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
- SQL 작성/분석 자동화
- 비개발자도 데이터 직접 활용
- 조직 전체 데이터 활용 능력 향상
- 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
- Slack에서 질문
- API → AI Agent 실행
- Memory 조회
- SQL 생성 & 실행
- 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”
