코딩 에이전트를 위한 Gemini 4 Argon: 설정 방법, 비용, 작업 라우팅 가이드

Gemini 4 Argon이 2026년 10월 13일부터 Gemini API의 유료 티어에서 안정화 모델인 gemini-4-argon으로 정식 출시(GA)되었습니다. Google AI Pro 및 Ultra 구독자는 Gemini 앱에서, Ultra 구독자는 Antigravity에서도 이용할 수 있습니다. 무료 API 티어는 제공되지 않습니다. 코딩 에이전트 관점에서 확인된 Gemini 4 Argon의 주요 사양은 입력·추론(thinking)·출력이 공유하는 1,048,576토큰 컨텍스트 윈도우, 요청당 기본 65,536출력 토큰(백그라운드 모드 사용 시 최대 약 100만 토큰), DeepSWE v1.1 코딩 벤치마크 77.9% 1위 달성, Terminal-bench 4.0 및 FrontierSWE v2에서의 열세, 그리고 11월 30일까지 백만 토큰당 입력 $2 및 출력 $10(12월 1일부터는 각각 $4 및 $20)의 가격 정책 등입니다.

이제 관건은 접근 권한 여부가 아닙니다. 관건은 새로운 프론티어 모델이 팀의 업무 보드에 미치는 영향입니다. 새 모델이 나오면 그에 맞춰 워크플로 전체를 갈아엎고 싶은 유혹에 빠지기 쉬우며, 그 결과 일주일 내내 어떤 에이전트가 어떤 모델로 돌아가는지조차 모르는 혼란이 이어집니다. 이미 신뢰할 수 있는 모델 위에서 Gemini Agent가 실제 Task를 원활하게 수행하고 있다면, Argon 도입은 특정 Computer에서 설정값 하나를 바꾸고 직전 결과와 비교할 Task 하나를 실행해 보는 것으로 충분합니다. 다만 본 가이드에서 한 가지 짚고 넘어갈 주의 사항이 있습니다. 구글은 Gemini CLI의 Argon 공식 지원 여부를 아직 밝히지 않았으므로, Argon에 Task를 할당하기 전에 사용자 본인의 Computer에서 직접 정상 작동 여부를 검증해야 합니다.

요약 (TL;DR)

연결된 Computer에 Gemini CLI를 설치하고 유료 Gemini API 키, Gemini Enterprise Agent Platform 키, 또는 Code Assist Standard나 Enterprise 라이선스로 인증합니다. 개인용 Google 계정은 6월 18부로 Gemini CLI 지원이 중단되었으며, Pro나 Ultra 구독권은 API 키 역할을 하지 못합니다. Runtime 상태가 Available로 표시되는지 확인하고, 해당 환경에 Agent를 생성한 뒤 모델을 gemini-3.8-flash로 고정합니다. 그런 다음 설정값 하나를 gemini-4-argon으로 변경하고, 한 줄짜리 스모크 프롬프트를 실행한 후 재스캔을 거쳐 기존에 실행했던 Task 하나를 동일하게 돌려 결과를 비교합니다. 모델 라우팅은 헤드라인이 아니라 벤치마크 지표를 기준으로 결정해야 합니다.

확인된 사실과 미확인 정보

2026년 10월 15일 기준: 구글은 9월 30일 Fairwind 프로그램에 참여하는 일부 사이버 방어 파트너를 대상으로 Argon을 처음 공개했으며, Gemini API 변경 이력에는 10월 13일부로 gemini-4-argon이 일반 제공(GA)된 것으로 기재되어 있습니다. 구글의 요금 안내 페이지에 따르면 Argon은 무료 티어에서 지원되지 않으며, Batch 및 Flex 추론 비용은 표준 요율의 절반 수준입니다.

구글 공식 평가표에서 코딩 작업 관점에서 주목해야 할 핵심 항목은 다음과 같습니다.

구글이 방법론에 명시한 주의점을 염두에 두고 살펴보아야 합니다. Argon의 DeepSWE 및 Terminal-bench 점수는 구글이 자체 측정한 수치인 반면, 경쟁 모델의 수치 대부분은 각 개발사가 자체 발표했거나 공개 리더보드에서 가져온 값입니다. 테스트 환경(harness)에 차이가 있을 수 있습니다. 출시 이후 Cursor는 기본 effort 기준 자체 CursorBench에서 Argon이 52.8%를 기록했다고 보고하며 Opus 5.5와 대등한 수준으로 평가했습니다. 세 모델의 항목별 상세 분석은 3개 모델 비교 분석 글에서 확인하실 수 있습니다.

운영 방식에 직접적인 영향을 주는 기술적 세부 사양 세 가지가 있습니다. 첫째, 100만 토큰 윈도우는 입출력 공용이므로 대규모 저장소를 읽는 작업일수록 코드를 작성할 여유 공간이 줄어듭니다. 둘째, 동기식 요청은 기본적으로 최대 65,536개의 출력 토큰까지만 지원하며, 최대 출력을 활용하려면 수 분이 걸릴 수 있는 Interactions API의 백그라운드 롱 디코드 모드가 필요합니다. 셋째, Argon은 명시적 캐싱을 지원하지 않고 temperature 값을 무시하므로, 기존 Gemini 3 설정에서 이 두 항목을 정리해야 합니다. 아직 공개되지 않은 정보로는 지식 컷오프 시점, Vertex AI 지원 일정, 그리고 Gemini CLI 지원에 대한 공식 발표 등이 있습니다.

1단계: Computer에 Gemini CLI Runtime 구성하기

이 단계에는 Argon 출시 이전부터 존재하던 주의점이 하나 있습니다. 지난 6월 18일, Gemini CLI는 Google AI Pro, Google AI Ultra 및 개인용 무료 Code Assist 계정에 대한 지원을 중단했으며, 구글은 해당 사용자들을 Antigravity CLI로 전환했습니다. 구글의 전환 공지에 따르면, Gemini CLI는 유료 Gemini API 키, Gemini Enterprise Agent Platform 키, Code Assist Standard 및 Enterprise 라이선스를 통해서만 계속 이용할 수 있습니다. 개인 Google 계정 로그인은 물론, Gemini 앱에서 Argon을 지원하는 Pro나 Ultra 구독권이 있더라도 유효한 Runtime 환경을 구성할 수 없습니다. 무인 자동화 작업을 수행하려면 유료 API 키를 사용하는 것이 가장 깔끔하며, 어차피 Argon을 호출하려면 유료 키가 필수적입니다.

실제 작업을 실행할 Computer에서 Gemini CLI를 설치하거나 업데이트한 후, 일반 터미널에서 정상 작동하는지 먼저 확인합니다.

export GEMINI_API_KEY="your-paid-project-key"
gemini -m gemini-3.8-flash -p "Reply with the word ok."

응답이 정상적으로 반환된다면 해당 호스트에서 도구가 올바르게 작동하는 것입니다. Computer 상세 페이지로 이동해 재스캔 또는 연결 테스트를 실행하면 Gemini CLI Runtime이 Available 상태로 표시되어야 합니다. 만약 Detection failed로 표시되거나 로그인되지 않았다는 메시지가 나타나면 상세 페이지의 안내에 따라 조치한 후 다시 스캔합니다. 각 상태값에 대한 상세 설명은 Sharkly의 Computers 가이드를 참고하세요.

2단계: Agent 생성 및 모델 설정 위치 파악

Sharkly는 모델을 직접 선택하지 않습니다. Agents 공식 문서에도 분명하게 명시되어 있습니다. "Agent는 Runtime의 기본 모델을 그대로 따르며, 특정 모델 이름을 보장하거나 표시하지 않습니다." 모델을 변경하려면 Agent나 Runtime의 Custom arguments를 활용하거나 Runtime 또는 Computer의 도구 설정을 수정해야 하며, Agent 자체에는 모델 선택 드롭다운이 존재하지 않습니다.

Agent는 작업 처리 방식을 정의하고, Computer는 호스트 인프라를 제공하며, Runtime(여기서는 Gemini CLI)은 에이전트 세션을 실행하고, Task는 공용 작업 기록으로 남습니다. Agents 메뉴에서 New Agent를 클릭해 에이전트를 생성합니다. 대상 Computer와 Gemini CLI Runtime을 지정하고, 각 Task가 격리된 작업 환경과 신규 worktree(저장소 기반 실행 시)를 확보할 수 있도록 기본 작업 디렉터리를 Create temporary directory로 설정한 뒤 지침은 간결하게 작성합니다. 기타 세부 설정은 Sharkly Agent 완벽 가이드를 참고하세요.

모델 지정은 Gemini CLI 차원의 설정입니다. Gemini CLI는 문서화된 우선순위 규칙에 따라 모델을 결정합니다. -m 또는 --model 플래그가 최우선이며, 그 다음은 GEMINI_MODEL 환경 변수, settings.json의 model.name, 그리고 마지막 기본값인 auto 순입니다. 해당 호스트의 ~/.gemini/settings.json 파일에 설정하면 해당 사용자가 실행하는 모든 Gemini CLI 세션에 적용됩니다.

{ "model": { "name": "gemini-3.8-flash" } }

# Agent 환경 변수: 해당 Agent의 실행에만 적용
GEMINI_MODEL=gemini-3.8-flash

# 또는 Agent의 Custom argument(추가 Runtime 인자) 활용
-m gemini-3.8-flash

설정 파일을 수정하는 것이 가장 안전한 기본 방식입니다. 한 대의 Computer에서 여러 Agent를 구동하면서 특정 Agent만 변경하고자 할 때는 Agent 레벨 설정을 활용할 수 있으며, 전체 표준으로 적용하기 전에 단일 Agent에서 먼저 테스트해야 합니다. 모델을 auto로 두면 모델 간 임의 라우팅이 발생하거나 할당량 초과 시 다른 모델로 폴백되어 정확한 비교가 불가능해지므로, 반드시 특정 모델을 명시적으로 고정해야 합니다.

3단계: 단일 Agent를 Argon으로 전환하기

API 호출부터 먼저 점검하여 인증키 문제가 CLI 오류처럼 보이는 혼선을 방지해야 합니다. 작업 호스트에서 구글 공식 명세에 따른 요청을 직접 전송해 봅니다.

curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "model": "gemini-4-argon",
    "input": "Your prompt here",
    "generation_config": {"thinking_level": "medium"}
  }'

응답이 정상적으로 반환된다면 해당 API 키로 Argon을 호출할 수 있는 상태입니다(thinking_level은 low, 기본값인 medium, 또는 high 지원). 이어서 Gemini CLI를 테스트합니다.

gemini -m gemini-4-argon -p "Reply with the word ok."

이 글의 내용보다 직접 확인한 스모크 프롬프트 결과가 가장 확실한 근거입니다. 구글은 Gemini CLI의 Argon 지원 여부를 공식 발표하지 않았으며, 10월 1일 기준 소스 코드에도 Argon 관련 항목은 없었습니다. 프롬프트 실행이 실패할 경우 Gemini CLI를 최신 버전으로 업데이트(sharkly computer update 명령어로 특정 Runtime의 CLI 업데이트 요청 가능)한 후 재시도합니다. 그래도 실패한다면 Agent를 기존 Flash 상태로 유지하며, 이 경우 기존 보드의 작업에는 아무런 영향이 없습니다.

테스트에 성공했다면 model.name, GEMINI_MODEL, 또는 -m 인자 중 단 하나의 값만 변경합니다. Computer 상세 페이지에서 재스캔을 실행해 Available 상태를 확인합니다. 그 다음 Flash에서 이미 실행했던 Task 하나를 동일하게 할당하고, Task 결과 화면에서 코드 변경 사항(diff), 에이전트가 실행한 점검 내역, 리뷰어가 수정한 내용 등 두 실행 결과를 대조 분석합니다.

Argon 투입 시점과 배제 시점

Argon을 투입해야 하는 경우: 방대한 코드를 읽고 일부만 정밀하게 수정해야 하거나 전체적인 일관성을 유지해야 하는 대규모 단일 변경 작업에 적합합니다. 예를 들어 대규모 저장소의 모듈 간 결함 수정이나 수천 줄 규모의 코드 마이그레이션이 이에 해당합니다. 구글의 평가 지표에서도 긴 컨텍스트 처리 성능(GraphWalks 256K~1M 기준 Astra의 71.8% 대비 84.2% 기록)과 DeepSWE 선두 성적이 이를 뒷받침합니다. 구글 내부에서도 80만 줄이 넘는 C/C++ 코드를 Rust로 이전하는 작업에 Argon을 도입했으며, 프로덕션 배포 전 코드 감사 및 리뷰 단계는 여전히 사람이 직접 수행하고 있습니다. 사람이 결과를 충분히 검토할 수 있도록 Task 단위를 적절히 나누어야 합니다. 100만 토큰급 에이전트 실행은 속도 개선보다 코드 리뷰 부담 관리가 먼저입니다.

Flash나 다른 Runtime을 유지해야 하는 경우: 터미널 작업 비중이 높거나(Opus 5.5가 Terminal-bench 4.0에서 9포인트 앞섬), FrontierSWE 유형의 문제이거나(Astra가 10포인트 이상 앞섬), GUI 자동화가 필요하거나(Astra가 OSWorld-2.0 리드), 일상적이고 단순한 버그 수정인 경우입니다. Argon의 토큰 단가는 11월 30일까지 Flash의 약 2.7배이며, 12월에는 단가가 2배로 인상되어 5배 이상 비싸집니다(Flash의 단가 인상은 한 달 뒤). 동일한 보드 내에서 Claude Code나 Codex Agent로 할당을 전환하는 것은 클릭 한 번이면 충분합니다. 팀원 누구나 일관된 기준으로 모델을 라우팅할 수 있도록 정리하는 방법은 코딩 작업별 최적 모델 매칭 가이드를 참고하세요.

단, 자체 저장소에서 Argon을 직접 구동해 검증하기 전까지는 어떤 기준도 확정적인 규칙이 될 수 없습니다.

인프라는 그대로 두고 모델만 교체하기

이 접근법의 핵심 원칙은 공급자 중립성(provider neutrality)입니다. 매번 각기 다른 강점을 지닌 프론티어 모델들이 쏟아져 나오는 상황에서, 새 모델이 나올 때마다 워크플로 전체를 뜯어고친다면 매달 인프라 구축만 반복하게 됩니다. 업무 할당, 컨텍스트, 진행 상황, 차단 요인, 결과물, 인간 검토 단계를 단일 시스템에 중앙 집중화해 두면, 모델은 단지 Computer의 설정값 하나로 단순화됩니다. 에이전트는 조사, 실행, 테스트 및 보고를 담당하고, 사람은 방향 설정과 권한 부여, 그리고 최종 결과 승인에 집중하는 구조를 갖출 수 있습니다.

소규모 환경에서 여러 Gemini 작업을 병렬로 실행할 때는 Task당 하나의 worktree를 할당하는 방식이 효과적입니다. 구체적인 구성 패턴은 병렬 Gemini CLI 활용 가이드에서 확인하실 수 있습니다. 이 워크플로는 worktree를 사용해 수동으로 구축할 수도 있고, Sharkly를 통해 체계적으로 관리할 수도 있습니다.