https://yozm.wishket.com/magazine/detail/3697/

 

ChatGPT 요약

 

🔑 한 줄 핵심

• SQL + 데이터 분석 업무는 “AI 에이전트 + 도구 + 기억”으로 자동화할 수 있고,
• 핵심은 **LLM 자체가 아니라 “도구(Tools) + ReAct + Memory 구조 설계”**다.

---

1. 왜 만들었나 (문제 정의)

기존 BI 환경의 한계:

• 새로운 데이터 요구 → 매번 SQL 수정 필요
• 데이터 요청 → 개발자 대기 (병목)
• 비개발자는 데이터 접근 어려움
• 데이터가 여러 시스템에 분산

👉 결과:

데이터 분석이 “느리고, 비효율적이고, 중앙집중적”

---

2. 해결책: AI 에이전트 “곰곰이”

🎯 목표 4가지

1. SQL 작성/분석 자동화
2. 비개발자도 데이터 직접 활용
3. 조직 전체 데이터 활용 능력 향상
4. 단일 → 멀티 에이전트로 확장

👉 핵심 철학:

“데이터 분석을 개발자 일에서 → 조직 전체의 능력으로”

---

3. 사용자 경험 (UX)

사용 방식은 단순:

질문 → 기다림 → 답변

하지만 내부는 복잡:

• 자연어 → SQL 생성
• SQL 실행 → 결과 분석
• 결과 → 인사이트로 요약

👉 결과:

• 몇 시간 걸릴 분석 → 몇 분으로 단축

---

4. 중요한 사용법 (실전 인사이트)

좋은 결과를 만드는 3가지:

✔ 1. 구체적인 질문

• ❌ “매출 알려줘”
• ✅ 기간 + 대상 + 분석 목적 포함

✔ 2. 단계적 질문

• 한 번에 크게 ❌
• 단계적으로 쪼개기 ✔

✔ 3. 피드백 (칭찬)

• 좋은 답변 → 기억 저장 → 다음에 더 잘함

👉 즉:

AI 성능 = 모델이 아니라 “사용자의 질문 능력”

---

5. 핵심 구조 (진짜 중요)

이 글의 가장 중요한 부분 👇

🧩 3가지 핵심 요소

1) Tools (도구)

AI는 “생각만” 하는 존재 → 실행은 도구로

• SQL 실행
• CSV 다운로드
• 예시 SQL 조회
• Memory 조회

👉 핵심:

“AI는 도구를 쓸 수 있을 때 진짜 일한다”

---

2) ReAct 구조 (두뇌)

AI의 사고 루프:

생각 → 행동 → 관찰 → 반복 → 답변

예:

• 기억 찾기
• SQL 작성
• 실행
• 결과 확인
• 다시 수정

👉 특징:

• 한 번에 답하지 않음
• 반복하면서 해결

---

3) Memory (기억)

가장 강력한 요소

• 과거 SQL
• 분석 방식
• 도메인 지식

👉 저장 → 재사용

👉 결과:

• 점점 더 똑똑해짐
• 유사 질문 빠르게 해결

 

---

6. 기술 스택 (구현 구조)

간단히 요약하면:

⚙️ 흐름

1. Slack에서 질문
2. API → AI Agent 실행
3. Memory 조회
4. SQL 생성 & 실행
5. 결과 생성

---

🧠 구성 요소

• LLM: Claude 3.5 Sonnet
• Vector DB: PostgreSQL + pgvector
• Query Engine: BigQuery / Athena
• Agent Framework: LangGraph

👉 포인트:

• 단일 모델이 아니라 “여러 시스템 조합”

---

7. 도입 효과 (핵심 변화)

🚀 조직 변화

Before

• 데이터 요청 → 개발자 → 대기

After

• 사용자 → AI → 즉시 결과

---

📈 실제 효과

• 데이터 요청 병목 제거
• 소통 비용 감소
• 비개발자도 분석 가능
• 개발자는 더 중요한 일에 집중

👉 가장 중요한 변화:

“사람들이 데이터를 직접 다루기 시작함”

---

8. 본질적인 인사이트

이 글의 진짜 핵심은 이거👇

❗ 1. AI는 모델이 아니라 “시스템”

• LLM만으로는 부족
• 도구 + 메모리 + 구조 필요

---

❗ 2. 자동화의 핵심은 반복 + 학습

• 반복 → 패턴 축적
• Memory → 점점 개선

---

❗ 3. 조직 구조까지 바뀐다

• 개발자 중심 → 데이터 민주화

---

9. 한 줄 결론

“AI 에이전트는 챗봇이 아니라, 도구를 쓰고 기억하는 ‘작업 시스템’이다”