법:** [https://www.forbes.com/sites/craigsmith/2025/04/07/how-a-simple-protocol-is-changing-everything-about-ai/](https://www.forbes.com/sites/craigsmith/2025/04/07/how-a-simple-protocol-is-changing-everything-about-ai/)
*   **AI 에이전트를 위한 새로운 모델 컨텍스트 프로토콜:** [https://evergreen.insightglobal.com/the-new-model-context-protocol-for-ai-agents/](https://evergreen.insightglobal.com/the-new-model-context-protocol-for-ai-agents/)
*   **모델 컨텍스트 프로토콜: AI 상호운용성을 위한 새로운 표준:** [https://techstrong.ai/aiops/model-context-protocol-the-new-standard-for-ai-interoperability/](https://techstrong.ai/aiops/model-context-protocol-the-new-standard-for-ai-interoperability/)
*   **AI와 앱을 하나로 묶는 핫한 신기술 프로토콜:** [https://www.axios.com/2025/04/17/model-context-protocol-anthropic-open-source](https://www.axios.com/2025/04/17/model-context-protocol-anthropic-open-source)

### 2. 에이전트2에이전트 프로토콜(A2A)

에이전트2에이전트 프로토콜(A2A)은 AI 에이전트 간 통신, 안전한 정보 교환, 행동 조정을 가능하게 하는 크로스 플랫폼 사양입니다. 이 프로토콜은 서로 다른 AI 에이전트 간의 협력을 촉진하여 복잡한 작업에 공동으로 참여하고 다양한 기업 시스템 간에 책임을 위임할 수 있도록 하는 데 핵심적입니다.

**추가 자료:**
*   **에이전트2에이전트 프로토콜(A2A) 발표:** [https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/](https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/)
*   **모든 AI 엔지니어가 알아야 할 A2A, MCP 및 ACP에 관한 내용:** [https://medium.com/@elisowski/what-every-ai-engineer-should-know-about-a2a-mcp-acp-8335a210a742](https://medium.com/@elisowski/what-every-ai-engineer-should-know-about-a2a-mcp-acp-8335a210a742)
*   **새로운 AI 프로토콜이 기자들에게 의미하는 것:** [https://www.dw.com/en/what-coding-agents-and-a-new-ai-protocol-mean-for-journalists/a-72976193](https://www.dw.com/en/what-coding-agents-and-a-new-ai-protocol-mean-for-journalists/a-72976193)

### 3. 에이전트 통신 프로토콜(ACP)

에이전트 통신 프로토콜(ACP)은 에이전트 간 통신을 위한 개방형 표준입니다. 이 프로토콜의 목적은 현재의 분산된 AI 에이전트 환경을 상호 운용 가능한 에이전트 시스템으로 전환하여 이들 간의 통합과 협업을 용이하게 하는 것입니다. ACP는 구조화된 통신을 위한 표준화된 메시징 프레임워크를 제공합니다.

**추가 자료:**
*   **MCP, ACP 및 Agent2Agent가 확장 가능한 AI를 위한 표준을 설정하다:** [https://www.cio.com/article/3991302/ai-protocols-set-standards-for-scalable-results.html](https://www.cio.com/article/3991302/ai-protocols-set-standards-for-scalable-results.html)
*   **에이전트 통신 프로토콜(ACP)이란 무엇인가?** [https://www.ibm.com/think/topics/agent-communication-protocol](https://www.ibm.com/think/topics/agent-communication-protocol)
*   **MCP vs A2A vs ACP: AI 프로토콜 설명:** [https://www.bluebash.co/blog/mcp-vs-a2a-vs-acp-agent-communication-protocols/](https://www.bluebash.co/blog/mcp-vs-a2a-vs-acp-agent-communication-protocols/)

이러한 신흥 프로토콜은 더욱 상호 연결되고 효율적인 AI 생태계를 향한 중요한 단계로, 다양한 산업 전반에 걸쳐 더욱 정교하고 협업적인 AI 애플리케이션을 가능하게 합니다.

AI 에이전트의 응답에는 Gemini의 마지막 훈련 업데이트 이후에 게시된 최신 프로토콜과 최신 링크가 포함되어 있음을 주목하십시오. 이는 실시간 웹 검색 기능 통합의 가치를 강조합니다.

더 구체적으로, 이 응답에는 구글에서 “새로운 AI 프로토콜”을 검색했을 때 나타나는 결과와 매우 유사한 맥락적 링크들이 포함되어 있습니다:

응답에는 실제 “새로운 AI 프로토콜” 검색 결과 페이지(SERP)에서 찾을 수 있는 링크 다수가 포함되어 있음을 확인하세요(적어도 작성 시점 기준).

자, 이제 Bright Data로 구동되는 검색 엔진 스크래핑 기능을 갖춘 LlamaIndex AI 에이전트를 보유하게 되었습니다.

9단계: 다음 단계

현재 LlamaIndex SERP AI 에이전트는 Bright Data의 search_engine 도구만 사용하는 단순한 예시입니다.

더 복잡한 시나리오에서는 에이전트를 단일 도구로 제한하지 않는 것이 좋습니다. 대신 에이전트가 모든 사용 가능한 도구에 접근할 수 있도록 하고, 각 목표에 따라 어떤 도구를 사용할지 LLM이 결정할 수 있도록 명확한 시스템 프롬프트를 작성하는 것이 더 효과적입니다.

예를 들어, 프롬프트를 확장하여 한 단계 더 나아가 다음과 같은 작업을 수행할 수 있습니다:

여러 검색 쿼리를 수행합니다.
SERP 결과에서 상위 N개 링크를 선택합니다.
해당 페이지를 방문하여 Markdown 형식으로 콘텐츠를 스크래핑합니다.
해당 정보를 학습하여 더 풍부하고 상세한 출력을 생성합니다.

사용 가능한 모든 도구와의 통합에 대한 자세한 안내는 LlamaIndex와 Bright Data를 활용한 AI 에이전트 구축 튜토리얼을 참조하세요.

결론

이 글에서는 LlamaIndex를 사용하여 Bright Data를 통해 웹 검색이 가능한 AI 에이전트를 구축하는 방법을 알아보았습니다. 이 통합을 통해 에이전트는 Google, Bing, Yandex 등 주요 검색 엔진에서 검색 쿼리를 실행할 수 있습니다.

여기서 다룬 예시는 시작점일 뿐이라는 점을 명심하세요. 더 고급 에이전트를 개발할 계획이라면 실시간 웹 데이터를 검색, 검증, 변환할 수 있는 강력한 도구가 필요합니다. 바로 Bright Data의 에이전트용 AI 인프라가 제공하는 기능입니다.

무료 Bright Data 계정을 생성하고 지금 바로 에이전트형 AI 데이터 도구를 탐색해 보세요!

문의하기 무료 체험 시작하기

웹 검색을 위한 LlamaIndex 및 Bright Data 활용